CN106528804B - 一种基于模糊聚类的用户分群方法 - Google Patents

Abstract

本发明公开了一种基于模糊聚类的用户分群方法，该方法首先通过对当前的用户相似度算法进行改进，使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用，使得划分在同一群体中的用户相似度更高且更为合理；其次，提出一种基于划分的群组个数与初始群组中心的确定方法，该方法通过对数据集进行划分，统计每个网格中数据点数目作为网格中的数据密度，通过计算局部密度最大的网格的个数来确定群组的个数，从而减少确定群组个数时的盲目性。最后，在用户群体划分过程中采用模糊隶属度，使用户以不同的隶属度同时属于多个不同的群组，在划分过程中保持了用户归属的模糊性，更加符合真实情况。

Description

一种基于模糊聚类的用户分群方法

技术领域

本发明涉及一种基于模糊聚类的用户分群方法，属于数据挖掘技术领域。

背景技术

随着移动互联网的发展和普及，移动互联网己成为人们获取各种信息和资源的重要媒介，使得用户能够通过移动智能终端，随时，随地，随心的使用自己感兴趣的相关业务。显然，移动互联网和智能终端极大地改变了人们的生活、工作和娱乐方式。

然而，一方面，面对网络上浩瀚如海的信息，用户虽然拥有更多选择，但同时也需要花费更多的时间和精力来获得自己想要的信息，大大降低了用户的使用体验。另一方面，由于用户行为具有群集特性，属于同一群集的用户往往具有类似的行为规律、兴趣爱好等，通过对用户进行群组划分，构建用户群，利用用户群中的相似用户来对目标用户进行预测，可有效地帮助用户发现其潜在感兴趣的业务或内容。

用户的行为习惯以及兴趣爱好都可以在对移动终端的操作中表现出来，因此，通过对用户的行为习惯及兴趣爱好进行分析，对用户群体进行划分，利用相似用户帮助目标用户更快地找到所感兴趣的资源已成为当前研究的热点。

发明内容

本发明所要解决的技术问题是提供一种基于模糊聚类的用户分群方法。该方法首先通过对当前的用户相似度算法进行改进，使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用，使得划分在同一群体中的用户相似度更高且更为合理；其次，提出一种基于划分的群组个数与初始群组中心的确定方法，该方法通过对数据集进行划分，统计每个网格中数据点数目作为网格中的数据密度，通过计算局部密度最大的网格的个数来确定群组的个数，从而减少确定群组个数时的盲目性。最后，在用户群体划分过程中采用模糊隶属度，使用户以不同的隶属度同时属于多个不同的群组，在划分过程中保持了用户归属的模糊性，更加符合真实情况。

本发明为解决上述技术问题采用以下技术方案：

本发明提出的一种基于模糊聚类的用户分群方法，所述用户根据其业务兴趣指标值进行描述，即第i个用户u_i＝{u_i1,u_i2,…,u_ip}，其中，u_i为第i个用户，i＝1,2,…,m，m为待分群用户数，u_is为第i个用户对第s个业务的业务兴趣指标值，s＝1,2,…,p，p为业务数。

一种基于模糊聚类的用户分群方法包括以下具体步骤：

步骤1，确定用户分群的群组个数与初始群组中心，具体为：

1.1，以业务数为维度，建立包括所有用户以及每个用户对每个业务兴趣指标值的数据集；

1.2，令t＝2；

1.3，将1.1中的数据集的每一维等分为t个网格，统计落入每个网格中的用户数；

1.4，遍历所有网格，搜索局部极大值网格并统计局部极大值网格数k_t，其中，局部极大值网格为落入其中的用户数大于其相邻网格的网格，k_t为等分t个网格时的局部极大值网格个数；

1.5，若则执行1.6，否则令t＝t+1，返回1.3；

1.6，遍历统计得到的局部极大值网格数，选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数，每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值；

步骤2，分别计算每个用户对每个群组的隶属度，并优化每个群组的群组中心，具体为：

2.1，第i个用户对第l个群组的隶属度其中，T_il为第i个用户对第l个群组的群组中心的相似度，K为群组个数；

2.2，构建检测函数并计算群组中心优化前的检测函数值；其中，U表示待分群用户集合，且U＝{u₁,u₂,...,u_m}，Q表示群组中心集合，且Q＝{Q₁,Q₂,...,Q_K}；

