CN104834967A - 泛在网络下基于用户相似度的业务行为预测方法 - Google Patents

Abstract

本发明公开了一种泛在网络下基于用户相似度的业务行为预测方法，以实现无线泛在环境下用户行为规律的有效挖掘及预测，本发明首先研究基于兴趣度的用户行为挖掘算法，实现用户基本群集的完备构建与聚类形成；进而研究用户群集的行为规律，组合形成用户个体的行为规律；再而研究基于可变阶Markov链预测模型，建立整体理论模型的完整数学描述，实现模型的求解，从而准确预测用户行为的业务状态，为业务的个性化定制、最佳业务的推荐、以及未来网络的规划与建设等提供决策依据。

Description

泛在网络下基于用户相似度的业务行为预测方法

技术领域

本发明涉及一种对用户行为进行数据挖掘和基于多markov链的用户行为预测方法，属于无线通信技术领域。

背景技术

无线泛在网络已经是公认的无线移动网络的未来发展方向，无线泛在网络指将现有的无线通信网，有线网络，各种专用网络以及基于无线传感器的网络加以融合。它可以在异构的环境下提供无处不在的通信服务，并提供基于环境感知的业务。无线泛在网络呈现出网络异构化、终端模块化和环境化、计算泛在化、业务个性化等特点。其中业务个性化是指以用户需求为中心，以用户行为为出发点，分析用户兴趣习惯、行为特征、业务需求等，面向用户提供个性化的业务定制服务，提供无所不在的应用与业务。因此无线业务研究直接面向用户、面向需求，已经成为无线泛在网络研究的重要组成部分。

进入21世纪以来，互联网技术发展迅速，创新层出不穷，无线业务资源也随之呈现爆炸式增长的态势，如何从海量无线业务数据中，快速高效的获取适合用户的业务，使得用户获得较高的用户体验，成为了关注的重点领域。未来的无线网络将以用户为中心，业务的产生直接源于用户的需求，用户的业务行为决定了其业务分布。此外，无线泛在环境下的用户行为分析和网络本身的性能是息息相关的，用户是网络服务的主体，适应用户行为的网络体系才能实现无线资源的最优配置。用户行为显著影响网络性能，而网络应用也必须建立在深刻了解用户行为的基础上。因此，在未来网络的发展进程中，研究用户的行为特征，也促进了业务泛在化、网络异构化、终端自组织的新一代网络体系形成与发展。

在无线网络下，移动智能终端的业务应用更多的是面向大众的共有体验，而不是针对于某一个用户的“个性化体验”。因此，业务个性化的研究已经成为当今无线业务发展的新热点，甚至将成为运营商新的营销理念和趋势。由于网络信息呈现出的多样化，互联网用户规模、成分的扩大，用户在无线网络中的业务行为也变得越来越复杂。因此，将通过收集和分析用户的隐性行为数据，并在此基础上对用户兴趣偏好进行预测并进行推荐，从而提高对无线业务的体验度。

在无线业务预测技术中，Markov模型是一种简单且有效的模型。由于Markov链具有无后效性的特点，目前大多采用Markov模型理论对用户行为进行预测。Markov预测模型(马尔科夫预测理论)是以Markov模型为理论基础，通过对某类问题的历史状态持续感知与学习，并结合当前的状态信息，实现对该类问题未来状态的预测。可变阶Markov预测模型，在用户行为序列的选择上实现变阶，使得模型更具灵活性和动态性，提高预测准确度。马尔科夫预测理拥有预测准确率高，预测覆盖率高等优点。随着马尔科夫预测理论的发展和完善，Markov预测在自然科学，工程实践等得到越来越广泛的运用。

有研究表明，社交网络中的用户属性和互动信息未能重复利用，推荐效率和准确度偏低。可见现有的算法难以满足日益复杂的社交网络的推荐需求。用户行为具有群集特性，属于同一群集的用户具有类似的生活规律、行为方式乃至思维方式，其业务分布呈趋同的规律，发起相同的业务请求。因此，应引入新的用户相似度的概念，重新定义网络业务中相似度属性，相似度构成及其计算算法，从而有效的对业务行为进行预测推荐。

