CN107688827A

CN107688827A - 一种基于用户日常行为特征的用户身份属性预测方法

Info

Publication number: CN107688827A
Application number: CN201710737016.4A
Authority: CN
Inventors: 蔡忠闽; 董建敏
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2017-08-24
Filing date: 2017-08-24
Publication date: 2018-02-13

Abstract

本发明公开了一种基于用户日常行为特征的用户身份属性预测方法，包括以下步骤：1)根据采集到的用户行为数据构建行为数据集；2)定义用户的身份属性，然后将用户的身份属性划分为若干区间；3)对观测周期T内得到的用户数据集中的用户行为数据进行划分，得若干用户行为数据块，再根据步骤2)划分得到的区间对各用户行为数据块进行标记；4)提取各用户行为数据块的用户行为特征向量，然后根据所有用户行为数据块的用户行为特征向量构建身份属性特征向量训练集；5)构建身份属性模型；6)将待测用户的特征向量输入至身份属性模型中，得用户的身份属性，完成基于用户日常行为特征的用户身份属性预测，该方法能够实现用户身份属性的预测。

Description

一种基于用户日常行为特征的用户身份属性预测方法

技术领域

本发明涉及一种用户身份属性预测方法，具体涉及一种基于用户日常行为特征的用户身份属性预测方法。

背景技术

人类正大步迈进信息-物理融合的世界(Cyber-Physical World)。这个世界中不仅有机器，人也是其中关键的一环。从Cyber维度对人进行感知和理解，也正成为一个重要的研究方向。通过用户操作智能信息系统(计算机)，智能终端(手机，平板等)的交互行为、各类可穿戴设备感知到的佩戴者行为及生理数据为对象，感知分析系统用户的操作、行为方式，推断用户的行为意图，预测用户属性，更加全面的了解用户，为用户提供更准确和方便的服务。通过对用户属性的准确感知，对于帮助我们深层次理解用户起到支撑作用，在用户推荐，健康状况监测，生活习惯分析等实际应用方面具有重要的价值。

近年来，研究人员提出基于生物特征检测用户的信息或身份属性，他们根据人脸，指纹，虹膜，掌纹等生理特征对用户的性别，年龄，种族等信息进行预测，但是此类方法需要使用特定的生物信息采集设备，如摄像头，指纹传感器等，不适用于现有的计算网络环境。目前还没有可以在现有的计算网络环境中大规模应用的用于分析预测用户身份属性的技术或方法。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于用户日常行为特征的用户身份属性预测方法，该方法能够实现用户身份属性的预测。

为达到上述目的，本发明所述的基于用户日常行为特征的用户身份属性预测方法包括以下步骤：

1)采集用户日常行为动作过程中的用户行为数据，再根据采集到的用户行为数据构建行为数据集；

2)定义用户的身份属性，然后将用户的身份属性划分为若干区间；

3)对观测周期T内得到的用户数据集中的用户行为数据进行划分，得若干用户行为数据块，再根据步骤2)划分得到的区间对各用户行为数据块进行标记，其中，一个用户行为数据块对应一个区间；

4)提取各用户行为数据块的用户行为特征向量，然后根据所有用户行为数据块的用户行为特征向量构建身份属性特征向量训练集；

5)将身份属性特征向量训练集作为训练样本，再将身份属性特征向量训练集对应的身份属性作为训练样本的标签，然后根据所述训练样本及训练样本的标签构建身份属性模型；

6)获取待测用户的特征向量，然后将待测用户的特征向量输入至身份属性模型中，得用户的身份属性，完成基于用户日常行为特征的用户身份属性预测。

用户的身份属性包括用户的性别、身高、体重、年龄、身体健康状况、右手使用习惯、左手使用习惯、身份、活动量或职业。

通过便携式检测设备采集用户日常行为动作过程中的用户行为数据，所述便携式检测设备包括加速度传感器、陀螺仪传感器、体温传感器或心跳传感器。

行为数据集为{用户行为事件类型，数据类型，时间戳}，其中，用户行为事件类型包括走路、跑步、上下楼、骑自行车、开车及打球中的一种或多种，数据类型为加速度传感器、陀螺仪传感器、体温传感器或心跳传感器采集到的数据。