2.3，对每个群组的群组中心进行优化，优化后的群组中心Ql＝(q_l1,q_l2,…,q_lp)，其中，第l个群组中心Q_l对第s个业务的业务兴趣指标值

2.3，若优化后的群组中心与优化前的群组中心相同或群组中心优化前和优化后检测函数值之差小于设定阈值，则进入步骤3，否则返回2.1；

步骤3，根据实际分群需要以及群组中心优化后每个用户对每个群组的隶属度大小，实现用户分群。

作为本发明的进一步优化方案，步骤2中利用kendall相关系数计算第i个用户对第l个群组的群组中心的相似度。

作为本发明的进一步优化方案，第i个用户对第l个群组的群组中心的相似度T_il＝T_il ^s+T_il ^d，其中，T_il ^s为第i个用户和第l个群组中心对任一对业务(x,y)偏好一致时的相似度，偏好系数T_il ^d为第i个用户和第l个群组中心对任一对业务(x,y)偏好不一致时的相似度，偏好系数

作为本发明的进一步优化方案，步骤2中至少优化2次每个群组的群组中心。

作为本发明的进一步优化方案，步骤2中至少优化3次每个群组的群组中心。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明一种基于模糊聚类的用户分群方法，首先通过对当前的用户相似度算法进行改进，使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用，划分在同一群体中的用户相似度更高且更为合理；其次，通过对数据集进行划分，统计每个网格中数据点数目作为网格中的数据密度，通过计算局部密度最大的网格的个数来确定群组的个数，从而减少选择群组个数时的盲目性。最后，在用户群体划分过程中采用模糊隶属度，使用户以不同的隶属度同时属于多个不同的群组，在划分过程中保持了用户归属的模糊性，更加符合真实情况。

附图说明

图1是基于模糊聚类的用户分群算法执行流程示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明主要包括三个内容：一是通过对当前的用户相似度算法进行改进，使得改进后的用户相似度算法具有区分不同数量级大小的数据的作用；二是通过对数据集进行划分，统计每个网格中数据点数目作为网格中的数据密度，通过计算局部密度最大的网格的个数来确定群组的个数，从而减少选择群组个数时的盲目性。三是在用户群体划分过程中采用模糊隶属度，使用户以不同的隶属度同时属于多个不同的群组，在划分过程中保持了用户归属的模糊性。

一、对当前的用户相似度算法进行改进

假设用户被描述为具有p个业务兴趣指标，则每个用户u_i可以被描述为：u_i＝{u_i1,u_i2,…,u_ip}，i＝1,2,…,m，m为待分群用户数。为判断用户之间对同一个业务对的偏好是否一致，定义一个指示函数pre，则对于任意两个业务x和y，pre满足如下定义：

当第i个用户u_i和第j个用户u_j对业务x与y偏好一致时，pre_ij(x,y)＝1；偏好不一致时，pre_ij(x,y)＝-1。

根据对pre的定义，利用kedall相关系数的定义计算用户u_i和u_j的相似度为：

T_ij的取值范围为(-1，1)，T_i,j的值越大表示用户之间的相似度越高。

然而，kendall只是考虑了用户间业务偏好的一致性，而没有考虑用户对不同业务的偏好程度。例如，假设用户u_i和u_j对业务1和业务2的兴趣指标分别是u_i(10,120)和u_j(80,120)，由业务兴趣指标可知，两位用户的业务偏好都是相比业务1更喜欢业务2，从偏好程度上来说则是用户u_i不太喜欢业务1，却非常喜欢业务2，而用户u_j虽对两类业务都喜欢，但相比还是更喜欢业务2多一些。因此用户u_i和u_j相比，相对于业务1而言偏好业务2的程度更深。

为了能够表示出用户对不同业务的偏好程度，本发明中引入一个偏好系数α_ij(x,y)，偏好系数α_ij(x,y)定义如下：

偏好系数α_ij(x,y)虽然可以区分用户对不同业务的偏好程度，但依然存在一些问题。例如，假设用户u_i和u_j对业务1和业务2的兴趣指标分别是u_i(0,50)和u_j(100,150)，此种情况下用户u_i和u_j的偏好是一致的，然而明显用户u_i更偏好后者，而u_j对两者都比较喜爱，因此原始的α_ij(x,y)无法区分数据数量级的能力，因此，在原来的基础上，在α_ij(x,y)的公式中引入各自业务对的兴趣指标的和，形成如下的α_ij(x,y)公式：

