CN104331404B - 一种基于用户手机上网数据的用户行为预测方法和装置 - Google Patents
一种基于用户手机上网数据的用户行为预测方法和装置 Download PDFInfo
- Publication number
- CN104331404B CN104331404B CN201310308868.3A CN201310308868A CN104331404B CN 104331404 B CN104331404 B CN 104331404B CN 201310308868 A CN201310308868 A CN 201310308868A CN 104331404 B CN104331404 B CN 104331404B
- Authority
- CN
- China
- Prior art keywords
- mobile phone
- user
- tensor
- behavior
- phone user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种基于用户手机上网数据的用户行为预测方法和装置,以便运营商根据预测的结果精准地向手机用户提供个性化服务。该方法包括:根据手机用户使用移动互联网的数据记录,建立手机用户行为的张量模型;对于手机用户使用移动互联网的新的数据记录,结合张量模型,预测手机用户的行为。本发明提供的方法可以预测用户U、时间T、地点L和应用P这四者组合(u,t,l,p)的潜在概率,即当(u,t,l,p)不包含在训练样本数据、但u,t,l,p分别包含在张量的四个维度时,仍然可以通过建立的张量模型预测出(u,t,l,p)的出现概率,以便运营商根据预测的结果精准地向手机用户提供个性化服务。
Description
技术领域
本发明涉及数据挖掘领域,具体涉及一种基于用户手机上网数据的用户行为预测方法和装置。
背景技术
移动互联网,是指互联网的技术、平台、商业模式和应用与移动通信技术结合并实践的活动的总称。移动通信和互联网是当今世界发展最快、市场潜力最大、前景最诱人的两大业务,它们的增长速度超过了任何预测家的预料结果,移动互联网创造了经济神话。移动互联网时代用户数的迅猛增长,已是必然趋势。截至2012年9月底,全球移动互联网用户已达15亿。用户数的急速增长,意味着巨大的机会,同时也意味着巨大的挑战,终端的小型化、多样化,接入方式的多样化都意味着我们处在全新的互联网生态环境中。
随着手机上网的速度愈来愈快,价格越来越便宜,移动互联网的娱乐、商务、信息服务等各种各样应用开始渗透到人们的基本生活。手机电视、视频通话、手机音乐下载、手机游戏、手机IM、移动搜索、移动支付等移动数据业务开始带给用户新的体验。这些服务给用户提供了丰富的选择空间,用户需要从纷繁复杂的各类应用中选择最对自己最适用的服务。运营商如果希望针对不同的用户提供不同的服务,以实现精准的营销策略,从而使收益最大化,那么就需要对用户的行为模式进行准确分析,对不同用户群体的行为特点及使用习惯获得更深刻的了解和认识。
当前科研和应用领域与移动互联网技术相关的研究主要有两方面:电信用户数据挖掘和互联网用户行为分析。电信用户数据挖掘主要包括客户流失管理、交叉销售分析、社交网络分析、流量分析、欺诈检测等几个方面,所使用的数据主要是用户统计特征、用户消费信息、呼叫详细记录、合同服务状态和服务变更日志等,采用的主要方法包括聚类分析和关联分析等。
互联网用户行为分析的主要目标则是从互联网用户的访问记录中抽取感兴趣的行为模式。互联网每个服务器都保留了访问日志,记录了关于用户访问和交互的信息,分析这些数据可以帮助理解用户的行为,从而改进站点的结构,或为用户提供个性化的服务,采用的主要方法为协同聚类、神经网络等。
虽然通过上述电信用户数据挖掘和互联网用户行为分析都能够在一定程度上预测用户的行为,但上述两种方法也存在相应的缺陷。电信用户数据挖掘使用传统的电信服务记录分析用户手机服务使用状态,然而,从传统的电信服务记录中并不能获得对用户行为模式的深刻了解,不能为运营商提供针对不同用户的个性化营销方案。互联网用户行为分析只能通过服务器上记录的访问日志进行分析预测,无法获得单一用户的有效身份标识以及相关的个人行为属性数据,最终导致为用户提供的个性化网络服务不够有效和精准。
发明内容
本发明实施例提供一种基于用户手机上网数据的用户行为预测方法和装置,以便运营商根据所述预测的结果精准地向手机用户提供个性化服务。
一种基于用户手机上网数据的用户行为预测方法,包括:
根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;