发明内容

为了解决上述无线泛在环境下用户行为规律的有效挖掘及预测的问题，本发明提供了一种泛在网络下基于用户相似度的业务行为预测方法，考虑基于业务的用户行为差异，对无线网络中的用户业务行为进行学习和预测，可有效地提高预测的准确性，适用于网络决策中。

本发明具体采用了如下的技术方案：

1、感知获取用户在无线网络下的用户历史行为状态数据及用户自身特征，其中，用户的历史行为状态是指用户在过去时刻所使用业务的类别；

用户的自身特征是指用户自身的属性，如性别、年龄、职业等。

2、基于业务支持度的相似度计算

根据用户的历史行为状态分析用户的业务支持度(即用户对某种业务的偏好程度)，采用余弦相似性计算方法，结合用户业务支持度建立用户相似度函数，产生最近邻居用户集；

3、基于用户兴趣度的相似度计算

设定权值，将上个步骤得到的用户相似度函数进一步优化，使得用户群的生成更为精确；考虑用户兴趣度(基于用户的年龄层次、文化背景、兴趣爱好等因素导致的对某些业务的偏好)的时效性，及时更新用户的自身特征。实现用户基本群集的完备构建与聚类形成；研究用户群集的行为规律，进而组合形成用户个体的行为规律；

4、多Markov链模型预测

根据用户群集，产生预测序列形成多Markov链，为每个用户群集设立单独的Markov模型，对目标用户使用可变阶Markov模型进行序列预测，以预测未来状态；建立整体理论模型的完整数学描述，实现模型的求解，从而准确预测用户的业务行为状态；在相似用户群上建立多Markov链能获得很好的预测效果，克服了单Markov链聚类带来的巨大时间花费和空间花费，为业务的个性化定制、最佳业务的推荐、以及未来网络的规划与建设等提供决策依据。

进一步，步骤2的基于业务支持度的相似度计算具体为：

定义用户m对某类业务i的支持度u_m,i如公式(1)所示，其中t_m,i表示用户m对业务i的时间支持度，f_m,i表示用户m对业务i的频率支持度，如公式(2)所示；

$u_{m,i}=\sqrt{t_{m,i}^2+f_{m,i}^2}---\left(1\right)$

$\begin{array}{cc}{t}_{m,i}=\frac{\underset{t_i,\∈T_i}{\mathrm{\Σ}}{t}_i}{\underset{T_i\∈T}{\mathrm{\Σ}}\underset{t_i\∈T_i}{\mathrm{\Σ}}},& f_{m,i}=\frac{\underset{f_i\∈F_i}{\mathrm{\Σ}}{f}_i}{\underset{F_i\∈F}{\mathrm{\Σ}}\underset{f_i\∈F_i}{\mathrm{\Σ}}{f}_i}---\left(2\right)\end{array}$

考虑业务支持度的影响因素包括使用时间t(一天内该业务的使用时间)和使用频率f(每一天使用该业务的次数)，那么，两个用户间相似度(基于业务支持度)公式可表示如下：

${\mathrm{Sim}}_u(m_1,m_2)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_2,i}^2}}---\left(3\right)$

其中：u_m,i表示用户m对i类业务的支持度。

进一步，步骤3的基于用户兴趣度的相似度计算具体为：

无线网络中的用户行为会受用户年龄层次、文化背景、兴趣爱好等多种因素影响，因此在计算用户的相似性中，加入了基于用户兴趣度的相似度计算，即根据用户在年龄、性别、职业、所在地等特征差异，通过特征相似性计算，可将其有效地归类：

d_mj表示为用户m的第j个特征，若用户m₁和用户m₂第j个特征值相同，记为1，反之记为0。如公式(4)所示：

$d_{m_{1}j}\⊕d_{m_{2}j}=\left\{\begin{array}{cc}1& d_{m_{1}j=d_{m_{2}j}}\\ 0& d_{m_{1}j}\≠d_{m_{2}j}\end{array}\right.---\left(4\right)$

p为特征值个数，则用户m₁和用户m₂用户特征匹配率如公式(5)所示：

$\mathrm{Cha}(m_1,m_2)=\frac{\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{d}_{m_{1}j}\⊕d_{m_{2}j}}{p}---\left(5\right)$

