基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種在無(wú)線泛在環(huán)境下基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì) 方法，屬于通訊的技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 進(jìn)入21世紀(jì)以來(lái)，隨著微電子、芯片及信息通信技術(shù)的發(fā)展，人類將逐步進(jìn)入泛 在網(wǎng)絡(luò)時(shí)代，其中無(wú)線泛在網(wǎng)絡(luò)，即：無(wú)線泛在環(huán)境是人置身于無(wú)所不在的網(wǎng)絡(luò)之中，實(shí)現(xiàn) 人在任何時(shí)間、地點(diǎn)，使用任何網(wǎng)絡(luò)與任何人與物的信息交換，基于個(gè)人和社會(huì)的需求，利 用現(xiàn)有網(wǎng)絡(luò)技術(shù)和新的網(wǎng)絡(luò)技術(shù)，為個(gè)人和社會(huì)提供泛在的，無(wú)所不含的信息服務(wù)和應(yīng)用。 伴隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，業(yè)務(wù)資源也隨之呈現(xiàn)爆炸式增長(zhǎng)的態(tài)勢(shì)，如何從海量的業(yè) 務(wù)資源中，快速高效地獲取用戶所需的業(yè)務(wù)，使得用戶獲得較高的用戶體驗(yàn)，成為了關(guān)注的 重點(diǎn)領(lǐng)域。無(wú)線泛在環(huán)境下，將以用戶為中心，業(yè)務(wù)的產(chǎn)生直接來(lái)源于用戶的需求，多模終 端可以接入不同無(wú)線網(wǎng)絡(luò)，如何實(shí)現(xiàn)不同無(wú)線接入網(wǎng)間的網(wǎng)絡(luò)資源與終端能力的有效利 用，改善信息傳輸服務(wù)質(zhì)量，從不同角度、不同層次滿足用戶需求，提高用戶體驗(yàn)質(zhì)量以及 為用戶提供智能服務(wù)，因此，有必要對(duì)用戶行為預(yù)測(cè)進(jìn)行研究。
[0003] 在未來(lái)無(wú)線泛在環(huán)境下，2G/3G/4G蜂窩移動(dòng)通信網(wǎng)、IEEE802. 11無(wú)線局域網(wǎng) (WLAN)和IEEE802. 16無(wú)線城域網(wǎng)（WiMAX)將作為主流的無(wú)線接入方式并存，接入網(wǎng)絡(luò)之 間將通過(guò)有線骨干網(wǎng)或無(wú)線Mesh網(wǎng)等互聯(lián)互通，用戶終端之間亦將借助IEEE802. 11或 IEEE802. 15等系列技術(shù)實(shí)現(xiàn)AdHoc連接，從而為泛在的業(yè)務(wù)需求提供泛在的無(wú)線接入； 另一方面，近年來(lái)隨著移動(dòng)智能終端和移動(dòng)操作系統(tǒng)快速發(fā)展，進(jìn)一步增強(qiáng)了移動(dòng)終端的 用戶體驗(yàn)。幾乎目前所有的有線互聯(lián)網(wǎng)業(yè)務(wù)類型都可以移植到移動(dòng)互聯(lián)網(wǎng)上來(lái)，為實(shí)現(xiàn)業(yè) 務(wù)無(wú)線化提供了設(shè)備條件。
[0004] 無(wú)線業(yè)務(wù)個(gè)性化已經(jīng)成為當(dāng)今業(yè)務(wù)發(fā)展的新熱點(diǎn)，隨著用戶個(gè)性化特征的日趨明 顯，個(gè)性化推送甚至發(fā)展成為運(yùn)營(yíng)商、業(yè)務(wù)商新的營(yíng)銷理念和趨勢(shì)。因此個(gè)性化推送技術(shù)應(yīng) 運(yùn)而生，它能從大量用戶行為歷史信息中，通過(guò)各種的挖掘算法和預(yù)測(cè)模型，適時(shí)適度地向 用戶自動(dòng)推送出符合其需求的業(yè)務(wù)，為用戶提供個(gè)性化的業(yè)務(wù)定制服務(wù)及業(yè)務(wù)推薦，同時(shí) 為業(yè)務(wù)商推出新業(yè)務(wù)提供決策依據(jù)。
[0005]目前，國(guó)內(nèi)外對(duì)用戶行為的研究主要側(cè)重于挖掘和分析用戶行為特征和規(guī)律以及 用戶行為預(yù)測(cè)方面。相關(guān)研究采用的工具包括數(shù)據(jù)挖掘算法和Markov預(yù)測(cè)模型等。其中 Markov模型是一種簡(jiǎn)單且有效的模型。由于Markov鏈的無(wú)后效性，目前大多采用Markov 模型理論對(duì)用戶行為進(jìn)行預(yù)測(cè)。Markov模型以其大的信息保留量，從而保證了其預(yù)測(cè)準(zhǔn)確 的特點(diǎn)而成為這方面研究的一個(gè)典型模型。
