利用手机移动轨迹与通信信息的用户亲近关系挖掘算法研究

摘要

随着移动通信技术的发展，手机移动用户从3G通信时代进入4G互联时代。通信速度的提升，网络频谱的拓宽以及智能终端性能的不断提高，使得人们的日常通信质量得到逐步提升。多样的通信形式，稳定的移动网络，精确的定位技术和繁多的手机应用，丰富了人们的人际交往，点缀了移动用户的多彩生活。在日常的社交过程中，随着时间的推移，人们的社交圈会逐步趋于稳定。利用用户间社交行为的相关数据，可以推测用户间的社交亲近关系。用户间的亲近关系是其他诸多领域中应用研究的基础，例如好友推荐系统，相似兴趣爱好的社团发现，犯罪团伙预测，运营商营销策略的制定等等。本文利用移动手机用户的移动轨迹和用户间通信信息，挖掘移动手机用户间的亲近关系，主要工作和创新点如下:
　　(1)提出了利用手机移动轨迹发现用户共现模式的算法。该算法强调规律性，从个体用户的生活规律角度出发，利用用户间运动模式的相似发现共现模式，推测用户间可能存在的亲近关系。实验结果表明该算法能有效地发现有意义的群体关系，并能发现用户生活模式的变化。
　　(2)建立了利用移动手机用户通信数据的用户亲近关系模型，提出了亲近关系挖掘算法。在抽取用户通信行为特征时，除了通信的时长、次数因素外，还提取了分时段的数据属性特征，清晰地刻画了用户通信的时间行为。另外，算法量化了用户通信意愿的属性特征，表达了用户通信的主观行为。基于用户通信的时间行为和主观行为，模型在程度和类别上进一步划分了亲近关系。实验结果表明，该算法可以有效地展示用户间的亲近关系。
　　(3)提出了用户共现模式挖掘的并行算法。为解决大数据环境下串行算法运算效率和数据存储的瓶颈问题，本文利用MapReduce编程模型和大数据处理平台，实现用户共现模式的并行计算。实验结果表明，该并行算法可以较好地提高用户间共现模式发现的效率，并且随着数据量的不断增长，程序运行时间呈线性增长。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 用户亲近关系研究现状及研究意义

1．2．1 利用移动用户位置信息推断用户问亲近关系

1．2．2 利用移动用户间通信信息推断用户间的亲近关系

1．3 本文研究内容

1．4 本文组织结构

第二章 用户亲近关系挖掘的相关理论

2．1 数据挖掘理论简述

2．2 时空轨迹模式挖掘概述

2．2．1 伴随模式

2．2．2 频繁模式

2．2．3 异常模式

2．2．4 聚集模式

2．3 数据分类简述

2．3．1 决策树归纳

2．3．2 贝叶斯分类方法

2．3．3 基于规则的分类方法

2．4 本章小结

第三章 利用手机移动轨迹发现用户共现模式的算法

3．1 引言

3．2 概念定义

3．3 用户共现模式挖掘算法

3．4 实验

3．4．1 实验环境

3．4．2 数据源

3．4．3 实验结果

3．5 本章小结

第四章 利用手机用户通信信息发现用户问亲近关系

4．1 引言

4．2 用户亲近关系特征向量定义

4．3 建立用户亲近关系模型

4．4 用户亲近关系挖掘算法

4．5 实验

4．5．1 实验环境

4．5．2 数据源

4．5．3 实验结果

4．6 本章小结

第五章 用户共现模式并行程序设计

5．1 Hadoop并行编程模型

5．1．1 MapReduce编程模型

5．1．2 HDFS文件系统

5．2 用户共现模式并行挖掘算法

5．2．1 可行性分析

5．2．2 并行程序设计

5．2．3 实验

5．3 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