用戶社交屬性判別模型

用戶社交屬性判別模型目錄1研究目標和意義2關系群體社會網(wǎng)絡動態(tài)移動軌跡OD穩(wěn)定點發(fā)現(xiàn)提升家庭、集團客戶營銷精準度針對性制定競爭策略加強核心客戶維系和粘性價值利用群體影響力拓展營銷市場掌握用戶群體出行規(guī)律，強化廣告投放、業(yè)務營銷策略拓展信息化服務業(yè)務產(chǎn)品提升目標客戶群體圈定的準確率和效率豐滿客戶畫像了解客戶分布，定位商務區(qū)、居民區(qū)、流動性大區(qū)域對用戶的交往、移動軌跡等使用社會網(wǎng)絡分析相關分析方法進行建模，判別用戶間各類交往關系，如家庭、同事等。研究方法3包括用戶個人通話行為、用戶交往圈以及用戶移動軌跡，首次引入不同時段的位置信息，提升關系識別精準度。從數(shù)據(jù)倉庫中讀取源數(shù)據(jù)，校驗數(shù)據(jù)的完整性，去除冗余和具有明顯錯誤的數(shù)據(jù)。1）OD發(fā)現(xiàn)/軌跡分析：分析基站數(shù)據(jù)得到用戶移動軌跡的時間和空間規(guī)律，可判定用戶的OD穩(wěn)定點，有助于描述用戶行為模式和關系特征；2）特征提?。禾崛颖綩D、通話頻次、交往規(guī)律等用戶行為特征，作為關系分類判別的依據(jù)；3）關系分類：基于特征建立不同關系分類訓練器，計算不同關系和社群聚類，作為社會關系網(wǎng)絡基礎。地圖直觀展示用戶穩(wěn)定點和關系分布，動態(tài)顯示用戶群行為軌跡，可作為營銷參考依據(jù)，并支持靈活擴展配置。使用河南濟源三個月(2010.07-09)數(shù)據(jù)進行研究。4階段一：接口檢測檢測配置文件，讀取數(shù)據(jù)訪問權限階段二：數(shù)據(jù)校驗檢測表結構，清洗數(shù)據(jù)檢查實體完整性和參照完整性運行狀態(tài)檢測檢測模型運行狀態(tài)，運行提示配置文件數(shù)據(jù)結構數(shù)據(jù)標準化處理校驗5階段三：OD提?。〞r間+空間優(yōu)化）出現(xiàn)頻率大的基站區(qū)頻繁度得到增強出現(xiàn)次數(shù)下限大的基站區(qū)頻繁度得到增強周期性規(guī)律更顯著的基站區(qū)得到突出OD識別解決了數(shù)據(jù)非實時，數(shù)據(jù)稀缺的問題仍有不足，需要利用時空規(guī)律進行改進OD同時被多個基站覆蓋，數(shù)據(jù)分散需要進行合并-手機行為隨機，不能只用次數(shù)作為頻繁度刻畫-需要用行為的周期性規(guī)律對次數(shù)做修正OD發(fā)現(xiàn)樸素算法空間規(guī)律利用時間規(guī)律利用識別效果：共有400000多位用戶，其中識別380000位用戶OD，識別率約為95%。其他12000多位用戶由于位置暴露信息過少無法識別，8000多用戶O和D只能識別其一。6關系分類分類效果：引入交叉驗證功能，家庭識別精度81%，同事識別精度73%。正在優(yōu)化訓練樣本特征提取，逐步結果調優(yōu)。階段四：產(chǎn)生訓練集使用已知集團用戶或家庭用戶關系的其中一方除已知關系外的所有關系作為反例?？赏ㄟ^配置文件定義訓練集規(guī)模階段五：訓練分類器主要使用用戶間通話屬性、交往圈重合、OD來進行分類7關系識別識別效果：識別出882178個家庭關系，2147524個同事關系；形成了10948個家庭，每個家庭的人數(shù)平均為5；形成了4743個集團，每個集團的人數(shù)平均為13。階段六：計算關系利用分類器，對用戶的關系進行分類階段七：計算群組根據(jù)得到的關系，可以將用戶聚集成組，形成家庭和同事群體模型識別效果測試8模塊性能效果OD識別共有400000多位用戶，其中識別380000位用戶OD，識別率約為95%關系識別模型測試：家庭識別精度81%，同事識別精度73%實際外呼測試：家庭識別精度75%，同事識別精度65%群組發(fā)現(xiàn)形成了10948個家庭，每個家庭的人數(shù)平均為5；形成了4743個集團，每個集團的人數(shù)平均為13OD切換時間服從正態(tài)分布，與日常規(guī)律一致不同關系群體與親密指數(shù)分布符合常態(tài)規(guī)律關系識別可視化9結合地圖信息，提供了可展示不同用戶社群關系歸屬、OD穩(wěn)定點、動態(tài)移動軌跡、OD分布和用戶密度分布的可視化Web頁面，可更加直觀和便捷地圈定和查詢家庭集團客戶，有助于市場拓展應用和精準營銷。以Googlemap方式展示家庭、同事、朋友等不同關系群體分類查詢，靜態(tài)顯示住所和工作地穩(wěn)定點。列表給出查詢用戶附近同類群體成員信息，可直接點擊查看靜態(tài)分布。設定時間段，動態(tài)播放該關系群體的動態(tài)軌跡分布，有助于了解不同群體用戶移動出行規(guī)律以及消費特征。聚類展示該區(qū)域集中的居民區(qū)和商務區(qū)；利用熱