[0006] 然而通過(guò)對(duì)已有的各種運(yùn)用Markov模型進(jìn)行用戶業(yè)務(wù)預(yù)測(cè)方法的分析，在模型 的構(gòu)造過(guò)程中一個(gè)很重要的因素：用戶業(yè)務(wù)的使用時(shí)間未被考慮在內(nèi)，也就是說(shuō)在現(xiàn)有的 方法中只考慮了用戶業(yè)務(wù)的類型，認(rèn)為每個(gè)用戶業(yè)務(wù)時(shí)間都一樣。然而，不同的業(yè)務(wù)使用時(shí) 間對(duì)于表現(xiàn)用戶的興趣是十分重要的，當(dāng)業(yè)務(wù)使用時(shí)間小時(shí)是不應(yīng)該考慮在概率中的。這 些預(yù)測(cè)的方法單純考慮業(yè)務(wù)類型往往會(huì)得到多個(gè)概率相同的結(jié)果，就不好唯一的確定用戶 未來(lái)需要的業(yè)務(wù)，預(yù)測(cè)精度不夠高。而本發(fā)明能夠很好地解決上面的問(wèn)題。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明目的在于提出了一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法， 該方法解決了用戶業(yè)務(wù)使用時(shí)間對(duì)預(yù)測(cè)結(jié)果的問(wèn)題，該方法利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì) Markov模型中的狀態(tài)轉(zhuǎn)移矩陣進(jìn)行調(diào)整，有效提高了預(yù)測(cè)的準(zhǔn)確性。一方面，該方法中新 的Markov模型預(yù)測(cè)方法的學(xué)習(xí)過(guò)程具有很好的理論性，并且預(yù)測(cè)準(zhǔn)確度高；另一方面，該 方法操作簡(jiǎn)單，易于實(shí)現(xiàn)，具有很好的應(yīng)用前景。
[0008] 本發(fā)明解決其技術(shù)問(wèn)題所采取的技術(shù)方案是：一種基于用戶業(yè)務(wù)使用時(shí)間的 Markov模型的設(shè)計(jì)方法，該方法首先運(yùn)用值差分度量算法（即：VDM)對(duì)用戶業(yè)務(wù)的使用時(shí) 間進(jìn)行離散化處理，從而來(lái)降低計(jì)算的復(fù)雜性，將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái) 代替實(shí)際的時(shí)間值，在此基礎(chǔ)之上利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì)Markov模型中的狀態(tài)轉(zhuǎn) 移矩陣進(jìn)行調(diào)整，從而有效地提高預(yù)測(cè)算法地準(zhǔn)確性。
[0009] 方法流程：
[0010] 本發(fā)明提供了一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，該方法包 括如下步驟：
[0011] 步驟1:根據(jù)歷史用戶業(yè)務(wù)樣本序列，結(jié)合用戶使用業(yè)務(wù)的通常習(xí)慣，認(rèn)為用戶一 般對(duì)業(yè)務(wù)的使用的時(shí)間分為短暫停留、普通使用、長(zhǎng)時(shí)間使用3種方式，確定離散化的目標(biāo) 是得到三個(gè)離散區(qū)間；
[0012] 步驟2 :使用運(yùn)用值差分度量算法（即：VDM)對(duì)用戶業(yè)務(wù)使用時(shí)間進(jìn)行離散化處 理；
[0013] 步驟3 :根據(jù)用戶業(yè)務(wù)樣本序列構(gòu)造Markov模型，從而得到對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移矩 陣；
[0014] 步驟4 :在步驟3的基礎(chǔ)上，根據(jù)用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重調(diào)整狀態(tài)轉(zhuǎn)移矩陣，從而 構(gòu)造出基于用戶業(yè)務(wù)使用時(shí)間的Markov模型；
[0015] 步驟5 :根據(jù)上述的Markov模型來(lái)對(duì)用戶的未來(lái)業(yè)務(wù)進(jìn)行預(yù)測(cè)。