对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为。
一种基于用户手机上网数据的用户行为预测装置,所述装置包括:
建模模块,用于根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;
行为预测模块,用于对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为。
从上述本发明实施例可知,由于手机用户行为的张量模型是根据包括用户标识信息、时间信息、地点信息和行为信息的数据记录建立,因此,与现有技术提供的预测用户行为相比,本发明实施例提供的方法可以预测用户U、时间T、地点L和应用P这四者组合(u,t,l,p)的潜在概率,即当(u,t,l,p)不包含在训练样本数据、但u,t,l,p分别包含在张量的四个维度时,仍然可以通过建立的张量模型预测出(u,t,l,p)的出现概率即用户u在时间t、地点l所进行的应用p(即行为)的概率,以便运营商根据所述预测的结果精准地向手机用户提供个性化服务。
附图说明
图1是本发明实施例提供的基于用户手机上网数据的用户行为预测方法的基本流程示意图;
图2是本发明实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图3是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图4是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图5是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图6-a是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图6-b是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图;
图6-c是本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置逻辑结构示意图。
具体实施方式
本发明实施例提供一种基于用户手机上网数据的用户行为预测方法,包括:根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为。本发明实施例还提供相应的基于用户手机上网数据的用户行为预测。以下分别进行详细说明。
本发明实施例的基于用户手机上网数据的用户行为预测方法的基本流程可参考图1,主要包括步骤:
S101,根据手机用户使用移动互联网的数据记录,建立该手机用户行为的张量模型,其中,数据记录包括用户标识信息、时间信息、地点信息和行为信息。
当手机用户使用移动互联网时,服务器上保存了该手机用户使用移动互联网的数据记录,包括用户标识信息、时间信息、地点信息和行为信息,其中,用户标识信息可以是用户的国际移动设备身份码(International Mobile Equipment Identity,IMEI)和国际移动用户识别码(International Mobile Subscriber Identity,IMSI)的组合,即,考虑到一机多卡(用户使用同一终端切换SIM卡)以及一卡多机(用户在不同终端上使用同一SIM卡)的情况,可以将用户IMSI和IMEI联合作为用户的唯一标识,即将同一终端下同一SIM卡使用者标识为同一用户,这个唯一标识是本发明实施例中的用户标识信息;从服务器获取的网络连接建立时间作为用户开始上网的时间信息标识即本发明实施例中的时间信息;从服务器获取的小区ID作为用户在某基站覆盖范围内上网的地点信息标识即本发明实施例中的地点信息;从服务器上获取的用户通过移动互联网所使用的应用服务类型作为用户行为标识即本发明实施例中的行为信息。
作为本发明一个实施例,根据手机用户使用移动互联网的数据记录,建立手机用户行为的张量模型可以通过以下步骤S1011至步骤S1012实现:
S1011,采集手机用户使用移动互联网的数据记录。
此处的数据记录包括前述实施例提及的用户标识信息、时间信息、地点信息和行为信息等。
S1012,通过设置该手机用户的行为周期和行为时间分割粒度,将采集所得手机用户使用移动互联网的时间信息进行预处理。
一般而言,用户的行为具有周期性即在每间隔一定时间在某个时刻或某个时间段进行同样的行为。例如,上班族在每个工作日期间,早上8点到9点可能利用手机上网使用新闻类的APP,中午12点到1点休息时间可能登录手机QQ等,晚上5点到6点下班期间可能使用大众点评这类应用查询休闲餐饮服务等。这一周期假设可以根据需要调整,例如,假设用户在每周的行为具有重复性,这一改变只影响张量模型的大小和精度,并不影响整个方案的可行性。基于用户的行为具有周期性这一假设具有合理性,并且基于这一假设所进行用户行为的预测才有意义,因为用户的行为的周期性本身就表明了用户的偏好或喜好。