同时，针对用户不一致的业务偏好，本发明还引入一个系数β_ij(x,y)用来反映用户u_i和u_j业务偏好不一致的程度，考虑到用户业务对的兴趣指标差别越大，不一致的程度应该越大，因此，将β_ij(x,y)定义如下：

例如：u_i(10,30)，u_j(50,20)则差异度为6/28，而u_i(10,30)，u_j(80,20)的差异度为3/10，而u_i(0,100)与u_j(100,0)的相异度为1。因此β_ij(x,y)具备区分相异度大小的作用。

因此，定义改进的kendall相关系数即用户u_i和u_j的相似度为：

T_ij＝T_ij ^s+T_ij ^d

其中，T_ij ^s为用户u_i和u_j对任何一对业务(x,y)偏好一致时，用户u_i和u_j之间的相似度，其计算公式定义如下：

其中，pre^s _ij(x,y)为当用户u_i和u_j的同样的一对业务(x,y)偏好一致时为1，不一致时为0。α_ij(x,y)为偏好系数，表示用户u_i和u_j用户对同样的一对业务(x,y)偏好一致的程度。

T_ij ^d为用户u_i和u_j对任何一对业务(x,y)偏好不一致时，用户u_i和u_j之间的相似度，其计算公式定义如下：

其中，pre^d _ij(x,y)为当用户u_i和u_j对同样的一对业务(x,y)偏好一致时为0，不一致时为-1。β_ij(x,y)为偏好系数，表示用户u_i和u_j对同样的一对业务(x,y)偏好不一致的程度。

二、基于划分的用户分群的群组个数和初始群组中心的确定方法

该确定方法通过对用户数据集进行划分后，统计每个网格中数据点数目作为网格中的数据密度，通过计算局部密度最大的网格的个数来确定群组的个数，出发点在于考虑到数据集中各个类中心附近的数据分布较密集，距离类中心越远数据分布的密度越小，那么对于特定的类中心，类中心附近单位面积分布的数据点的数目一定大于边缘区域。将数据集的每一维等分为若干个区间，数据集被划分为互不交叠的网格单元，数据集中的每个点隶属于一个特定的网格，那么对于某个网格可以求出落入该网格中的数据点的数目。如果该网格中包含的数据点数目大于其相邻网格，则称该网格为局部极大值网格。当按照不同的分度值进行划分，落入每个网格的数据个数不相同，局部极大值网格的个数也不相同。当划分分度值较大，局部极大值网格的个数较少，可能造成两个局部极大值网格被划分在同一个网格中被认为是一个局部极大值网格。当划分分度值较小时，一些噪声点则会被误划分为局部极大值网格，从而导致局部极大值网格的个数迅速变大，不符合实际情况。因此，在划分不合理时，局部极大值网格的个数会随着划分的不同变化较大。在划分较为合理时，局部极大值网格的个数会随着划分的不同变化较小，当连续不同尺度的划分都产生相同的局部极大值网格个数时，选择最稳定的(即此局部极大值网格个数对应的不同的划分次数最多)局部极大值网格个数作为群组的个数。

本发明提出的确定方法的具体步骤如下：

1)输入一个包含m个数据点的p维数据集U。

2)将数据集的每一维等分为t个区间，即将数据空间划分为若干互不交叠的网格单元，统计落入网格中的数据点(即用户)的数目。

3)遍历所有网格，搜索局部极大值网格并统计局部极大值网格数k_t，其中，局部极大值网格为落入其中的用户数大于其相邻网格的网格，k_t为等分t个网格时的局部极大值网格个数；

4)若则执行1.6，否则令t＝t+1，返回1.3；

5)遍历统计得到的局部极大值网格数，选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数，每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值。

三、基于模糊聚类的用户分群算法

根据得到的群组个数K以及对应的群组中心，将其代入到以下检测函数中，并通过最小化以下检测函数来作为划分准则：

式中，Q_l是第l个群组的群组中心，代表整个群组的特征，用Q_l＝(q_l1,q_l2,…,q_lp)表示。λ_il是划分矩阵λ_m×K中的一个元素，表示第i个用户对第l个群组的隶属度，称为模糊隶属度，满足T_il表示第i个用户和第l个群组的相似度。