加速度传感器及陀螺仪传感器对应的用户行为数据块的用户行为特征向量为用户数据块的均值、最大值、最小值、周期、众数、幅值、方差、偏态或均方根误差。

体温传感器及心跳传感器对应的用户行为数据块的用户行为特征向量为用户数据块的均值或方差。

用户日常行为动作包括走路、跑步、上楼梯、下楼梯、骑自行车、开车及打球中的一种或几种。

本发明具有以下有益效果：

本发明所述的基于用户日常行为特征的用户身份属性预测方法在具体操作时，采集用户日常行为动作过程中的用户行为数据，然后根据采集得到的用户行为数据构建行为数据集，再将行为数据集划分为若干用户行为数据块，并构建各用户行为数据块与身份属性区间的对应关系，并以该对应关系构建身份属性模型，需要说明的是，本发明以用户日常行为特征为基础构建身份属性模型，针对性较强，另外，采集的数据为用户日常行为动作，因此持续性较好，并且不会干扰用户的正常行为，具有较高的广泛性、安全性及适用性；另外，本发明通过获取待测用户的特征向量，然后将待测用户的特征向量输入至身份属性模型中，即可得到用户的身份属性，操作较为简单、方便，预测的精度较高。

具体实施方式

下面结合实施例对本发明做进一步详细描述：

本发明所述的基于用户日常行为特征的用户身份属性预测方法包括以下步骤：

实施例一

本实施例中的用户身份属性为用户的性别，本实施例的具体操作过程为：

1)将性别属性划分为2类：第一类为男性用户；第二类为女性用户；

2)采集用户日常走路的数据，以固定观测时间长度T为周期对记录的行为数据进行划分，形成多个时间长度为T的用户行为数据块，并根据用户的性别属性对各用户行为数据块进行标记；

3)生成性别属性的特征训练集，具体的，针对每个标记的用户行为数据块，提取并标记用户行为特征向量，将不同用户行为数据块中的用户行为特征向量组合在一起，得带有性别属性标记的特征向量训练集；

4)对带有性别属性标记的特征向量训练集中的每个用户行为特征向量进行特征选择，如公式1所示，计算每个用户行为特征向量x与用户属性y之间的相关性，再将计算的结果作为特征选择的依据。

其中，x_ij为第i个样本的第j个特征，y_i为第i个样本的标签，M为用户特征向量的总数，N为样本个数。

本实施例共有56个对象，通过查询相关系数表得到，在0.05的显著性水平下，相关系数大于0.26的特征为显著相关，因此挑选相关系数大于0.26的特征作为选择的特征向量。

5)以性别属性对应的特征向量训练集作为训练样本，同时身份属性特征向量训练集的性别标记作为训练样本的标签，根据训练样本及训练样本的标签构建身份属性模型；

6)用户在运动过程中，获取待测用户的用户行为数据，然后从时间长度为T的用户行为数据中提取性别属性对应的特征向量，然后将待测用户的特征向量输入到身份属性模型中，实现对用户性别的判断，结果如表1及表2所示：

表1

表2

全部传感器是指包含加速度传感器、陀螺仪传感器、体温传感器或心率传感器。

如表1的实验结果所示，本发明能够准确地对用户的性别属性进行预测；利用用户日常走路的数据对用户的性别属性信息进行预测，准确率为97.6％(1-2.40％)。表2给出了不同的传感器数据对用户性别属性的预测结果。结果表明联合不同设备，不同类型的传感器数据得到更好的性别属性预测结果，该结果验证了本发明的可行性。

Claims

1.一种基于用户日常行为特征的用户身份属性预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，用户的身份属性包括用户的性别、身高、体重、年龄、身体健康状况、右手使用习惯、左手使用习惯、身份、活动量或职业。

3.根据权利要求1所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，通过便携式检测设备采集用户日常行为动作过程中的用户行为数据，所述便携式检测设备包括加速度传感器、陀螺仪传感器、体温传感器或心跳传感器。

4.根据权利要求3所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，行为数据集为{用户行为事件类型，数据类型，时间戳}，其中，用户行为事件类型包括走路、跑步、上下楼、骑自行车、开车及打球中的一种或多种，数据类型为加速度传感器、陀螺仪传感器、体温传感器或心跳传感器采集到的数据。

5.根据权利要求4所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，加速度传感器及陀螺仪传感器对应的用户行为数据块的用户行为特征向量为用户数据块的均值、最大值、最小值、周期、众数、幅值、方差、偏态或均方根误差。

6.根据权利要求4所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，体温传感器及心跳传感器对应的用户行为数据块的用户行为特征向量为用户数据块的均值或方差。

7.根据权利要求1所述的基于用户日常行为特征的用户身份属性预测方法，其特征在于，用户日常行为动作包括走路、跑步、上楼梯、下楼梯、骑自行车、开车及打球中的一种或几种。