作为通过设置手机用户的行为周期和行为时间分割粒度,将采集所得手机用户使用移动互联网的时间信息进行预处理的实施例,可以是设置手机用户的行为周期,将时间戳表示的时间转换为行为周期中的时间,该时间戳用于表示所述手机用户与服务器建立网络连接的时间。这里需要说明的是,从服务器上获得的网络连接建立时间是以时间戳的形式表示的,以秒为单位。由于分析用户在某一秒的上网行为粒度太细,因此还需要对这些时刻点进一步离散化,进而将以时间戳表示的时间转化为用户的行为周期中的某一个时刻点。分割粒度的设置可以根据用户的行为周期的设置进行调整,一个长的行为周期通常对应一个大的分割粒度,反之亦反;行为周期的调整同样不会影响算法的可行性。
S1013,基于时间信息经过预处理后的数据记录,通过张量构建、分解和重构对该手机用户的行为进行分析,建立相应的张量模型。
步骤S1013包括S1至S3:
S1,基于时间信息经过预处理后的数据记录,构建四阶张量,该四阶张量的四个维度分别表示用户、时间、地点和应用。经过预处理后的数据记录也可以称作经过预处理后的训练样本数据集。所构建的四阶张量的四个维度即四维分别表示用户(用U表示)、时间(用T表示)、地点(用L表示)、应用(用P表示),张量的元素值初始化为对应一组(u,t,l,p)出现的频率值,即同一用户在同一时刻同一地点使用同一应用的频率。这样构建出的四阶张量是稀疏的,即张量中的非零元素所占的比例很小。在计算机中用稀疏张量存储,即只存储非零元素的位置和值,可以节省大量的空间。
S2,采用高阶奇异值分解方法,对所述四阶张量进行分解,得到核心张量。
具体地,包括S21至S23:
S21,对构建的四阶张量A分别沿四个维度展开成矩阵并进行奇异值分解(Singular Value Decomposition,SVD),得到相应的四个左奇异值矩阵Vu、Vt、Vl和Vp;
S22,设置截断参数,对左奇异值矩阵的列向量进行截断处理,即只保留前若干个列向量,由这些列向量构成的矩阵记为新的矩阵Wu、Wt、Wl和Wp;
需要说明的是,在保留前列向量时,保留比例与维度大小呈反比关系,即维度越高,保留列向量所占比例越小。由于电信数据的用户、时间、地点都具有高维特性,因此实践中截断参数可以取0.05等很高的压缩比。
S23,根据四阶张量A和新的矩阵Wu、Wt、Wl和Wp,计算得到核心张量S,即
S3,根据核心张量S,重新构建张量,重新构建的张量为所述重新构建的张量的元素表示手机用户在对应时间对应地点使用对应手机应用的概率。
S102,对于手机用户使用移动互联网的新的数据记录,结合步骤S101建立的张量模型,预测手机用户的行为。
预测手机用户的行为即预测手机用户最可能使用的移动互联网应用。运营商根据这一预测的结果对手机用户进行个性化推荐,将概率最大的前几个应用推荐给手机用户。具体地,对于给定的用户标识、上网时间和上网地点等信息,通过步骤S101建立的张量模型预测手机用户行为时,首先利用手机用户行为周期和行为时间分割粒度,将上网时间转化为行为周期中的某一时刻,然后利用用户、时间、地点索引张量,得到一个向量,输入建立的张量模型,得到一个表示该手机用户在该时间该地点,使用各类移动互联网应用的概率大小,其中概率最高的移动互联网应用可以作为预测结果向手机用户进行推荐,从而实现个性化营销。
从上述本发明实施例提供的基于用户手机上网数据的用户行为预测方法可知,由于手机用户行为的张量模型是根据包括用户标识信息、时间信息、地点信息和行为信息的数据记录建立,因此,与现有技术提供的预测用户行为相比,本发明实施例提供的方法可以预测用户U、时间T、地点L和应用P这四者组合(u,t,l,p)的潜在概率,即当(u,t,l,p)不包含在训练样本数据、但u,t,l,p分别包含在张量的四个维度时,仍然可以通过建立的张量模型预测出(u,t,l,p)的出现概率即用户u在时间t、地点l所进行的应用p(即行为)的概率,以便运营商根据所述预测的结果精准地向手机用户提供个性化服务。
下述表1给出了附图1示例的基于用户手机上网数据的用户行为预测方法的准确率:
算法 | 准确率 |
附图1示例的方法 | 87.52% |
朴素贝叶斯(NaiveBayes) | 58.89% |
贝叶斯网络(BayesNet) | 59.89% |
集成学习(AdaBoostM1) | 35.57% |
表1