运用结合业务支持度和用户兴趣度的相似性计算方法，以Cha(m₁,m₂)为权值，加权到用户相似性式Sim(m₁,m₂)中，得到改进的基于用户特征的用户相似Sim(m₁,m₂)，计算公式(6)可表示如下：

$\mathrm{Sim}(m_1,m_2)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}\mathrm{Cha}(m_1,m_2)r}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}^2\mathrm{Cha}(m_1,m_2)r}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_2,i}^2\mathrm{Cha}(m_1,m_2)r}}---\left(6\right)$

其中：Sim_u(m₁,m₂)表示用户m₁和用户m₂的业务支持度相似度；Cha(m₁,m₂)表示用户m₁和用户m₂兴趣度的匹配程度，r为权重，r∈[0,1]。

进一步，步骤4的多Markov链模型预测具体为：

引入基于用户相似度的Markov预测算法：一个用户可隶属多个用户群中，用C＝{c₁,c₂,...,c_k}表示用户群的集合，k表示用户群的个数(k≤q)，任意一个用户属于用户群c_k的概率P(C＝c_k)定义为用户a与用户群c_k中用户t的相似度占该用户与所有用户的相似度之和的比例，如公式(7)所示：

$P(C=c_k)=\frac{\mathrm{Sim}(a,t_k)}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Sim}(a,t_k)},$ 且有 $\underset{i=1}{\overset{N}{\mathrm{\Σ}}}P(C=c_i)=1.---\left(7\right)$

由此建立Markov链mc_k的转移矩阵A_k，设H(t)＝[P(X_t＝x₁),P(X_t＝x₂),...,P(X_t＝x_m)]，H(t)中的每一维表示用户使用不同业务的概率，则用户群c_k中任一用户在时刻t的行为状态概率向量表示为公式(8)：

H(t)＝H(t-1)×A_k×P(C＝c_k)  (8)

H(t)中概率最大一维所对应的状态就是所预测用户在时刻t的行为状态。由此针对其进行用户行为预测建模，可有效的提高用户行为学习及预测的效率。

通过采用上述技术方案，本发明能够取得如下的技术效果：

本发明提出了基于用户相似度的业务行为预测算法，通过对用户进行聚类形成用户群，以及可变阶多Markov模型对业务行为进行预测，从而有效提高预测算法的准确性；根据用户的相似度对用户的行为信息进行数据挖掘，可实现用户基本群集的完备构建与聚类形成，有利于提高预测模型的效率；可变长多Markov模型在用户行为序列的选择上实现了变阶，使得模型更具灵活性和动态性，预测准确度高，在相似用户群上建立多Markov链可以克服单Markov链聚类带来的巨大时间花费和空间花费；本发明方法通过准确预测用户的业务行为状态，可为业务的个性化定制、最佳业务的推荐、以及未来网络的规划与建设等提供决策依据，并且易于实现，具有很好的应用前景。

附图说明

图1是用户行为状态序列示意图。

图2是无线网络下用户特征标签示意图。

图3是本发明方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

本实施例根据网络资源占用情况将泛在网络下的业务行为分为4类：下载类(FTP连续下载、网络视频、BT下载等)、较大速率突发类(Http网页访间、微博等)、较小速率突发类(QQ、微信文字聊天等)会话类(QQ视频、视频会议、网络电话等)。

用户在一段时间内即可产生4进制业务行为序列。训练行为序列用于预测下时段可能发生的行为，从而判定业务类型，即可选择适合的网络资源为用户提供高质量的业务。该方案融合了基于用户相似的的数据挖掘方法和可变阶Markov多模型预测方法，有效地提高了业务行为预测的准确性。

本发明主要包括两个内容：一是计算用户的相似度对用户的行为信息进行数据挖掘，从而实现用户基本群集的完备构建与聚类形成；二是序列预测，采用可变长Markov模型预测方法。