[0016] 本發(fā)明中的值差分度量算法（VDM)應(yīng)用于連續(xù)屬性的離散化，具有很好的技術(shù)效 果，將離散化技術(shù)應(yīng)用到用戶業(yè)務(wù)使用時(shí)間的表示上，將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的 標(biāo)號(hào)來(lái)代替實(shí)際的時(shí)間值，從而降低了計(jì)算的復(fù)雜性。
[0017] 有益效果：
[0018] 1、本發(fā)明利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì)Markov模型中的狀態(tài)轉(zhuǎn)移矩陣進(jìn)行調(diào) 整，從而有效提高了預(yù)測(cè)算法的準(zhǔn)確性。
[0019] 2、本發(fā)明將用戶業(yè)務(wù)使用時(shí)間這一因素考慮在內(nèi)，在構(gòu)造Markov模型時(shí)加入業(yè) 務(wù)使用時(shí)間這一因素，從而達(dá)到提高用戶行為預(yù)測(cè)準(zhǔn)確性的目標(biāo)。
[0020] 3、本發(fā)明產(chǎn)生的基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，其操作簡(jiǎn)單 而易于實(shí)現(xiàn)，具有很好的應(yīng)用前景。
【附圖說(shuō)明】
[0021] 圖1為本發(fā)明的方法流程圖。
【具體實(shí)施方式】
[0022] 下面結(jié)合說(shuō)明書附圖對(duì)發(fā)明創(chuàng)造作進(jìn)一步詳細(xì)說(shuō)明。
[0023] 實(shí)施例一
[0024] 如圖1所示，本發(fā)明提出了一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方 法，該方法融合了值差分度量算法（即：VDM)和Markov模型，通過(guò)對(duì)用戶業(yè)務(wù)使用時(shí)間的 離散化處理將時(shí)間這一因素加入到Markov模型的構(gòu)造過(guò)程中，有效地提高了用戶行為預(yù) 測(cè)的準(zhǔn)確性。
[0025] 本發(fā)明主要包括兩個(gè)方面：一方面運(yùn)用值差分度量算法（即：VDM)對(duì)用戶業(yè)務(wù)使 用時(shí)間進(jìn)行離散化處理，將離散化技術(shù)應(yīng)用到用戶業(yè)務(wù)使用時(shí)間的表示上，將時(shí)間屬性域 劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái)代替實(shí)際的時(shí)間值，從而來(lái)降低計(jì)算的復(fù)雜性；另一方面是 Markov模型的構(gòu)造，利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì)Markov模型中的狀態(tài)轉(zhuǎn)移矩陣進(jìn)行調(diào) 整，構(gòu)造出新的MarkoV模型。
[0026] 1.用戶業(yè)務(wù)使用時(shí)間的離散化
[0027] 考慮到計(jì)算的復(fù)雜性，本發(fā)明提出將離散化方法應(yīng)用到用戶業(yè)務(wù)使用時(shí)間的表示 上，將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái)代替實(shí)際的時(shí)間值。值差分度量算法（即： VDM)應(yīng)用于連續(xù)屬性的離散化也可以有相當(dāng)好的技術(shù)效果。一般情況下，離散屬性之間的 距離定義為：
【主權(quán)項(xiàng)】
1. 一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，其特征在于，所述方法包括 如下步驟： 步驟1 :根據(jù)歷史用戶業(yè)務(wù)樣本序列，結(jié)合用戶使用業(yè)務(wù)的通常習(xí)慣，認(rèn)為用戶對(duì)業(yè)務(wù) 的使用的時(shí)間分為短暫停留、普通使用、長(zhǎng)時(shí)間使用，確定離散化的目標(biāo)是得到三個(gè)離散區(qū) 間； 步驟2 :使用運(yùn)用值差分度量算法對(duì)用戶業(yè)務(wù)使用時(shí)間進(jìn)行離散化處理； 步驟3 :根據(jù)用戶業(yè)務(wù)樣本序列構(gòu)造 Markov模型，從而得到對(duì)應(yīng)的狀態(tài)轉(zhuǎn)移矩陣； 步驟4 :在上述步驟3的基礎(chǔ)上，根據(jù)用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重調(diào)整狀態(tài)轉(zhuǎn)移矩陣，從而 構(gòu)造出基于用戶業(yè)務(wù)使用時(shí)間的Markov模型； 步驟5 :根據(jù)上述的Markov模型來(lái)對(duì)用戶的未來(lái)業(yè)務(wù)進(jìn)行預(yù)測(cè)。