在本发明实施例中,将实验数据集的70%作为训练样本集,30%作为测试样本集,通过对训练样本集进行张量构建、分解和重构得到可用于预测的张量模型,测试集用于测试该张量模型预测的准确率。从表1可知,通过对比其他手机用户行为分析及预测方法例如朴素贝叶斯、决策树算法等,本发明实施例提供的方法的预测准确率可达80%以上,而其他算法则为60%左右,显然优于其他方法。
下面对用于执行上述基于用户手机上网数据的用户行为预测方法的本发明实施例的基于用户手机上网数据的用户行为预测装置进行说明,其基本逻辑结构参考图2,主要包括建模模块201和行为预测模块202,各模块详细说明如下:
建模模块201,用于根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;
行为预测模块202,用于对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为。
附图2示例的建模模块201可以包括采集子模块301、预处理子模块302和张量模型建立子模块303,如附图3所示本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置,其中:
采集子模块301,用于采集所述手机用户使用移动互联网的数据记录;
预处理子模块302,用于通过设置所述手机用户的行为周期和行为时间分割粒度,将所述采集所得手机用户使用移动互联网的时间信息进行预处理;
张量模型建立子模块303,用于基于所述时间信息经过预处理后的数据记录,通过张量构建、分解和重构对所述手机用户的行为进行分析,建立相应的张量模型。
附图3示例的张量模型建立子模块303可以包括构建单元401、分解单元402和重构单元403,如附图4所示本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置,其中:
构建单元401,用于基于所述时间信息经过预处理后的数据记录,构建四阶张量,所述四阶张量的四个维度分别表示用户、时间、地点和应用;
分解单元402,用于采用高阶奇异值分解方法,对所述四阶张量进行分解,得到核心张量;
重构单元403,用于根据所述核心张量,重新构建张量,所述重新构建的张量的元素表示所述手机用户在对应时间对应地点使用对应手机应用的概率。
附图4示例的分解单元402可以包括矩阵分解子单元501、截断子单元502和计算子单元503,如附图5所示本发明另一实施例提供的基于用户手机上网数据的用户行为预测装置,其中:
矩阵分解子单元501,用于对所述构建的四阶张量A分别沿四个维度展开成矩阵并进行奇异值分解,得到相应的四个左奇异值矩阵Vu、Vt、Vl和Vp;
截断子单元502,用于设置截断参数,对所述左奇异值矩阵的列向量进行截断处理得到新的矩阵Wu、Wt、Wl和Wp;
计算子单元503,用于根据所述四阶张量A和所述新的矩阵Wu、Wt、Wl和Wp,计算得到所述核心张量S,所述
附图3至附图5任一示例的预处理子模块302可以包括设置单元601和转换单元602,如附图6-a至附图6-b任一示例提供的基于用户手机上网数据的用户行为预测装置,其中:
设置单元601,用于设置所述手机用户的行为周期;
转换单元602,用于将时间戳表示的时间转换为所述行为周期中的时间,所述时间戳用于表示所述手机用户与服务器建立网络连接的时间。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的基于用户手机上网数据的用户行为预测方法和装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于用户手机上网数据的用户行为预测方法,其特征在于,所述方法包括:
根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录保存在服务器上,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;
对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为;
所述根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型包括:
采集所述手机用户使用移动互联网的数据记录;
通过设置所述手机用户的行为周期和行为时间分割粒度,将所述采集所得手机用户使用移动互联网的时间信息进行预处理;
基于所述时间信息经过预处理后的数据记录,通过张量构建、分解和重构对所述手机用户的行为进行分析,建立相应的张量模型;
所述通过设置所述手机用户的行为周期和行为时间分割粒度,将所述采集所得手机用户使用移动互联网的时间信息进行预处理包括:
设置所述手机用户的行为周期;