1.基于业务支持度的相似度计算

无线网络中用户行为是基于业务的。因此将无线网络下的业务行为类型分为较大速率突发类、下载类、较小速率突发类、会话类分别标记为{0,1,2,3}业务。如图1所示，网页浏览为较大速率突发类业务，电视会议为会话类业务，下载、看视频为下载类业务等。用户即可产生4进制序列，

t_m,i表示用户m对i类业务的时间支持度，f_m,i表示用户m对i类业务的频率支持度，考虑业务支持度的影响因素包括使用时间t(一天内该业务的使用时间)和使用频率f(每一天使用该业务的次数)。假使用户m一天在线6小时，有4小时在看视频(第1类业务)，频率为3次，总频率为6次，则 用户n一天在线8小时，有3小时在看视频，频率为1次，总频率为6次，则 用户m和用户n对下载类业务的支持度分别为

那么，两个用户间相似度(基于业务支持度)可表示如下：

${\mathrm{Sim}}_u(m_1,m_2)=\frac{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}}{\sqrt{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_1,i}^2}\sqrt{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_2,i}^2}}$

其中：l表示业务种类数，u_m,i表示用户m对i类业务的支持度。

2.基于用户兴趣度的相似度计算

无线网络中的用户行为会受用户年龄层次、文化背景、兴趣爱好等多种因素影响。如图2所示，从行为维度及自身维度两个维度描绘用户行为特征。因此，在计算用户的相似性中，加入了基于用户兴趣度的相似度计算。根据用户在年龄、性别、职业、所在地等特征差异，通过特征相似性计算，可将其有效地归类。

年龄特征划分:青少年：7-16岁；青年17-25岁；中青年：26-39岁；中年40-5岁；老年：55岁以上，分别记为{a,b,c,d,e}；性别特征划分：男女分别记为{M,F}；职业特征划分：学生，白领，商人，工人等等，记为{1,2,3,4}；学历特征划分：初中及以下，高中，大专本科，硕士及以上，记为{h,i,g,k}

将m,n,2个用户的4个用户特征表示为矩阵形式的D。

$D=\left[\begin{array}{ccccc}{d}_{11}& d_{12}& \·\·\·& \·\·\·& d_{1k}\\ d_{21}& & & & \\ & & & & \·\·\·\\ \·\·\·& & & \·\·\·& d_{m-1p}\\ d_{m1}& & \·\·\·& d_{\mathrm{mp}-1}& d_{\mathrm{mk}}\end{array}\right]$

$d_{m_{1}j}\⊕d_{m_{2}j}=\left\{\begin{array}{cc}1& d_{m_{1}j=d_{m_{2}j}}\\ 0& d_{m_{1}j}\≠d_{m_{2}j}\end{array}\right.$

若用户m₁和用户m₂第j个特征值相同，记为1，反之记为0。p为特征值个数，则用户m₁和用户m₂用户特征匹配率表示为：

$\mathrm{Cha}(m_1,m_2)=\frac{\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{d}_{m_1,j}\⊕d_{m_{2}j}}{p}$

本文运用结合用户业务支持度和用户兴趣度的相似性计算方法，以Cha(m₁,m₂)为权值，加权到用户相似性式Sim(m₁,m₂)中，得到改进的基于用户特征的用户相似Sim(m₁,m₂)，计算公式可表示如下：

$\mathrm{Sim}(m_1,m_2)=\frac{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}\mathrm{Cha}(m_1,m_2)r}{\sqrt{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_1,i}^2\mathrm{Cha}(m_1,m_2)r}\sqrt{\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{u}_{m_2,i}^2\mathrm{Cha}(m_1,m_2)r}}$

其中：Sim_u(m₁,m₂)表示用户m₁和用户m₂的业务支持度相似度；Cha(m₁,m₂)表示用户m₁和用户m₂兴趣度的匹配程度，r为权重，r∈[0,1]。则m个用户俩俩之间的相似度矩阵如下：

