CN112257933A - 一种用于网络环境的用户行为预测系统及其方法 - Google Patents

Abstract

一种用于网络环境的用户行为预测系统，包括用户行为感知分支，用户行为模拟预测分支，用户行为数据记录分支；预测方法的步骤为：步骤1，运行预测算法命令；步骤2，用户行为感知分支感知用户行为，并按照系统要求将数据记录到用户行为记录分支；步骤3，用户行为模拟预测分支从用户行记录分支获取数据，群体行为预测子分支根据数据识别相似用户，并计算行为模式，将相关数据存入用户行为记录分支，目标用户行为预测子分支，根据数据对该用户行为进行分析计算其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为；具有不仅考虑个体用户行为特性且考虑用户所属群体行为特性的特点，有效的提高了预测的精度。

Description

一种用于网络环境的用户行为预测系统及其方法

技术领域

本发明属于互联网用户的行为预测技术领域，特别涉及一种用于网络环境的用户行为预测系统及其方法。

背景技术

随着移动通信技术的迅速发展，以及各类移动智能终端的迅速普及，移动互联网应用呈现出爆炸性增长。在这种背景下，多样的用户需求与海量的应用数据对现有的网络通讯、处理、服务等技术带来了新的要求。特别是随着时延敏感型应用的持续增加，实时请求-处理的服务模式需求的增加，目前现有的技术比较难以满足这些应用的低时延需求。

在这种背景下，如果能提前根据用户的历史行为较好的预测出其未来的需求，将大幅提高时延敏感型等应用的服务效果。由于用户的行为具有地点局部性，以及时间局部性，即某个特定的地点大量用户的行为可能具有相关性，以及每个用户在一定时间间隔内其行为也可能具有相关性，那么利用用户行为的这两个特点，将能通过用户的历史行为，准确的预测出用户的未来行为，从而达到各类资源预先部署，提高用户体验。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供一种用于网络环境的用户行为预测系统及其方法，结合相似用户的行为以及用户本身的行为，通过对历史行为进行分析，预测用户的行为，满足应用对时延以及网络资源的要求；具有不仅考虑个体用户行为特性且考虑用户所属群体行为特性的特点。

为实现上述目的，本发明采用的技术方案是：

一种用于网络环境的用户行为预测系统，包括用户行为感知分支，用户行为模拟预测分支，用户行为数据记录分支；

所述的用户行为感知分支根据系统要求感知记录用户发生行为的时间以及类型，为其他分支提供数据；

所述的用户行为模拟预测分支根据用户行为感知分支所取得的数据根据算法进行相关计算，然后模拟预测出用户未来的行为；

所述的用户行为记录分支用于存储收集到的数据以及产生的中间可用数据。

所述的用户行为感知分支，感知本地区内每个用户的行为并记录其发生的时间，构建历史行为序列并存入用户行为记录分支。

所述的用户行为模拟预测分支，进一步包括：群体行为预测子分支，目标用户行为预测子分支；

所述的群体行为预测子分支，根据用户行为记录分支所存储的本地区用户历史行为序列，识别本地区相似用户，并模拟计算相似用户的行为模式，然后根据相似用户的行为模式与目标用户的行为序列模拟计算目标用户后续行为发生概率，然后预测后续行为；

所述的目标用户行为预测子分支，根据用户行为记录子分支记录的当前用户历史行为，识别其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

所述的用户行为记录分支，用于记录用户感知分支感知到的用户数据，以及系统运行过程中产生的中间数据。

一种用于网络环境的用户行为预测方法，包括以下步骤：

步骤1，运行预测算法命令；

步骤2，用户行为感知分支感知用户行为，并按照系统要求将数据记录到用户行为记录分支；

步骤3，用户行为模拟预测分支从用户行为记录分支获取数据，群体行为预测子分支根据数据识别相似用户，并计算行为模式，将相关数据存入用户行为记录分支，目标用户行为预测子分支，根据数据对该用户行为进行分析计算其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

所述的步骤1，用户行为感知分支感知用户行为的种类并记录该行为发生的时间，感知到的行为序列表示为：

U_i＝L_i{l_i1,l_i2,…,l_in}，其中：U_i表示第i个用户，L_i表示用户行为序列，l_i1表示用户行为类型以及发生的时间。

所述的步骤3，用户行为模拟预测分支进行用于行为的预测，其具体方法为：

群体行为预测子分支根据存储的本地区用户历史行为序列，找出N个用户的行为交集,用户U_i的历史行为序列中行为种类集合为E_i＝{e_i1,e_i2,…,e_in},则所有用户的行为种类交集计算方式如下：