将时间戳表示的时间转换为所述行为周期中的时间,所述时间戳用于表示所述手机用户与服务器建立网络连接的时间。
2.根据权利要求1所述的方法,其特征在于,所述基于所述时间信息经过预处理后的数据记录,通过张量构建、分解和重构对所述手机用户的行为进行分析,建立相应的张量模型包括:
基于所述时间信息经过预处理后的数据记录,构建四阶张量,所述四阶张量的四个维度分别表示用户、时间、地点和应用;
采用高阶奇异值分解方法,对所述四阶张量进行分解,得到核心张量;
根据所述核心张量,重新构建张量,所述重新构建的张量的元素表示所述手机用户在对应时间对应地点使用对应手机应用的概率。
3.根据权利要求2所述的方法,其特征在于,所述采用高阶奇异值分解方法,对所述四阶张量进行分解,得到核心张量包括:
对所述构建的四阶张量A分别沿四个维度展开成矩阵并进行奇异值分解,得到相应的四个左奇异值矩阵Vu、Vt、Vl和Vp;
设置截断参数,对所述左奇异值矩阵的列向量进行截断处理得到新的矩阵Wu、Wt、Wl和Wp;
根据所述四阶张量A和所述新的矩阵Wu、Wt、Wl和Wp,计算得到所述核心张量S,所述
4.一种基于用户手机上网数据的用户行为预测装置,其特征在于,所述装置包括:
建模模块,用于根据手机用户使用移动互联网的数据记录,建立所述手机用户行为的张量模型,所述数据记录保存在服务器上,所述数据记录包括用户标识信息、时间信息、地点信息和行为信息;
行为预测模块,用于对于所述手机用户使用移动互联网的新的数据记录,结合所述张量模型,预测所述手机用户的行为;
所述建模模块包括:
采集子模块,用于采集所述手机用户使用移动互联网的数据记录;
预处理子模块,用于通过设置所述手机用户的行为周期和行为时间分割粒度,将所述采集所得手机用户使用移动互联网的时间信息进行预处理;
张量模型建立子模块,用于基于所述时间信息经过预处理后的数据记录,通过张量构建、分解和重构对所述手机用户的行为进行分析,建立相应的张量模型;
所述预处理子模块包括:
设置单元,用于设置所述手机用户的行为周期;
转换单元,用于将时间戳表示的时间转换为所述行为周期中的时间,所述时间戳用于表示所述手机用户与服务器建立网络连接的时间。
5.根据权利要求4所述的装置,其特征在于,所述张量模型建立子模块包括:
构建单元,用于基于所述时间信息经过预处理后的数据记录,构建四阶张量,所述四阶张量的四个维度分别表示用户、时间、地点和应用;
分解单元,用于采用高阶奇异值分解方法,对所述四阶张量进行分解,得到核心张量;
重构单元,用于根据所述核心张量,重新构建张量,所述重新构建的张量的元素表示所述手机用户在对应时间对应地点使用对应手机应用的概率。
6.根据权利要求5所述的装置,其特征在于,所述分解单元包括:
矩阵分解子单元,用于对所述构建的四阶张量A分别沿四个维度展开成矩阵并进行奇异值分解,得到相应的四个左奇异值矩阵Vu、Vt、Vl和Vp;
截断子单元,用于设置截断参数,对所述左奇异值矩阵的列向量进行截断处理得到新的矩阵Wu、Wt、Wl和Wp;
计算子单元,用于根据所述四阶张量A和所述新的矩阵Wu、Wt、Wl和Wp,计算得到所述核心张量S,所述
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310308868.3A CN104331404B (zh) | 2013-07-22 | 2013-07-22 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310308868.3A CN104331404B (zh) | 2013-07-22 | 2013-07-22 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331404A CN104331404A (zh) | 2015-02-04 |
CN104331404B true CN104331404B (zh) | 2018-05-01 |
Family
ID=52406133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310308868.3A Active CN104331404B (zh) | 2013-07-22 | 2013-07-22 | 一种基于用户手机上网数据的用户行为预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331404B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104951518B (zh) * | 2015-06-04 | 2018-06-05 | 中国人民大学 | 一种基于动态增量更新的上下文推荐方法 |