其中，λ_il的定义如下：

每次计算E(U,Q)结束后，都需要对群组中心进行优化，根据模糊隶属度λ_il，将群组中心的更新公式定义为：

其中，q_ls为第l个群组中心Q_l对第s个业务的业务兴趣指标值。

基于模糊聚类的用户分群算法的步骤如下：

1)获得群组个数，以及对应群组中心。

2)对每个用户计算其与每个群组中心的相似度T_il，T_il＝T_il ^s+T_il ^d，其中，T_il ^s为第i个用户和第l个群组中心对任一对业务偏好一致时的相似度， 偏好系数T_il ^d为第i个用户和第l个群组中心对任一对业务偏好不一致时的相似度， 偏好系数

3)计算用户对每个群组的隶属度λ_il，并对每个群组中心进行优化。

4)迭代2～3步直至优化后的群组中心与优化前群组中心相同或优化前后的检测函数值之差小于指定阈值，算法结束。

如图1所示，本发明一种基于模糊聚类的用户分群方法，首先，确定群组个数以及初始群组中心；然后，计算每个用户与每个群组中心的相似度；再后，计算每个用户对每个群组的隶属度；再后，计算检测函数，并根据前后两次的检测函数值之差判断是否停止迭代；最后根据隶属度对用户分群。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于模糊聚类的用户分群方法，其特征在于，所述用户根据其业务兴趣指标值进行描述，即第i个用户u_i＝{u_i1,u_i2,…,u_ip}，其中，i＝1,2,…,m，m为待分群用户数，u_is为第i个用户对第s个业务的业务兴趣指标值，s＝1,2,…,p，p为业务数；该方法包括以下具体步骤：

步骤1，确定用户分群的群组个数与初始群组中心，具体为：

1.1，以业务数为维度，建立包括所有用户以及每个用户对每个业务兴趣指标值的数据集；

1.2，令t＝2；

1.3，将1.1中的数据集的每一维等分为t个网格，统计落入每个网格中的用户数；

1.4，遍历所有网格，搜索局部极大值网格并统计局部极大值网格数k_t，其中，局部极大值网格为落入其中的用户数大于其相邻网格的网格，k_t为等分t个网格时的局部极大值网格个数；

1.5，若则执行1.6，否则令t＝t+1，返回1.3；

1.6，遍历统计得到的局部极大值网格数，选取相同局部极大值网格数出现次数最多的局部极大值网格数作为用户分群的群组个数，每个群组的群组中心对应的业务兴趣指标初始值即为落入相应局部极大值网格的用户的业务兴趣指标值的均值；

步骤2，分别计算每个用户对每个群组的隶属度，并优化每个群组的群组中心，具体为：

2.1，第i个用户对第l个群组的隶属度其中，T_il为第i个用户对第l个群组的群组中心的相似度，K为群组个数；2.2，构建检测函数并计算群组中心优化前的检测函数值；其中，U表示待分群用户集合，且U＝{u₁,u₂,...,u_m}，Q表示群组中心集合，且Q＝{Q₁,Q₂,...,Q_K}；

2.3，对每个群组的群组中心进行优化，优化后的群组中心Q_l＝(q_l1,q_l2,…,q_lp)，其中，第l个群组中心Q_l对第s个业务的业务兴趣指标值

2.3，若优化后的群组中心与优化前的群组中心相同或群组中心优化前和优化后检测函数值之差小于设定阈值，则进入步骤3，否则返回2.1；

步骤3，根据实际分群需要以及群组中心优化后每个用户对每个群组的隶属度大小，实现用户分群。

2.根据权利要求1所述的一种基于模糊聚类的用户分群方法，其特征在于，步骤2中利用kendall相关系数计算第i个用户对第l个群组的群组中心的相似度。

3.根据权利要求2所述的一种基于模糊聚类的用户分群方法，其特征在于，第i个用户对第l个群组的群组中心的相似度T_il＝T_il ^s+T_il ^d，其中，T_il ^s为第i个用户和第l个群组中心对任一对业务(x,y)偏好一致时的相似度， 偏好系数T_il ^d为第i个用户和第l个群组中心对任一对业务(x,y)偏好不一致时的相似度，偏好系数

4.根据权利要求1所述的一种基于模糊聚类的用户分群方法，其特征在于，步骤2中至少优化2次每个群组的群组中心。

5.根据权利要求1所述的一种基于模糊聚类的用户分群方法，其特征在于，步骤2中至少优化3次每个群组的群组中心。