2. 根據(jù)權(quán)利要求1所述的一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，其特 征在于，所述方法包括：運(yùn)用值差分度量算法對(duì)用戶業(yè)務(wù)使用時(shí)間進(jìn)行離散化處理，將離散 化技術(shù)應(yīng)用到用戶業(yè)務(wù)使用時(shí)間的表示上，將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái)代 替實(shí)際的時(shí)間值。
3. 根據(jù)權(quán)利要求1所述的一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，其特 征在于，所述方法是構(gòu)造 Markov模型，利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì)Markov模型中的狀態(tài) 轉(zhuǎn)移矩陣進(jìn)行調(diào)整，構(gòu)造出新的Markov模型。
4. 根據(jù)權(quán)利要求1或3所述的一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法， 其特征在于：所述方法的Markov模型包括： (1) 一組狀態(tài)Status ;對(duì)應(yīng)于所有業(yè)務(wù)的集合，記作Status = {S, S1, S2, ···，sn, F}，S, F 是兩個(gè)虛擬狀態(tài)，對(duì)應(yīng)于開(kāi)始和終止?fàn)顟B(tài)； (2) -個(gè)狀態(tài)轉(zhuǎn)移矩陣A，對(duì)應(yīng)的元素為Pij，定義為P (Sj I Si)，即用戶從當(dāng)前業(yè)務(wù)士轉(zhuǎn) 移到業(yè)務(wù)Sj的概率；
(3) -組初始概率，對(duì)應(yīng)與每一個(gè)狀態(tài)的初始概率。
5. 根據(jù)權(quán)利要求1或3所述的一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的 設(shè)計(jì)方法，其特征在于：所述方法是根據(jù)用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重W i的計(jì)算公式：
^其中^ t2，…，tn為用戶業(yè)務(wù)使用時(shí)間的離散取值，η為業(yè)務(wù)的類 型總數(shù)，然后使用Markov模型轉(zhuǎn)移矩陣的調(diào)整公式
' η為狀態(tài)個(gè) 數(shù)構(gòu)建出新的Markov模型。
6. 根據(jù)權(quán)利要求1所述的一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，其特 征在于，所述方法的值差分度量算法應(yīng)用于連續(xù)屬性的離散化；將離散化技術(shù)應(yīng)用到用戶 業(yè)務(wù)使用時(shí)間的表示上；將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái)代替實(shí)際的時(shí)間值。
【專利摘要】本發(fā)明公開(kāi)了一種基于用戶業(yè)務(wù)使用時(shí)間的Markov模型的設(shè)計(jì)方法，該方法首先運(yùn)用值差分度量算法(即：VDM)對(duì)用戶業(yè)務(wù)的使用時(shí)間進(jìn)行離散化處理，從而來(lái)降低計(jì)算的復(fù)雜性，將時(shí)間屬性域劃分為區(qū)間，用區(qū)間的標(biāo)號(hào)來(lái)代替實(shí)際的時(shí)間值，在此基礎(chǔ)之上利用用戶業(yè)務(wù)訪問(wèn)傾向權(quán)重對(duì)Markov模型中的狀態(tài)轉(zhuǎn)移矩陣進(jìn)行調(diào)整，從而有效地提高預(yù)測(cè)算法地準(zhǔn)確性。
【IPC分類】G06F19-00
【公開(kāi)號(hào)】CN104679992
【申請(qǐng)?zhí)枴緾N201510051107
【發(fā)明人】張暉, 王超
【申請(qǐng)人】南京郵電大學(xué)
【公開(kāi)日】2015年6月3日
【申請(qǐng)日】2015年1月30日