CN105095588B (zh) * | 2015-08-05 | 2018-07-03 | 中国联合网络通信集团有限公司 | 移动互联网用户投诉的预测方法和装置 |
CN105224623B (zh) * | 2015-09-22 | 2019-06-18 | 北京百度网讯科技有限公司 | 数据模型的训练方法及装置 |
CN106910078A (zh) * | 2015-12-22 | 2017-06-30 | 阿里巴巴集团控股有限公司 | 风险识别方法及装置 |
CN106056143B (zh) * | 2016-05-26 | 2019-08-27 | Oppo广东移动通信有限公司 | 终端使用数据处理方法和防沉迷方法及装置、系统和终端 |
CN106096000A (zh) * | 2016-06-22 | 2016-11-09 | 长江大学 | 一种基于移动互联网的用户旅行最优化推荐方法及系统 |
CN106294858A (zh) * | 2016-08-23 | 2017-01-04 | 成都天地网络科技有限公司 | 用于通话行为模式挖掘的大数据平台 |
KR101733458B1 (ko) * | 2016-11-01 | 2017-05-10 | 주식회사 코어사이트 | 게임 로그 분석 방법 |
CN106651016B (zh) * | 2016-12-13 | 2020-08-04 | 重庆邮电大学 | 一种热点话题下动态预测用户行为的系统及方法 |
CN109145932A (zh) * | 2017-06-28 | 2019-01-04 | 中兴通讯股份有限公司 | 用户性别预测方法、装置及设备 |
CN107682178A (zh) * | 2017-08-30 | 2018-02-09 | 国信优易数据有限公司 | 一种移动用户上网操作行为预测方法和装置 |
CN108267311A (zh) * | 2018-01-22 | 2018-07-10 | 北京建筑大学 | 一种基于张量分解的机械多维大数据处理方法 |
CN108932140A (zh) * | 2018-07-13 | 2018-12-04 | 重庆邮电大学 | 基于安卓用户行为习惯的清理后台应用程序的方法 |
CN110958600B (zh) * | 2018-09-26 | 2022-06-28 | 北京融信数联科技有限公司 | 基于轨迹相似性的区域人口中一机多卡用户数量判定方法 |
CN109857744B (zh) * | 2019-02-13 | 2020-03-20 | 上海燧原智能科技有限公司 | 稀疏张量计算方法、装置、设备及存储介质 |
CN109978627B (zh) * | 2019-03-29 | 2023-08-08 | 电子科技大学中山学院 | 一种面向宽带接入网用户上网行为大数据的建模方法 |
CN111798260A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 用户行为预测模型构建方法、装置、存储介质及电子设备 |
CN110334618B (zh) * | 2019-06-21 | 2022-08-05 | 河海大学 | 基于稀疏张量局部Fisher判别分析算法的人体行为识别方法 |
CN111193618B (zh) * | 2019-12-20 | 2021-05-25 | 山东大学 | 一种基于张量计算的6g移动通信系统及其数据处理方法 |
CN111148045B (zh) * | 2019-12-30 | 2022-02-11 | 中国联合网络通信集团有限公司 | 用户行为周期提取方法及设备 |
CN111523032A (zh) * | 2020-04-22 | 2020-08-11 | 贝壳技术有限公司 | 确定用户偏好的方法、装置、介质和电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8095589B2 (en) * | 2002-03-07 | 2012-01-10 | Compete, Inc. | Clickstream analysis methods and systems |
CN102238045A (zh) * | 2010-04-27 | 2011-11-09 | 广州迈联计算机科技有限公司 | 一种无线互联网用户行为的预测系统和方法 |
CN102006174B (zh) * | 2010-11-08 | 2015-01-28 | 中兴通讯股份有限公司 | 基于手机用户上网行为的数据处理方法及装置 |
