智能家居环境下基于决策树的用户行为分析.docxVIP

??

?

??

智能家居环境下基于决策树的用户行为分析

?

??

?

?

?

?

?

?

?

???

?

?

?

?

?

李克宇杜谦曾祥正周泓余徐海森

摘要：随着物联网技术的发展，智能家居技术不再仅仅是远程操控这么简单。对用户行为进行分析，个性化的控制体验将会成为未来发展的主流。文章通过建C4.5决策树的方法建立用户行为模型，通过统一用户行为数据形式，以信息增益率的高低分裂属性，直观高效地对用户行为进行分析。对智能家居环境下高效且个性化的控制提供帮助。

关键词：C4.5决策树；用户行为分析；智能家居

TP29文献标志码：A：2095-2945（2018）15-0015-02

Abstract：WiththedevelopmentofInternetofthingstechnology，smarthometechnologyisnolongerjustremotecontrol.Fortheanalysisofuserbehavior，personalizedcontrolexperiencewillbecomethemainstreamoffuturedevelopment.ThispaperestablishesuserbehaviormodelbybuildingC4.5decisiontreeandanalyzesuserbehaviordirectlyandefficientlybyunifyinguserbehaviordataformandsplittingattributesofinformationgainrate.Itishelpfultothehighefficiencyandindividuationcontrolinthesmarthomeenvironment.

Keywords：C4.5decisiontree；userbehavioranalysis；smarthome

引言

随着互联网技术的成熟，物联网技术的兴起，智能家居领域正迅速发展。在近几年的智能家居技术发展过程中，环境数据检测，数据传输等技术已经取得较为成熟的成果，但是大多数研究也仅是实现其网络部署和远程操作，针对用户行为分析定制个性化服务的研究较少。

本文介绍了一种基于决策树的用户行为分析算法，可以较为有效地对智能家居环境下的用户行为进行分析。

1决策树算法

1.1算法概述

决策树（DecisionTree）算法是在已有样本数据概率已知的情况下，通过建立决策树来判断目标事件的可行性，并且可以用图表进行表示，是一种直观的概率分析算法。而决策树算法又有很多不同的类型，本文选择C4.5算法[1]。

1.2算法優点

（1）可以通过图表的方式建立模型，使用户和开发者一目了然。

（2）该算法有较好的鲁棒性，可以较好的处理数据丢失和抗噪声的干扰。

（3）与传统算法相比学习过程快速。

2基于C4.5决策树的用户行为分析算法

2.1用户行为数据表示

C4.5决策树算法是对已有的数据进行学习，从而找到一个从属性值到类别的一一对应关系[2]。在这个算法中，为了实现对用户行为进行分析，需要对数据的格式进行统一规范，并提取有价值的特征属性描述用户行为。本文假设数据形式如下表所示：

2.2分裂属性选择

想要将一个包含很多属性的数据集建立成树，需要对数据集进行属性的分裂。本文以最大增益率为指标选择分裂属性[3]。信息增益率（informationgainratio）为信息增益对所分割的信息量的比值。

2.3建立决策树

根据上文中假定的用户行为数据样例和通过信息增益率选择分裂属性的方法，可以得到初步的用户行为决策树模型如图：

3结束语

智能家居绝非远程控制开关这么简单，分析用户行为习惯，为用户指定个性化的智能服务才应该是智能家居的发展方向。本文介绍了一种基于决策树的用户行为分析算法，随着用户操作次数的增多，时间的延长，运算结果将越接近用户行为习惯，可以更好的联系家居系统为用户提供更加方便快捷个性化的服务。

参考文献：

[1]童世华，张昱东.基于用户行为分析的智能家居控制软件的设计[J].电视技术，2017，41（z2）：104-109.

[2]马强.数据挖掘中决策树算法的优化应用研究[J].电子测试，2016（4x）：30-31.

[3]邹方林，冷晟，廉鹏飞，等.基于决策树的制造瓶颈改善方法[J].现代制造工程，2016（6）：121-128.

[4]李运娣.大数据环境下决策树算法并行化研究[J].河南工程学院学报（自然科学版），2017，29（2）：