SUMV＝E₁∩E₂∩…∩E_n＝{CE₁,CE₂,…,CE_m}即共有m个交集事件，

定义用户相似度α，根据以下公式计算用户相似度：

其中，SUMV为所有用户的行为种类数，Sum(E_i)为第U_i个用户的行为种类数，βi为用户U_i的群体相似度，相似用户通过以下方式识别：

βi≥α

目标用户行为预测子分支根据群体行为预测子分支的结果，以及目标用户行为序列的特性，计算模拟目标用户的行为；由于用户的行为具有时间局部性，所以将用户行为根据发生的时间间隔划分为不同的集合，预设其划分时间间隔标准为T,即在某个用户的行为序列中，将相邻连续行为事件发生时间间隔小于T的子序列划分为一个集合，由此一个用户的行为序列可能划分出若干集合，用户U_i划分出的第i个集合表示如下:

U_iS_i＝{l_i1,l_i2,…,l_in}其中l_in满足t(l_in)-t(l_in-1)≤T

其中t(l_in)为行为l_in发生的时刻，t(l_in-1)表示行为l_in的前一个行为事件发生的时刻，t(l_in)-t(l_in-1)≤T表示两两相邻的行为事件发生的时间间隔小于等于T,根据此种划分方式将用户行为序列划分为n个子序列，即U_iS_i，i∈(1,2,...,n)；

若目标用户i当前行为所属的划分后的行为子序列为U_iS_m＝{l_i1,l_i2,…,l_in}，且用户为上步计算得到的相似用户，则预测算法为：

取目标用户当前发生的事件l_in,对于每个由上面识别为相似用户的行为子序列，在每个目标用户子序列中找到第一次出现事件l_in的后续所有事件，记为：U_iH_i＝(u_ih₁,u_ih₂,…,u_ih_m),i∈(1,2,...,n)，其中U_iH_i表示用户U_i的第i个子序列中第一次出现事件l_in的后续事件的集合，u_ih_i表示事件；

定义Svar＝{Svar₁,Svar₂,…,Svar_n}i∈(1,2,...,n)，为所有相似用户的所有子序列中第一次出现事件l_in的后续行为的种类，则目标用户在行为在当前行为事件l_in的后续可能的行为PE_i及概率为：

其中SUM(U)为所有相似用户所有子序列中第一次出现l_in事件的后续事件的个数总和，SUM(Svari)为所有相似用户所有子序列中第一次出现l_in事件的后续各个Svar_i种类事件个数的总和，

将上述计算结果记入群体行为概率向量PE即PE＝{PE₁,PE₂,…,PE_n}，

其次对于目标用户为非相似群体的用户U_i，根据上述所述时间间隔T划分的历史行为子序列集合U_iS_i，在每个历史行为子序列中找到第一次出现事件l_in的后续所有事件序列，记为U_iSH_i＝(U_ish_i1,U_ish_i2,…,U_ish_im)i∈(1,2,...,n),m∈(1,2,...,n).定义CU_iSH_i＝{Cu_ish_i1,Cu_ish_i2,…,Cu_ish_in}i∈(1,2,...,n),记为所划分的目标用户的所有历史行为子序列中事件l_in的后续事件的种类，则目标用户个人范围内后续可能的行为及概率为：

其中，SUM(U_iSH_i)为目标用户所有划分子序列中第一次发生事件l_in的后续各类事件的个数总和，SUM(CU_iSH_i)为目标用户所有划分子序列中第一次出现事件l_in的后续行为各个种类CU_iSH_i个数的总和，

将上述计算结果记入个人行为概率向量UPE即UPE＝{UPE₁,UPE₂,…,UPE_n}，对比PE_i与IPE_i，将其中最大的数值对应的行为作为目标用户接下来最有可能发生的行为。

与现有的技术相比，本发明的有益效果是：

由于本发明考虑到了在特定地区用户的行为具有地点局部性，也具有时间局部性，充分考虑到了用户所在地区的群体用户的行为与用户本身的关系，所以有效利用了本地区相似群体所提供的信息，增大预测准确的概率，从而提高从而提升应用的性能，提升用户体验。

