用户行为预测模型.pdf

第 8 卷  第 5 期  2012 年 5 月

移动社交网络中的
用户行为预测模型

唐杰杨洋
关键词：移动社交网络用户行为建模清华大学

移动社交网络已经成为沟通真实物理世界和虚实反应。
拟互联空间的桥梁。人们在互联网络中的行为直接研究表明[1]，用户在移动社交网络中的行为会
反映了人们在真实世界中的活动和情感。为了对个被众多微妙的因素所影响。那么，能否通过记录用
人的网络行为和情感进行预测，本文将介绍如何利户的行为和在网络中关系的动态变化对其行为进行
用互联网络构建个人社交场景，并提出动态平滑概预测呢？
率因子图模型。模型同时考虑了网络结构、用户属图１是用户行为预测问题的一个样例。图的
性和网络用户的偏好，对用户的动态行为进行建模左侧展示了用户约翰（John）及其朋友的社交网
和预测。络，每一位用户在时间t上都有相应的行为记录，
目的是预测用户在时间t+1的行为，例如在微博或
介绍者Twitter网络中，约翰会转发他朋友发出的帖子
吗？这需要对用户行为进行建模，建模过程不仅要
与传统的社交网络服务相比，移动社交网络考虑用户的个人属性（如心情、位置、电话、短信
具有允许用户通过手机、平板电脑等移

动终端工具实时互相关注及联系的独特Socialinfluence
优势。如今，Facebook、Twitter和人人Timet
网等热门社交网络都在逐步转向移动Timet(t+1)
端。同时，移动社交网络如Foursquare、
JohnJohn
Gowalla和Path等也相继出现并走红于市
场。移动社交网络所拥有的一些自然特
性与传统的、基于Web的社交网络大为
Socialcorrelation
不同：首先，移动社交网络中的所有用
户都采取实名制；其次，移动社交网络WhatwillJohndotomorrow?
中用户之间的关系更贴近于他们的真实

关系；再次，移动社交网络中用户的一Temporaldependence
切行为（如发短信、打电话、位置信息
等）都是物理社交网络中用户行为的真图1用户行为预测问题示例

21
专题第 8 卷  第 5 期  2012 年 5 月

0.75
糟糕通话
不快短信
0.6正常
愉悦归一化计数4
概率0.5兴奋
0.43

0.3
2
0.2
1
0.1

00
购物工作游玩学习睡觉路上吃饭开会糟糕不快正常愉悦兴奋
活动心情

图2（a）用户心情与其活动的关联分析（b）用户心情与其通话/发信息记录的关联分析

等），还要考虑用户的行为（社交影响力）和兴趣路上的时候，心情比较糟糕，这可能和北京拥堵
模式。的交通状况有关。图3展示了用户所在位置与其心
情状态的关联关系。用户的心情状态隐性地构成
用户情感预测了“快乐区域”（在图中用红圈表示），和“悲
伤区域”（在图中用绿圈表示）。从图中可以看
本节通过对移动社交网络数据的分析，向读者出，用户（由学生构成）在宿舍或操场附近时，
展现我们目前在用户情感分析方面得到的一些有趣大多是快乐的心情，而在教室或图书馆附近时，
的结果。该移动社交网络数据以清华大学在校学生则趋向于“负心情”。
为用户群，记录了30位用户在2010年5～7月期间，再看对用户通话及短信的观察分析，图2
连续36000个小时的行为及状态。（b）展现了分析结果。总体来说，64%的用户倾
在以下分析中，我们集中讨论几个方面：向于和朋友分享他们的快乐，36%的用户倾向于在
属性关联一个人所处的环境及其行为会影
响心情；
时间关联一个人过去的心情会影响当前的
心情；
社交关联朋友的心情会影响本人的心情。
属性关联分析
每一位用户在社交网络中都有其特定的行为模
式，这些模式在一定程度上决定该用户未来的属性
状态。在移动社交网络中，用户的主要属性包括：
活动、位置、通话记录、短信等。我们首先分析每
一个属性对用户心情状态的影响。
图2（a）展现了用户所参与的活动和当时心情
的关联关系。可以看到当一个人在玩或者逛街的时
候，心情状态趋向于“正心情”（觉得快乐、开
心）；参加会议的时候心情最差（感到烦躁或难
过）。同时还发现一个有趣的现象：用户通常在图3用户心情与其位置的关联分析

22
第 8 卷  第 5 期  2012 年 5 月

0.70.5
平均
延续
0.6平均持续时间
0.4
0.5
概0.3
0.4
率
0.30.2

0.2%
0.1
0.1
0
0
糟糕不快正常愉悦兴奋糟糕不快正常愉悦兴奋
心情心情
图4（a）用户当前的心情状态受以前心情的影响（b）不同心情状态的平均持续时间分析（“平均”代
表用户不同心情状态的似然值，“延续”代表已知用户以前的心情状态，维持同样心情至当前的似然值。)

不开心时和朋友们聊天。另一个观察结果是，根据户，他更有可能在当前依然