基于多源数据的移动通信用户行为识别及个性化推荐研究

基于多源数据的移动通信用户行为识别及个性化推荐研究

刘静1卿晓春2吕魏3秦世鹏4

中国电信股份有限公司贵阳分公司移动通信  贵州省  贵阳市  550000

摘要：随着移动网络技术和应用的迅速发展，从消费到工业，使手机用户的行为发生了巨大的变化。在这样的大环境下，电信基础运营商如何利用自己的大数据优势，发掘出用户行为的内在规律，全面了解用户的需要；基于这种方法，如何利用用户的行为来区分用户；因此，如何根据用户的行为特征，为他们提供个性化的推荐服务是一个迫切需要解决的问题。

关键词：移动通信；用户行为识别；个性化推荐研究

引言

随着大数据、云计算等技术的飞速发展，手机用户行为的研究也越来越受到重视。如何对大量的、多样化的数据进行高效的分析，并对这些数据进行有效的挖掘，这些都还有待于深入的研究。在用户行为上，由于移动通讯服务的发展，传统的服务和创新的服务共存，特别是用户的移动网络应用的使用行为日益多样化，这就要求我们对用户的行为进行更深入的研究。在研究方法上，目前急需建立一套适合于手机用户行为识别的系统和全面的分析系统。

一．移动通信网的基本概念

移动通信网络是在移动和移动用户间、移动用户和固定用户之间建立的无线通信网络，它是无线通信网络的扩展。无线部分为用户终端接入，利用频谱资源进行语音和数据传输；有线部分完成了交换，用户管理，漫游和认证等功能。移动通信网络具有丰富的内容和广阔的外延，可以根据不同的角度对其进行分类。

二．移动通信用户行为

在手机网络时代，手机用户的行为与手机用户的行为表现出了明显的同一性，并且与传统的电信用户有很大的不同。首先，移动通信用户具有访问的随意性，其特征是在时间上的随意性和在空间上的随意性。即相对于 PC用户，手机用户的上网时间存在着碎片化、访问频率高、网络访问的随机性。因为移动性好，在接入网络后仍然会发生空间地理位置的改变。                            其次，由于手机使用者拥有长期的在线特性，即时通讯的使用日益广泛，使用者以即时通讯为主要通讯手段，传统的短信、语音服务逐渐被取代，使用者也因此呈现出永久上网的特性。

移动通信的用户行为将随着移动终端性能的不断提高、应用场景和应用功能的不断扩展而不断演变。移动通信用户的行为模式可以分为三种：地点访问、服务访问和混合访问。地点存取模型是指用户经常访问的位置和路径，多用于网络的优化；服务存取模型是指用户对移动通讯业务或内容的使用规则及要求的偏好；混合存取方式主要是用来描述使用者的通讯服务要求、内容存取和位置存取的关系。

三．移动通信用户行为识别

在手机用户的行为识别方面，目前的研究主要依赖于数据挖掘技术，特别是基于聚类的方法，利用移动通讯中的多个来源的数据样本来区分用户的行为，从而识别和研究用户的行为。目前，在手机用户的研究中，已经有很多的成果，可以概括为：

3.1用户行为识别理论模型研究

在理论模型的研究上，由于信息技术的飞速发展，智能数据挖掘算法在用户分析中得到了广泛的应用，其中最常见的算法有聚类、时间序列和支持向量机等。聚类算法是一种高效的数据处理方法，目前已有的聚类算法主要有系统聚类、层次聚类、密度聚类、网格聚类和基于模型聚类的聚类。在大数据环境下，手机用户的行为分析通常是大数据、大样本的分析，利用聚类方法对用户进行分类，从而形成具有明显特点的用户群，从而发现用户的兴趣社群，从而为企业的市场推广和套餐的开发提供参考和指引。因此，聚类分析在用户行为分析中得到了广泛的应用。

由于用户数据是多维的，除了用户属性、用户行为等因素之外，用户行为的连续性也需要考虑到数据的时间属性。近年来，由于数据挖掘技术的不断发展，决策树、遗传算法、支持向量机等智能化算法以及机器学习等技术已经逐渐被引入到了用户行为分析中。

四．用户个性化推荐相关研究

介绍系统是一种基于用户兴趣、购买习惯、消费行为、需求等信息的电子商务网站，通过对用户行为进行分析，从而为顾客提供信息和购买建议。推荐系统能使消费者更快地做出更好的选择。目前，个性化推荐是目前最流行的一种方式。个性化推荐系统是基于大量的数据挖掘技术，为客户提供决策支持和信息服务的先进商业智能平台。

基于内容的推荐方法、基于协同过滤的推荐方法、基于协同过滤的推荐方法和混合推荐方法。基于协作过滤的推荐算法是目前应用最广的一种，它可以从用户的协同过滤、基于项目的协同过滤、基于对象的协同过滤算法和基于基础的基础上的基于协同过滤的算法。

于矩阵分解中的协作筛选算法等。目前的推荐系统存在着数据稀疏、冷启动、灰羊用户分类、个性化推荐等问题。目前的研究主要集中在推荐算法的改进上，以达到对推荐系统进行优化，从而提高用户的使用体验。

五．总结

本章首先介绍了移动通信网络、移动通信用户行为的含义，然后定义了移动通信网络用户行为的概念，并对目前移动通信用户行为的研究现状进行了总结和说明。在实际应用上，阐述了当前主要的基于多源数据驱动的用户行为分析，并对现有的分析方法进行了归纳，并对数据驱动的移动用户行为进行了梳理，发现了当前移动用户行为的不足之处，从而对基础电信运营商进行了深入的分析。符合行为，并在此基础上进行产品战略的优化，达到精确的销售和精细的销售。

目前，针对手机用户的行为分析，在系统的方法和应用上，还存在着一些不足，其中包括推荐算法的单一以及运营商的基于内容的创新服务的推荐算法。在此基础上，结合了基于内容的推荐算法和协作筛选的推荐算法，根据用户的行为特征建立了相应的推荐模型，并给出了相应的推荐策略。通过手机用户的行为来替代用户自身，参与到套餐选择和商业创新中，会对用户匹配的形成起到积极的推动作用。

基于此，本论文针对目前的研究与实务中的问题和缺陷，进行了深入的研究，并进一步探讨了用户的匹配行为及其驱动机理，并通过建立相关模型来指导运营商的业务创新和个性化推荐，从而为基础电信运营商实现客户的价值创造、实现精准营销、差异化竞争等方面提供了理论依据和方法上的借鉴。

参考文献：

[1] 马远卓. 基于数据挖据的移动通信用户行为识别和个性化推荐研究[D]. 黑龙江大学.

[2] 方卉. 基于多源数据融合的移动商务情景推荐研究[D]. 湖北工业大学.

[3] 王子岩, 司亮, 刘滨, et al. 基于系统动力学的资讯个性化推荐研究[J]. 河北科技大学学报, 2021, 42(2):9.

[4] 姚凯, 涂平, 陈宇新, et al. 基于多源大数据的个性化推荐系统效果研究[J]. 管理科学, 2018, 31(5):13.

[5] 杨光财. 移动通信网络业务识别技术研究和实现[J]. 业务识别, 2013.

[6] 马远卓. 基于数据挖据的移动通信用户行为识别和个性化推荐研究[D]. 黑龙江大学.

[7] 艾达, 罗爱平. 移动通信重入网用户识别算法分析研究[J]. 西安邮电学院学报, 2012, 17(003):30-33.

[8] 肖朔晨. 基于多源数据的移动通信用户行为识别及个性化推荐研究[D]. 北京邮电大学, 2018.