$\mathrm{Sim}=\left[\begin{array}{cccc}\mathrm{Sim}\left(\mathrm{1,1}\right)& \mathrm{Sim}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{Sim}(1,m)\\ \mathrm{Sim}\left(\mathrm{2,1}\right)& & & \mathrm{Sim}(2,m)\\ & & & \\ & & & \\ \mathrm{Sim}(m,1)& & \·\·\·& \mathrm{Sim}(m,m)\end{array}\right]$

根据用户a、用户相似度矩阵Sim，选择与用户a相似度最高的q个用户组成最近邻居用户集NBS_t。用户相似性加入用户特征，体现相关用户在相似用户中的比重，使生成的最近邻居用户集NBS_t更加准确。

3.多markov链模型预测

通过上述的用户聚类，形成用户群。同一个用户群具有相同或相似的用户行为特征，并且其用户行为顺序是一个特殊的随机过程——齐次离散Markov链。因此在用户行为分类的基础上，建立基于多Markov链的用户行为预测模型。

建立多Markov预测模型的步骤：

1)通过计算用户行为、特征的相似度，寻找最近邻居用户集方法对用户行为进行分类，将q个用户分为k个用户群。

2)一个用户可隶属多个用户群中，用C＝{c₁,c₂,...,c_k}表示用户群的集合，k表示用户群的个数(k≤q)，任意一个用户属于用户群c_k的概率P(C＝c_k)定义为预测用户a与用户群c_k中用户t的相似度占该用户与所有用户的相似度之和的比例，即

$P(C=c_k)=\frac{\mathrm{Sim}(a,t_k)}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Sim}(a,t_k)},$ 且有 $\underset{i=1}{\overset{N}{\mathrm{\Σ}}}P(C=c_i)=1.$

3)确定多Markov链的转移矩阵，A_k表示第k个Markov链的转移概率矩阵：

$A_k={\left(p_{\mathrm{ki},j}\right)}_{n\×n}\left[\begin{array}{cccc}{p}_{k11}& p_{k12}& \·\·\·& p_{k1n}\\ p_{k21}& p_{k22}& \·\·\·& p_{k2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ p_{\mathrm{kn}1}& p_{\mathrm{kn}2}& & p_{\mathrm{knn}}\end{array}\right]$

4)当前用户在t时刻的用户行为用状态概率向量表示:

H(t)＝[P(X_t＝x₁),P(X_t＝x₂),...,P(X_t＝x_m)]

若时刻t-1该用户历史行为状态为x_i，则表示为H(t-1)＝[0,0,...,1,0,...0]。即该向量的第i维为1，其余各维值为0。通过用户群c_k中用户a历史行为序列，计算出该Markov链mc_k的转移矩阵A_k，用户群c_k中任一用户在时刻t的行为状态概率向量表示为：

H(t)＝H(t-1)×A_k×P(C＝c_k)

P(C＝c_k)为该用户隶属于用户群c_k的概率，H(t)中概率最大一维对应的状态就是所预测的用户在时刻t的行为状态。

本发明即基于用户相似度的业务行为预测算法具体的流程图如图3所示，实现过程如下：

第一步，感知获取用户在无线网络下的用户行为数据，以及用户自身特征如年龄、性别、学历、职业等。

第二步：分别计算基于业务支持度的用户相似度以及基于用户兴趣度的用户相似度；

第三步：根据步骤2计算用户之间的相似度，形成最近邻居用户集，即产生用户群；

第四步：根据形成的用户群，产生预测用户的行为序列，形成多Markov链

第五步：对Markov序列采用可变阶markov模型，进行序列预测，以预测未来状态

第六步：形成预测序列，用于规划网络资源，为业务商提供业务推荐。

本发明不限于上述实施例，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，一切采用等同替换或等效替换形成的技术方案均属于本发明要求保护的范围。

Claims (4)

1.一种泛在网络下基于用户相似度的业务行为预测方法，其特征在于，包括如下步骤：

获取用户的历史行为状态及用户自身特征的步骤；

基于业务支持度的相似度计算的步骤：根据用户的历史行为状态分析用户的业务支持度，结合用户业务支持度建立用户相似度函数，产生最近邻居用户集；

基于用户兴趣度的相似度计算的步骤：设定权值，将上个步骤得到的用户相似度函数进一步优化，并实现用户基本群集的完备构建与聚类形成；

多Markov链模型预测的步骤：根据用户群集，产生预测序列形成多Markov链，为每个用户群集设立单独的Markov模型，对目标用户使用可变阶Markov模型进行序列预测。

