用户行为预测模型.pdf

《用户行为预测模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第 8 卷第5 期2012 年 5 月移动社交网络中的用户行为预测模型唐杰杨洋关键词：移动社交网络用户行为建模清华大学移动社交网络已经成为沟通真实物理世界和虚实反应。[1]拟互联空间的桥梁。人们在互联网络中的行为直接研究表明，用户在移动社交网络中的行为会反映了人们在真实世界中的活动和情感。为了对个被众多微妙的因素所影响。那么，能否通过记录用人的网络行为和情感进行预测，本文将介绍如何利户的行为和在网络中关系的动态变化对其行为进行用互联网络构建个人社交场景，并提出动态平滑概预测呢？率因子图模型。模型同时考虑了网络结构、用户属图１是用户行为预

2、测问题的一个样例。图的性和网络用户的偏好，对用户的动态行为进行建模左侧展示了用户约翰（John）及其朋友的社交网和预测。络，每一位用户在时间t上都有相应的行为记录，目的是预测用户在时间t+1的行为，例如在微博或介绍者Twitter网络中，约翰会转发他朋友发出的帖子吗？这需要对用户行为进行建模，建模过程不仅要与传统的社交网络服务相比，移动社交网络考虑用户的个人属性（如心情、位置、电话、短信具有允许用户通过手机、平板电脑等移动终端工具实时互相关注及联系的独特Socialinfluence优势。如今，Facebook、Twitter和人人Ti

3、met网等热门社交网络都在逐步转向移动Timet(t+1)端。同时，移动社交网络如Foursquare、JohnJohnGowalla和Path等也相继出现并走红于市场。移动社交网络所拥有的一些自然特性与传统的、基于Web的社交网络大为Socialcorrelation不同：首先，移动社交网络中的所有用户都采取实名制；其次，移动社交网络WhatwillJohndotomorrow?中用户之间的关系更贴近于他们的真实关系；再次，移动社交网络中用户的一Temporaldependence切行为（如发短信、打电话、位置信息等）都是物理社交网络

4、中用户行为的真图1用户行为预测问题示例21专题第 8 卷第 5 期2012 年 5 月0.75糟糕通话0.6不快短信正常4愉悦归一化计数概率0.5兴奋0.430.320.210.100购物工作游玩学习睡觉路上吃饭开会糟糕不快正常愉悦兴奋活　动心　情图2（a）用户心情与其活动的关联分析（b）用户心情与其通话/发信息记录的关联分析等），还要考虑用户的行为（社交影响力）和兴趣路上的时候，心情比较糟糕，这可能和北京拥堵模式。的交通状况有关。图3展示了用户所在位置与其心情状态的关联关系。用户的心情状态隐性地构成用户情感预测了“快乐区域”（在图中用

5、红圈表示），和“悲伤区域”（在图中用绿圈表示）。从图中可以看本节通过对移动社交网络数据的分析，向读者出，用户（由学生构成）在宿舍或操场附近时，展现我们目前在用户情感分析方面得到的一些有趣大多是快乐的心情，而在教室或图书馆附近时，的结果。该移动社交网络数据以清华大学在校学生则趋向于“负心情”。为用户群，记录了30位用户在2010年5～7月期间，再看对用户通话及短信的观察分析，图2连续36000个小时的行为及状态。（b）展现了分析结果。总体来说，64%的用户倾在以下分析中，我们集中讨论几个方面：向于和朋友分享他们的快乐，36%的用户倾向于在

6、属性关联　一个人所处的环境及其行为会影响心情；时间关联　一个人过去的心情会影响当前的心情；社交关联　朋友的心情会影响本人的心情。属性关联分析每一位用户在社交网络中都有其特定的行为模式，这些模式在一定程度上决定该用户未来的属性状态。在移动社交网络中，用户的主要属性包括：活动、位置、通话记录、短信等。我们首先分析每一个属性对用户心情状态的影响。图2（a）展现了用户所参与的活动和当时心情的关联关系。可以看到当一个人在玩或者逛街的时候，心情状态趋向于“正心情”（觉得快乐、开心）；参加会议的时候心情最差（感到烦躁或难过）。同时还发现一个有趣的现象

7、：用户通常在图3用户心情与其位置的关联分析22第 8 卷第5 期2012 年 5 月0.70.5平均延续平均持续时间0.60.40.5概0.30.4率0.30.2%0.20.10.100糟糕不快正常愉悦兴奋糟糕不快正常愉悦兴奋心　情心　情图4（a）用户当前的心情状态受以前心情的影响（b）不同心情状态的平均持续时间分析（“平均”代表用户不同心情状态的似然值，“延续”代表已知用户以前的心情状态，维持同样心情至当前的似然值。)不开心时和朋友们聊天。另一个观察结果是，根据户，他更有可能在当前依然拥有“正心情”。图4用户的心情状态，其好友隐性地组

8、成了两个团体，（b）展现了不同心情状态的平均持续时间。总体“开心的朋友”和“不开心的朋友”。为了更好地上，“正心情”比“负心情”持续的时间更长久。说明这一点，我们从数据集中选择出了一些比较活社交关联分析跃的