[发明专利]用户行为分析方法、分析预测方法及电视节目推送系统

说明书

技术领域

本发明涉及数据挖掘技术领域，特别涉及一种用户行为分析方法、分析预测方法及电视节目推送系统。

背景技术

目前，大部分算法都用的是统计数据进行初步数据处理，这样的数据处理用户行为数据会丢失行为时序与周期性特点，正是因为这些数据特性的丢失，会造成用户描述的准确性不理想。而且同一个用户的行为有太多的不可预知性，如果仅仅针对用户的统计数据进行分析，则很难完整的预测用户下次的行为，例如：同为周一用户统计规律会去看A类节目，由于未知的原因去看了B类节目，但你根据统计的描述无法发现隐藏在用户观看历史中的行为变迁信息，故是不会去推荐B类节目，从而无法为用户提供人性化的消费品和服务。

因此，现有技术还有待改进和提高。

发明内容

本发明的目的在于提供一种用户行为分析方法、分析预测方法及电视节目推送系统，以解决现有技术中对用户行为分析不准确、会丢失行为时序与周期性特点，造成用户行为描述的准确性较差的问题。所述用户行为分析方法基于变化结构的数据分析方法，所述分析预测方法基于所述用户行为分析方法，所述电视节目推送系统基于所述分析预测方法。

为了达到上述目的，本发明采取了以下技术方案：

一种用户行为分析方法，其中，包括以下步骤：

ST1、根据历史用户行为数据，提取出用户行为模式结构数据，并存储在用户行为模式数据库中；

ST2、将存储在用户行为模式数据库中的用户行为模式结构数据按行为类型特征进行第一次聚类，并生成按类型相似的聚类用户数据集；

ST3、对所述的按类型相似的聚类用户数据进行第二次按变化结构特征进行聚类，并生成具有相似行为变迁的用户簇集数据集；

ST4、输出用户聚类簇集结果数据。

所述的用户行为分析方法，其中，所述步骤ST1，对历史用户行为数据进行分析，提取出用户行为模式结构数据，并存储在用户行为模式数据库中，用户行为模式结构数据为D1＝(U，P)其中，U＝{用户1、用户2......用户n}代表用户集合，P＝P(c，s，n，m，k)，其中，c为行为类型，s为行为起始时间，n为行为间隔时间，m为行为出现周期次数，k为行为时间长度。

所述的用户行为分析方法，其中，所述步骤ST2，将存储在用户行为模式数据库中的用户行为模式结构数据按行为类型特征进行第一次聚类，并生成按类型相似的聚类用户数据集中，所述对所述的按类型用户行为数据进行第一次聚类具体在于：

定义聚类的用户行为类型相似度表达式为其中，C_i、C_j表示U中第i、j个用户的行为模式类集合；

对结构数据D1＝(U，P)，P(c，s，n，m，k)的行为类型c按所述的用户行为类型相似度表达式进行聚类分析。

所述的用户行为分析方法，其中，在所述步骤ST3，对所述的按类型相似的聚类用户数据进行第二次按变化结构特征进行聚类，并生成具有相似行为变迁的用户簇集数据集中，具体在于：

定义所述按类型用户行为数据集为D2＝(U，S)，其中U＝{用户1、用户2......用户n}；S＝{(s_ij，s_ij+n_ij×m_ij)}，s_ij为模式起点，n_ij为模式周期，m_ij为周期数；

定义则聚类的变化特征相似度表达式为

其中，w_ij的值为1时代表用户i与j用户行为模式类型相同且次序相同，否则为0；|(C_i∪C_j)|为用户i与用户j存在的类型元素总个数；

对结构数据D2＝(U，S)，S＝{(s_ij，s_ij+n_ij×m_ij)}，按所述的变化特征相似度表达式进行聚类分析。

所述的用户行为分析方法，其中，所述的聚类分析为基于MST的聚类分析。所述基于MST的聚类分析具体包括以下步骤：

STA、用相似度表达式，算出所有点之间的权值；

STB、使用MST聚类构造算法，生成最小生成树；

STC、设定可容忍差异权值，大与或等于其值的边定义为边界边；

STD、打断所有边界边；根据打断数量来确定最终生成的聚类数。