基于行為時(shí)間序列的沖擊響應(yīng)模型.pdf

1、大數(shù)據(jù)時(shí)代為人類定量地認(rèn)識(shí)自身的行為規(guī)律提供了無限可能。許多有關(guān)于人類行為歷史記錄的數(shù)據(jù)集都證實(shí)了人類行為活動(dòng)具有非泊松特性。非泊松特性的一個(gè)重要特征是人類行為的時(shí)間間隔服從冪律分布而不是服從負(fù)指數(shù)分布。學(xué)者們針對(duì)這種冪律的時(shí)間間隔分布展開了研究，并建立模型用來解釋和還原這種冪律分布。盡管前人的成果豐富，但是這個(gè)領(lǐng)域中仍然存在未考慮到的問題。針對(duì)這些不足，本文有以下三個(gè)出發(fā)點(diǎn)：1、前人研究的客體主要是人類日常行為，或者面對(duì)任務(wù)時(shí)的必須性

2、行為，例如需要回復(fù)的信件等。而針對(duì)人類可選擇性行為的研究較少。因此本文選擇了“天貓數(shù)據(jù)集”和“維基百科數(shù)據(jù)集”為研究樣本，重點(diǎn)研究人類面對(duì)可做可不做、且具有很大選擇余地的事件時(shí)的行為規(guī)律。2、前人對(duì)時(shí)間間隔分布以外的統(tǒng)計(jì)特性鮮有研究。本文試圖從多個(gè)角度發(fā)掘人類可選擇性行為的統(tǒng)計(jì)規(guī)律，以豐富對(duì)人類行為非泊松性的認(rèn)識(shí)。3、行為預(yù)測(cè)問題和人類行為的內(nèi)在動(dòng)力機(jī)制問題是同一個(gè)本質(zhì)的兩個(gè)側(cè)面。前人對(duì)這兩個(gè)問題獨(dú)立進(jìn)行了研究，皆都取得了不錯(cuò)的進(jìn)展。而

3、如何將這兩個(gè)問題聯(lián)系起來并統(tǒng)一在一個(gè)模型下，也亟待解決。
　　基于這三個(gè)出發(fā)點(diǎn)，本文所作的主要工作如下：
　　1、回顧了“人類動(dòng)力學(xué)”這一領(lǐng)域的發(fā)展歷程。將已有的實(shí)證類研究分類并進(jìn)行對(duì)比?？偨Y(jié)了三大類解釋人類行為動(dòng)力學(xué)機(jī)制的模型：優(yōu)先隊(duì)列模型、齊次泊松級(jí)聯(lián)模型和自適應(yīng)興趣模型。介紹了各個(gè)模型的原理及其結(jié)論?？偨Y(jié)了國(guó)內(nèi)外在該領(lǐng)域的研究現(xiàn)狀和存在的局限性。
　　2、定義了人類行為時(shí)間序列、人類可選擇性行為系統(tǒng)。將人類可選擇

4、性行為的描述統(tǒng)一在這個(gè)定義之下?；谠摱x，提出描述可選擇性行為系統(tǒng)內(nèi)在性質(zhì)的兩種描述方法，統(tǒng)計(jì)參數(shù)描述法和分布描述法。統(tǒng)計(jì)參數(shù)描述法包括兩個(gè)重要參數(shù)：陣發(fā)性系數(shù)和記憶性系數(shù)。本文將各類人類行為系統(tǒng)或者事件系統(tǒng)的這兩個(gè)參數(shù)進(jìn)行對(duì)比，得出人類行為序列相較于其他事件序列來說有高度的陣發(fā)性和時(shí)間間隔無記憶性的結(jié)論。其中分布描述法包括兩個(gè)重要分布：初始時(shí)間分布和時(shí)間間隔分布。本文通過對(duì)兩個(gè)數(shù)據(jù)集的研究得到了如下的結(jié)論：無論是在個(gè)體層面還是群體層

5、面上，人類行為的時(shí)間間隔分布服從截?cái)嗍絻缏煞植?，人類行為的初始時(shí)間分布在短時(shí)間內(nèi)服從均勻分布，而在長(zhǎng)時(shí)間內(nèi)正相關(guān)于整個(gè)系統(tǒng)的活躍度。本文指出之所以這兩個(gè)分布會(huì)在形式上大相徑庭，是因?yàn)槿祟愋袨榇嬖趦?nèi)在的前后因果關(guān)系。
　　3、為了描述這種人類行為的內(nèi)在因果關(guān)系，提出了沖擊響應(yīng)模型（Impulse Response Model, IRM）。從人類記憶的連續(xù)化建模和離散化建模的兩個(gè)不同角度，得到?jīng)_擊響應(yīng)模型的連續(xù)形式和離散形式?；?I

6、RM模型，本文針對(duì)序列重現(xiàn)、行為預(yù)測(cè)、偏好推薦這三個(gè)不同的場(chǎng)景提出了三個(gè)不同的算法。其中，基于 IRM的序列重現(xiàn)算法可以在“天貓數(shù)據(jù)集”上復(fù)原人類行為時(shí)間序列。復(fù)原出的時(shí)間序列，其時(shí)間間隔分布也服從截?cái)嗍絻缏煞植迹⒑驮蛄械臅r(shí)間間隔分布幾乎一致?；贗RM的行為預(yù)測(cè)算法，可以利用用戶歷史數(shù)據(jù)對(duì)用戶未來行為偏好進(jìn)行預(yù)測(cè)。在相同特征集的情況下，IRM行為預(yù)測(cè)算法的預(yù)測(cè)精度要高于傳統(tǒng)機(jī)器學(xué)習(xí)分類器，如隨機(jī)森林算法、邏輯回歸算法、支持向量機(jī)等