2.根据权利要求1所述的方法，其特征是所述基于业务支持度的相似度计算的步骤具体为：

定义用户m对某类业务i的支持度u_m,i，其中t_m,i表示用户m对业务i的时间支持度，f_m,i表示用户m对业务i的频率支持度，

$t_{m,i}=\frac{\underset{t_i\∈T_i}{\mathrm{\Σ}}{t}_i}{\underset{T_i\∈T}{\mathrm{\Σ}}\underset{t_i\∈T_i}{\mathrm{\Σ}}},f_{m,i}=\frac{\underset{f_i\∈F_i}{\mathrm{\Σ}}{f}_i}{\underset{F_i\∈F}{\mathrm{\Σ}}\underset{f_i\∈F_i}{\mathrm{\Σ}}{f}_i}$

两个用户间相似度公式为：

${\mathrm{Sim}}_u(m_1,m_2)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_2,i}^2}}$

3.根据权利要求1或2所述的方法，其特征是，所述基于用户兴趣度的相似度计算的步骤具体为：

根据用户自身特征差异，通过特征相似性计算，将其归类为：

d_mj表示为用户m的第j个特征，若用户m₁和用户m₂第j个特征值相同，记为1，反之记为0，公式为：

$d_{m_{1}j}\⊕d_{m_{2}j}=\left\{\begin{array}{cc}1& d_{m_{1}j}=d_{m_{2}j}\\ 0& d_{m_{1}j}\≠d_{m_{2}j}\end{array}\right.$

p为特征值个数，则用户m₁和用户m₂用户特征匹配率公式为：

$\mathrm{Cha}(m_1,m_2)=\frac{\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{d}_{m_{1}j}\⊕d_{m_{2}j}}{p}$

运用结合业务支持度和用户兴趣度的相似性计算方法，以Cha(m₁,m₂)为权值，加权到用户相似性式Sim(m₁,m₂)中，得到改进的基于用户特征的用户相似Sim(m₁,m₂)，公式为：

$\mathrm{Sim}(m_1,m_2)=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}{u}_{m_2,i}\mathrm{Cha}(m_1,m_2)r}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_1,i}^2\mathrm{Cha}(m_1,m_2)r}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{m_2,i}^2\mathrm{Cha}(m_1,m_2)r}}$

其中：Sim_u(m₁,m₂)表示用户m₁和用户m₂的业务支持度相似度；Cha(m₁,m₂)表示用户m₁和用户m₂兴趣度的匹配程度，r为权重，r∈[0,1]。

4.根据权利要求1或2所述的方法，其特征是，所述多Markov链模型预测的步骤具体为：

引入基于用户相似度的Markov预测算法：一个用户可隶属多个用户群中，用C＝{c₁,c₂,...,c_k}表示用户群的集合，k表示用户群的个数(k≤q)，任意一个用户属于用户群c_k的概率P(C＝c_k)定义为用户a与用户群c_k中用户t的相似度占该用户与所有用户的相似度之和的比例，公式为：

$P(C=c_k)=\frac{\mathrm{Sim}(a,t_k)}{\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Sim}(a,t_k)},$ 且有 $\underset{i=1}{\overset{N}{\mathrm{\Σ}}}P(C=c_i)=1$

由此建立Markov链mc_k的转移矩阵A_k，设H(t)＝[P(X_t＝x₁),P(X_t＝x₂),...,P(X_t＝x_m)]，H(t)中的每一维表示用户使用不同业务的概率，则用户群c_k中任一用户在时刻t的行为状态概率向量表示为公式：

H(t)＝H(t-1)×A_k×P(C＝c_k)

H(t)中概率最大一维所对应的状态就是所预测用户在时刻t的行为状态，针对其进行用户行为预测建模。