海量用戶行為序列中的模式發(fā)現(xiàn)及應(yīng)用.pdf

1、所謂時(shí)序數(shù)據(jù)是指觀察對(duì)象的某一特征或行為按時(shí)間排序的集合。實(shí)際應(yīng)用中很大一部分時(shí)序數(shù)據(jù)是由系統(tǒng)產(chǎn)生用于記錄用戶的行為。分析這些數(shù)據(jù)背后的用戶行為模式，將會(huì)對(duì)用戶和系統(tǒng)模式的識(shí)別與未來狀態(tài)的預(yù)測(cè)帶來積極的影響。然而，這些刻畫用戶行為的時(shí)序數(shù)據(jù)卻體量龐大且表現(xiàn)形式復(fù)雜，給處理這些這些數(shù)據(jù)帶來了巨大困難。
　　本文遵循“數(shù)據(jù)中挖掘模式，模式預(yù)測(cè)未來”的思路，意在從用戶時(shí)序數(shù)據(jù)中挖掘出有用的行為模式，并以此為基礎(chǔ)分別預(yù)測(cè)出小規(guī)模群組和復(fù)雜

2、群體（系統(tǒng)）的未來行為狀態(tài)。為此，文章針對(duì)如下關(guān)鍵問題提出了有效的解決方案：第一，是時(shí)間序列的表示問題。由于用戶行為的多樣性，使得用傳統(tǒng)方法表示用戶行為存在諸多問題，如維數(shù)災(zāi)難等。本文創(chuàng)造性地提出了一種用戶行為模式的內(nèi)容-結(jié)構(gòu)表示方法，它是利用聚類和貪婪算法，將原始用戶時(shí)序數(shù)據(jù)用一個(gè)極其簡(jiǎn)單的序列表示。此表示方法既保留了原始序列的主要信息，又方便了后續(xù)的行為模式挖掘工作。其次，是時(shí)間序列模式相似度衡量問題。由于用戶行為序列數(shù)據(jù)所指向的對(duì)

3、象眾多，因此衡量其相似度必不可少。然而不同對(duì)象行為序列的多維和非等長特性卻給此項(xiàng)工作帶來了挑戰(zhàn)。本文基于內(nèi)容-結(jié)構(gòu)表示，分別從用戶行為偏好以及偏好分布特點(diǎn)兩方面去衡量不同用戶序列行為的相似度。實(shí)驗(yàn)表明，此相似度衡量方法表現(xiàn)良好。第三，是群體用戶行為的預(yù)測(cè)問題。本文分別從微觀和宏觀的角度預(yù)測(cè)了群體行為趨勢(shì)。微觀方面，利用基于內(nèi)容-結(jié)構(gòu)模式的表示和相似度衡量方法，預(yù)測(cè)了小規(guī)模群組的行為趨勢(shì)。宏觀方面，利用相空間重構(gòu)的方法將復(fù)雜群體（系統(tǒng)）行

4、為序列數(shù)據(jù)映射到相空間，然后基于此空間構(gòu)建預(yù)測(cè)算法。其中在尋找相空間中相似點(diǎn)用于預(yù)測(cè)時(shí)，創(chuàng)新性地提出了改進(jìn)的 K鄰近值算法，使得預(yù)測(cè)準(zhǔn)確性有了很大幅度地提升。
　　本文的主要貢獻(xiàn)在于三個(gè)方面，首先提出了一種新的用戶序列行為的“內(nèi)容-結(jié)構(gòu)”表示方法和相似度度量方式。其次，分別從微觀和宏觀的角度提出了預(yù)測(cè)小規(guī)模群組和復(fù)雜群體行為的有效方法，并利用改進(jìn)的 K鄰近值算法大大提升了復(fù)雜群體行為預(yù)測(cè)的準(zhǔn)確度。
　　實(shí)驗(yàn)結(jié)果表明，本文的方