附图说明

图1为本发明的系统架构图。

图2为本发明方法的流程图。

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。

参见图1，一种用于网络环境的用户行为预测系统，包括用户行为感知分支，用户行为模拟预测分支，用户行为数据记录分支；

所述的用户行为感知分支根据系统要求感知记录用户发生行为的时间以及类型，为其他分支提供数据；

所述的用户行为模拟预测分支根据用户行为感知所取得的数据根据算法进行相关计算，然后模拟预测出用户未来的行为；

所述的用户行为记录分支用于存储收集到的数据以及产生的中间可用数据。

所述的用户行为感知分支，感知本地区内每个用户的行为并记录其发生的时间，构建历史行为序列并存入用户行为记录分支。

所述的用户行为模拟预测分支，进一步包括：群体行为预测子分支，目标用户行为预测子分支；

所述的群体行为预测子分支，根据用户行为记录分支所存储的本地区用户历史行为序列，识别本地区相似用户，并模拟计算相似用户的行为模式，然后根据相似用户的行为模式与目标用户的行为序列模拟计算目标用户后续行为发生概率，然后预测后续行为；

所述的目标用户行为预测子分支，根据用户行为记录子分支记录的当前用户历史行为，识别其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

所述的用户行为记录分支，用于记录用户感知分支感知到的用户数据，以及系统运行过程中产生的中间数据。

本发明的核心思想是，特定地区用户的行为具有地点局部性以及时间局部性，在预测目标用户的行为时充分考虑相似用户的行为与目标用户行为的关系，以及考虑到目标用户个人的行为特点，增大预测准确率。

算法流程如下

一种用于网络环境的用户行为预测方法，包括以下步骤：

步骤1，运行预测算法命令；

步骤2，用户行为感知分支感知用户行为，并按照系统要求将数据记录到用户行为记录分支；

步骤3，用户行为模拟预测分支从用户行为记录分支获取数据，群体行为预测子分支根据数据识别相似用户，并计算行为模式，将相关数据存入用户行为记录分支，目标用户行为预测子分支，根据数据对该用户行为进行分析计算其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

所述的步骤1，用户行为感知分支感知收集本地区内每个用户的行为序列，采集的行为序列表示为：

U_i＝L_i{l_i1，l_i2，…,l_in}U_i表示第i个用户，L_i表示用户行为序列，l_i1表示用户行为以及发生的时间，构建历史行为序列并存入用户行为记录分支。

步骤3的详细实现方式如下：用户行为模拟预测分支进行用于行为的预测，其具体方法为：

群体行为预测子分支根据存储的本地区用户历史行为序列，找出N个用户的行为交集,用户U_i的历史行为序列中行为种类集合为E_i＝{e_i1,e_i2,…,e_in},则所有用户的行为种类交集计算方式如下：

SUMV＝E₁∩E₂∩…∩E_n＝{CE₁,CE₂,…,CE_m}即共有m个交集事件

定义用户相似度α，根据以下公式计算用户相似度

其中SUMV为所有用户的行为种类数，Sum(E_i)为第U_i个用户的行为种类数，βi为用户U_i的群体相似度，相似用户通过以下方式识别：

βi≥α

目标用户行为预测子分支根据群体行为预测子分支的结果，以及目标用户行为序列的特性，计算模拟目标用户的行为。由于用户的行为具有时间局部性，所以将用户行为根据发生的时间间隔划分为不同的集合，预设其划分时间间隔标准为T,即在某个用户的行为序列中，将相邻连续行为事件发生时间间隔小于T的子序列划分为一个集合，由此一个用户的行为序列可能划分出若干集合，用户U_i划分出的第i个集合表示如下:

U_iS_i＝{l_i1,l_i2,…,l_in}其中l_in满足t(l_in)-t(l_in-1)≤T

其中t(l_in)为行为l_in发生的时刻，t(l_in-1)表示行为l_in的前一个行为事件发生的时刻，t(l_in)-t(l_in-1)≤T表示两两相邻的行为事件发生的时间间隔小于等于T,根据此种划分方式将用户行为序列划分为n个子序列，即U_iS_i i∈(1,2,...,n)。

若目标用户i当前行为所属的划分后的行为子序列为U_iS_m＝{l_i1,l_i2,…,l_in}，且用户为上步计算得到的相似用户，则预测算法为：

取目标用户当前发生的事件l_in,对于每个由上面识别为相似用户的行为子序列，在每个目标用户子序列中找到第一次出现事件l_in的后续所有事件，记为：U_iH_i＝(u_ih₁,u_ih₂,…,u_ih_m),i∈(1,2,...,n)，其中U_iH_i表示用户U_i的第i个子序列中第一次出现事件l_in的后续事件的集合，u_ih_i表示事件；

定义Svar＝{Svar₁,Svar₂,…,Svar_n}i∈(1,2,...,n)，为所有相似用户的所有子序列中第一次出现事件l_in的后续行为的种类，则目标用户在行为在当前行为事件l_in的后续可能的行为PE_i及概率为：

其中SUM(U)为所有相似用户所有子序列中第一次出现l_in事件的后续事件的个数总和，SUM(Svari)为所有相似用户所有子序列中第一次出现l_in事件的后续各个Svar_i种类事件个数的总和，

将上述计算结果记入群体行为概率向量PE即PE＝{PE₁,PE₂,…,PE_n}

其次对于目标用户为非相似群体的用户U_i，根据上述所述时间间隔T划分的历史行为子序列集合U_iS_i，在每个历史行为子序列中找到第一次出现事件l_in的后续所有事件序列，记为U_iSH_i＝(U_ish_i1,U_ish_i2,…,U_ish_im)i∈(1,2,...,n),m∈(1,2,...,n).定义CU_iSH_i＝{Cu_ish_i1,Cu_ish_i2,…,Cu_ish_in}i∈(1,2,...,n),记为所划分的目标用户的所有历史行为子序列中事件l_in的后续事件的种类，则目标用户个人范围内后续可能的行为及概率为：

其中，SUM(U_iSH_i)为目标用户所有划分子序列中第一次发生事件l_in的后续各类事件的个数总和，SUM(CU_iSH_i)为目标用户所有划分子序列中第一次出现事件l_in的后续行为各个种类CU_iSH_i个数的总和，

将上述计算结果记入个人行为概率向量UPE即UPE＝{UPE₁,UPE₂,…,UPE_n}，

对比PE_i与IPE_i，将其中最大的数值对应的行为作为目标用户接下来最有可能发生的行为。

Claims (7)

1.一种用于网络环境的用户行为预测系统，其特征在于，包括用户行为感知分支，用户行为模拟预测分支，用户行为数据记录分支；

所述的用户行为感知分支根据系统要求感知记录用户发生行为的时间以及类型，为其他分支提供数据；

所述的用户行为模拟预测分支根据用户行为感知分支所取得的数据根据算法进行相关计算，然后模拟预测出用户未来的行为；

所述的用户行为记录分支用于存储收集到的数据以及产生的中间可用数据。

2.根据权利要求书1所述的一种用于网络环境的用户行为预测系统，其特征在于，所述的用户行为感知分支，感知本地区内每个用户的行为并记录其发生的时间，构建历史行为序列并存入用户行为记录分支。

3.根据权利要求书1所述的一种用于网络环境的用户行为预测系统，其特征在于，所述的用户行为模拟预测分支，进一步包括：群体行为预测子分支，目标用户行为预测子分支；

所述的群体行为预测子分支，根据用户行为记录分支所存储的本地区用户历史行为序列，识别本地区相似用户，并模拟计算相似用户的行为模式，然后根据相似用户的行为模式与目标用户的行为序列模拟计算目标用户后续行为发生概率，然后预测后续行为；

所述的目标用户行为预测子分支，根据用户行为记录子分支记录的当前用户历史行为，识别其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

4.根据权利要求书1所述的一种用于网络环境的用户行为预测系统，其特征在于，所述的用户行为记录分支，用于记录用户感知分支感知到的用户数据，以及系统运行过程中产生的中间数据。

5.一种用于网络环境的用户行为预测方法，其特征在于，包括以下步骤：

步骤1，运行预测算法命令；

步骤2，用户行为感知分支感知用户行为，并按照系统要求将数据记录到用户行为记录分支；

步骤3，用户行为模拟预测分支从用户行为记录分支获取数据，群体行为预测子分支根据数据识别相似用户，并计算行为模式，将相关数据存入用户行为记录分支，目标用户行为预测子分支，根据数据对该用户行为进行分析计算其行为模式，并利用群体行为预测子分支的数据模拟计算预测该用户后续行为。

6.根据权利要求5所述的一种用于网络环境的用户行为预测方法，其特征在于，所述的步骤1，用户行为感知分支感知用户行为的种类并记录该行为发生的时间，感知到的行为序列表示为：

U_i＝L_i{l_i1,l_i2,…,l_in}，其中：U_i表示第i个用户，L_i表示用户行为序列，l_i1表示用户行为类型以及发生的时间。

7.根据权利要求书5所述的一种用于网络环境的用户行为预测方法，其特征在于，所述的步骤3，用户行为模拟预测分支进行用于行为的预测，其具体方法为：

群体行为预测子分支根据存储的本地区用户历史行为序列，找出N个用户的行为交集,用户U_i的历史行为序列中行为种类集合为E_i＝{e_i1,e_i2,…,e_in},则所有用户的行为种类交集计算方式如下：

SUMV＝E₁∩E₂∩…∩E_n＝{CE₁,CE₂,…,CE_m}即共有m个交集事件，

定义用户相似度α，根据以下公式计算用户相似度：

其中，SUMV为所有用户的行为种类数，Sum(E_i)为第U_i个用户的行为种类数，βi为用户U_i的群体相似度，相似用户通过以下方式识别：

βi≥α

目标用户行为预测子分支根据群体行为预测子分支的结果，以及目标用户行为序列的特性，计算模拟目标用户的行为；由于用户的行为具有时间局部性，所以将用户行为根据发生的时间间隔划分为不同的集合，预设其划分时间间隔标准为T,即在某个用户的行为序列中，将相邻连续行为事件发生时间间隔小于T的子序列划分为一个集合，由此一个用户的行为序列可能划分出若干集合，用户U_i划分出的第i个集合表示如下:

U_iS_i＝{l_i1,l_i2,…,l_in}其中l_in满足t(l_in)-t(l_in-1)≤T

其中t(l_in)为行为l_in发生的时刻，t(l_in-1)表示行为l_in的前一个行为事件发生的时刻，t(l_in)-t(l_in-1)≤T表示两两相邻的行为事件发生的时间间隔小于等于T,根据此种划分方式将用户行为序列划分为n个子序列，即U_iS_i，i∈(1,2,...,n)；

若目标用户i当前行为所属的划分后的行为子序列为U_iS_m＝{l_i1,l_i2,…,l_in}，且用户为上步计算得到的相似用户，则预测算法为：

取目标用户当前发生的事件l_in,对于每个由上面识别为相似用户的行为子序列，在每个目标用户子序列中找到第一次出现事件l_in的后续所有事件，记为：U_iH_i＝(u_ih₁,u_ih₂,…,u_ih_m),i∈(1,2,...,n)，其中U_iH_i表示用户U_i的第i个子序列中第一次出现事件l_in的后续事件的集合，u_ih_i表示事件；

定义Svar＝{Svar₁,Svar₂,…,Svar_n}i∈(1,2,...,n)，为所有相似用户的所有子序列中第一次出现事件l_in的后续行为的种类，则目标用户在行为在当前行为事件l_in的后续可能的行为PE_i及概率为：

其中SUM(U)为所有相似用户所有子序列中第一次出现l_in事件的后续事件的个数总和，SUM(Svari)为所有相似用户所有子序列中第一次出现l_in事件的后续各个Svar_i种类事件个数的总和，

将上述计算结果记入群体行为概率向量PE即PE＝{PE₁,PE₂,…,PE_n}，

其次对于目标用户为非相似群体的用户U_i，根据上述所述时间间隔T划分的历史行为子序列集合U_iS_i，在每个历史行为子序列中找到第一次出现事件l_in的后续所有事件序列，记为U_iSH_i＝(U_ish_i1,U_ish_i2,…,U_ish_im)i∈(1,2,...,n),m∈(1,2,...,n).定义CU_iSH_i＝{Cu_ish_i1,Cu_ish_i2,…,Cu_ish_in}i∈(1,2,...,n),记为所划分的目标用户的所有历史行为子序列中事件l_in的后续事件的种类，则目标用户个人范围内后续可能的行为及概率为：

其中，SUM(U_iSH_i)为目标用户所有划分子序列中第一次发生事件l_in的后续各类事件的个数总和，SUM(CU_iSH_i)为目标用户所有划分子序列中第一次出现事件l_in的后续行为各个种类CU_iSH_i个数的总和，

将上述计算结果记入个人行为概率向量UPE即UPE＝{UPE₁,UPE₂,…,UPE_n}，对比PE_i与IPE_i，将其中最大的数值对应的行为作为目标用户接下来最有可能发生的行为。

Images