[發(fā)明專利]基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201710083659.1
• 申請日: 2017-02-16
• 公開（公告）號: CN106991490B
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計）人: 張暉;征原
• 申請（專利權(quán)）人: 南京郵電大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04
• 代理公司: 南京經(jīng)緯專利商標代理有限公司 32200
• 代理人: 朱小兵;劉莎

本發(fā)明公開了一種基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測方法，首先通過對當前的用戶相似度算法進行改進，使得改進后的用戶相似度算法具有區(qū)分不同數(shù)量級大小的數(shù)據(jù)的作用，準確尋找與目標用戶相似度較大的用戶進行輔助預(yù)測；其次，提出一種多用戶多階Markov預(yù)測模型，通過利用不同長度的預(yù)測序列來對用戶的下一業(yè)務(wù)進行預(yù)測，從而提高預(yù)測的準確率。最后，將用戶的業(yè)務(wù)興趣考慮在內(nèi)，通過分析用戶對不同業(yè)務(wù)的興趣度，對多用戶多階Markov預(yù)測模型進行進一步完善，最終得到基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測算法。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測方法，屬于業(yè)務(wù)預(yù)測技術(shù)領(lǐng)域。

背景技術(shù)

隨著移動互聯(lián)網(wǎng)的發(fā)展和普及，移動互聯(lián)網(wǎng)己成為人們獲取各種信息和資源的重要媒介，使得用戶能夠通過移動智能終端，隨時，隨地，隨心的使用自己感興趣的相關(guān)業(yè)務(wù)。顯然，移動互聯(lián)網(wǎng)和智能終端極大地改變了人們的生活，工作，和娛樂方式。

當前，移動互聯(lián)網(wǎng)信息量和用戶數(shù)量飛速增長，而網(wǎng)絡(luò)資源有限的情況下，如何提前預(yù)測用戶的下一個業(yè)務(wù)狀態(tài)，有效減少用戶的訪問等待時間，提高網(wǎng)絡(luò)服務(wù)質(zhì)量，已成為一個迫切需要解決的難題。

當前，用戶業(yè)務(wù)預(yù)測預(yù)測問題大多采用Markov模型，作為一種經(jīng)典的概率統(tǒng)計模型，Markov模型通過在用戶歷史訪問業(yè)務(wù)序列庫中匹配用戶的當前訪問，預(yù)測用戶下一步最可能使用的業(yè)務(wù)。很多學者對此都進行了卓有成效的研究，雖然當前的Markov預(yù)測模型雖然已經(jīng)具有比較高的準確率，但依然有很多改進的空間，例如當前的Markov模型結(jié)構(gòu)比較簡單，并且影響用戶下一業(yè)務(wù)的因素并未考慮全面。

因此，在當前的Markov模型的基礎(chǔ)上進行進一步拓展，將更多的影響用戶下一業(yè)務(wù)的因素考慮進來，形成更加完善的Markov模型，進一步提高對用戶下一業(yè)務(wù)的預(yù)測準確度，提升用戶業(yè)務(wù)體驗已成為當前研究的熱點。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測方法，該方法首先通過對當前的用戶相似度算法進行改進，使得改進后的用戶相似度算法具有區(qū)分不同數(shù)量級大小的數(shù)據(jù)的作用，準確尋找與目標用戶相似度較大的用戶進行輔助預(yù)測；其次，提出一種多用戶多階Markov預(yù)測模型，通過利用不同長度的預(yù)測序列來對用戶的下一業(yè)務(wù)進行預(yù)測，從而提高預(yù)測的準確率。最后，將用戶的業(yè)務(wù)興趣考慮在內(nèi)，通過分析用戶對不同業(yè)務(wù)的興趣度，對多用戶多階Markov預(yù)測模型進行進一步完善，最終得到基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測算法。

本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：

本發(fā)明提供一種基于混合Markov模型的業(yè)務(wù)協(xié)同預(yù)測方法，其特征在于，具體步驟如下：

步驟1，根據(jù)用戶的業(yè)務(wù)訪問特點，計算用戶之間的相似度；

步驟2，在用戶的歷史行為序列中，選取用戶最近發(fā)生的沒有重復(fù)業(yè)務(wù)行為的一段歷史行為序列作為預(yù)測序列；

步驟3，根據(jù)預(yù)測序列以及用戶對不同業(yè)務(wù)的偏好程度，計算用戶下一時刻業(yè)務(wù)的預(yù)測概率分布；

步驟4，選擇與目標用戶相似度最高的K個用戶組成目標用戶的最近鄰集合，根據(jù)目標用戶的最近鄰集合中各個用戶的下一時刻業(yè)務(wù)的預(yù)測概率分布，計算目標用戶下一時刻業(yè)務(wù)的預(yù)測概率分布，目標用戶下一時刻業(yè)務(wù)的預(yù)測概率分布中最大概率值對應(yīng)的業(yè)務(wù)狀態(tài)即為目標用戶在下一時刻的預(yù)測業(yè)務(wù)狀態(tài)。

作為本發(fā)明的進一步優(yōu)化方案，步驟1中用戶之間相似度的計算方法，具體為：

所述用戶根據(jù)其業(yè)務(wù)興趣指標值進行描述，即第i個用戶u_i＝{u_i1,u_i2,…,u_in}，其中，i＝1,2,…,m，m為用戶數(shù)，u_ia為第i個用戶對第a個業(yè)務(wù)的業(yè)務(wù)興趣指標值，a＝1,2,…,n，n為業(yè)務(wù)數(shù)；