-
2013
- 2013-07-22 CN CN201310308868.3A patent/CN104331404B/zh active Active
Non-Patent Citations (3)
Title |
---|
A Multilinear Singular Value Decomposition;LIEVEN DE LATHAUWER etal.;《SIAM journal on Matrix Analysis and Applications》;20000418;第21卷(第4期);第1253-1278页 * |
ETF: Extended Tensor Factorization Model for Personalizing Prediction of Review Helpfulness;Samaneh Moghaddam etal.;《Proceedings of the fifth ACM international conference on Web search and data mining》;20121231;第2012年卷;第163-172页 * |
基于数据挖掘的手机上网用户偏好应用模型和套餐升舱模型研究;易红;《中国优秀硕士学位论文全文数据库信息科技辑》;20130115;第2013年卷(第1期);I138-1137 * |
Also Published As
Publication number | Publication date |
---|---|
CN104331404A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331404B (zh) | 一种基于用户手机上网数据的用户行为预测方法和装置 | |
Zheng et al. | Big data-driven optimization for mobile networks toward 5G | |
CN103473291B (zh) | 一种基于隐语义概率模型的个性化服务推荐系统及方法 | |
CN103023977B (zh) | 基于位置信息的推荐系统及推荐方法 | |
CN109408724A (zh) | 多媒体资源预估点击率的确定方法、装置及服务器 | |
CN104143005B (zh) | 一种相关搜索系统及方法 | |
CN104239327B (zh) | 一种基于位置信息的移动互联网用户行为分析方法及装置 | |
CN104423621A (zh) | 拼音字符串处理方法和装置 | |
CN105426502A (zh) | 基于社交网络的人物信息搜索与关系网绘制的方法 | |
CN103812671B (zh) | 一种通信业务用户感知度评估方法及系统 | |
CN104778231B (zh) | 一种地理区域的特征识别方法和装置 | |
CN103001805A (zh) | 基于用户行为分析的web用户流量产生方法 | |
CN113412608B (zh) | 内容推送方法、装置、服务端及存储介质 | |
CN107357903A (zh) | 用户行为数据整合方法、装置及电子设备 | |
CN112232889A (zh) | 一种用户兴趣画像扩展方法、装置、设备及存储介质 | |
CN104270654B (zh) | 互联网视频播放监测方法和装置 | |
CN114637911B (zh) | 一种注意力融合感知网络的下一个兴趣点推荐方法 | |
CN110213774A (zh) | 一种基于神经网络的5g网络自动评估系统、方法及装置 | |
Hussain et al. | A hierarchical cluster based preprocessing methodology for Web Usage Mining | |
CN115860179B (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
CN107547626B (zh) | 用户画像的共享方法和装置 | |
Papadimitriou et al. | Geo-social recommendations | |
CN106599234A (zh) | 基于多维标识的数据可视化处理方法和系统 | |
CN106372158A (zh) | 用户行为数据的处理方法及装置 | |
CN106101831A (zh) | 视频向量化方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |