移动用户画像构建探讨.doc

移动用户画像构建研究 　　〔摘要〕基站通信网络数据蕴含着丰富的移动用户行为，从移动用户频繁活动、规律行为以及移动速度3方面建构移动用户行为画像，可以为个性化服务提供更完整丰富的信息。在分析和挖掘某电信运营商3万位移动用户记录的基站数据的基础上，本文采用频繁模式挖掘、构建概率矩阵、计算熵等方法，从用户基站日志中所包含的地理位置信息中构建移动用户行为画像。研究结果表明，该画像模型可显示移动用户的频繁活动规律、周期性行为及出行方式，可作为分析移动用户群体行为及用户间交互行为的基础 〔关键词〕移动数据；移动行为；移动用户；用户画像；周期性行为；频繁序列 〔Abstract〕Cellular mobile data service logs contains massive mobile user behavior，based on which mobile user behavior profile，including frequent activities，periodic behaviors and user speed，can be built to provide rich information for personalized services.Analyzing 30，000 users station data provided by a telecommunication operator，user profile is built from location sequence by means of frequent pattern mining，probability matrix constructing and entropy calculating.The user profile proposed shows that users frequent behavior patterns，periodic behavior patterns and speed distribution could be an important reference for further research on population mobile behavior analysis and user interaction behavior. 〔Key words〕mobile data；user behavior；mobile user；user profile；periodic behavior；frequent sequences 由于智能手机的普及，人们的生活行为与移动智能设备连接的更紧密，截止到2014年5月，苹果系统与安卓系统为主的智能手机操作系统占据了智能手机市场份额的964%。相对于传统的桌面端，人们可以随时随地通过移动终端设备取得服务，各种与移动终端相结合的新兴商业模式与日俱增，依据用户的地理位置为用户提供基于用户地理位置的服务（LBS）便是一个典型应用，与此同时用户所携带的手持设备由于服务的需求被动的生成了一系列包含网络服务基站信息（如基站ID，基站坐标）、时间信息等内容，并且针对这些数据的分析与挖掘为理解用户多方面的行为模式提供了至关重要的途径 移动数据与传统桌面端用户日志主要差异在于提供了用户的地理位置变化，许多研究将用户的地理位置按时间排序，采用序列挖掘的算法挖掘用户移动序列的频繁模式[2-6]，并且Yava？使用所构建的频繁模式对用户将来的地理位置进行了预测，应用在基站资源的预分配[4]。同时，探讨如何从比较长期的地理位置日志中挖掘周期性的行为也是研究热点之一[-10]。从移动用户数据中构建用户特征属性可作为识别用户重要依据-12]，其中Zhu等人除了考虑地理位置频繁序列之外，通过在手机设备中安装专门的位置记录软件收集用户地理位置数据并提出频繁停留地点、频繁移动路径、有意义的地理位置与交通工具4种用户特征来描述用户，构建了更有意义的用户属性]。刘瑜等人提出了利用大数据的方法通过对社交网站签到数据以及其他信息进行了人类移动模式的研究的流程[3]。除了地理位置相关的研究之外，Tseng等人把用户的地理位置序列与对应所使用的服务进行了组合，通过挖掘两者共同出现的频繁模式来预测用户将来的行为[4-15]。此外，Zhu等人把所有的手机所反映的行为考虑在内，通过手机的原始传感器数据与自然语言的词相对应，采用自然语言处理中的方法构建语言模型反映用户行为，并应用于设备被盗检测、移动应用安全等方面[6]。张慷等人则提出了一个整合客户资料、语言行为、移动互联网行为等分析用户画像的总体架构，但在用户属性上缺少细化挖掘分析。由于用户数据多涉及隐私问题，现有的研究多采用模拟数据或是通过在手机端安装