基于预测度量值的IPTV用户行为规则预测算法

doi:10.11959/j.issn.1000-0801.2016153

摘要/Abstract

摘要：

提出了一种符合用户行为的，基于海量IPTV用户特征数据，对IPTV用户进行分群和规则提取的算法模型。首先提出了符合用户点播使用行为的IPTV用户分群的描述维度，即通过基础属性描述用户分群、通过点播行为描述用户分群变化趋势。然后提出了预测度量值的概念，对用户分群的稳定性进行描述，并提出了对稳定的用户分群提取点播行为概率的算法。最后通过大量的IPTV运营数据对算法模型进行了验证分析。

关键词: IPTV, 点播行为, 等价类划分, 信息熵, 预测度量值, 规则提取

Abstract:

An algorithm model conformed to the user behavior,based on the massive IPTV user characteristic data which extract rules and classify IPTV users was proposed.First,IPTV user group description dimension in accordance with the user on demand was put forward.Namely,the user group could be described by basic property and trend of user behavior could be described by users' demand behavior.Then the concept of prediction measurement was put forward,the stability of user group was described,and an algorithm which extracted demand behavior probability on stable user group was proposed.At last,the algorithm model was verified and analyzed by massive IPTV operation data.

Key words: IPTV, demand behavior, equivalent class, information entropy, prediction measurement, rule extraction

汪敏娟,嵇正鹏,吕超. 基于预测度量值的IPTV用户行为规则预测算法[J]. 电信科学, 2016, 32(5): 160-165.

Minjuan WANG,Zhengpeng JI,Chao LV. A rules extraction algorithm for IPTV customers forecasting based on the forecasting entropy measurement[J]. Telecommunications Science, 2016, 32(5): 160-165.

图/表 5

图1

表1

表2

图2

表3

参考文献 11

[1]	韦乐平 . 三网融合与IPTV的发展和挑战[J]. 电信科学 2006,22(7):1-5. WEI L P . Triple-play and the development and challenges of IPTV[J]. Telecommunications Science, 2006 22(7):1-5.
[2]	XIAO Y , DU X , ZHANG J , HU F , et al. Internet protocol television（IPTV）:the killer application for the next-generation internet[J]. IEEE Communications Magazine, 2007,45(11): 126-134.
[3]	KIM M W , SONG W M , SONG S Y , et al. Convergence and hybrid information technology[M]. Berlin: Springer, 2012: 409-416.
[4]	朱映波，刁建伟，康波 . 基于标签对家庭IPTV 业务个性化推送机制的用户体验优化研究[J]. 电信科学 2014,30(7):113-120. ZHU Y B ， DIAO J W ， KANG B . User experience optimization researchbased on label of IPTV households personalized pushmechanism[J]. Telecommunications Science, 2014 30(7):113-120.
[5]	曹三省，孟静，杜怀昌，等. 蚁群聚类算法在IPTV用户群偏好分析中的应用[J]. 中国传媒大学学报（自然科学版）, 2009,16(1):33-37. CAO S X ， MENG J ， DU H C et al. Ant clustering algorithm in the application of IPTV user group preference analysis[J]. Journal of Communication University of China（Natural Science Edition）, 2009 16(1):33-37.
[6]	SEOL H , PARK G , LEE H . Demand forecasting for new media services with consideration of competitiverelationships using the competitive bass model and the theory of the niche[J]. Technological Forecasting & Social Change, 2012,79(7): 1217-1228.
[7]	HELD G . Understanding IPTV[M]. NewYork: ACM Press, 2006.
[8]	JIM J , MARTIN T . Analysis of the IPTV increment service development strategy[J]. Science & Technology Innovation Herald, 2014.
[9]	SHANNON C E . A mathematical theory of communication:mathematical theory of computation[M]. New York: McGraw-Hill, 1974: 3-55.
[10]	LIANG J , SHI Z , LI D , et al. Information entropy,rough entropy and knowledge granulation in incomplete information systems[J]. International Journal of General Systems, 2006,35(6): 641-654.
[11]	VALLé R , HUA N , ZHENG X , et al. Information entropy and state observation of a dynamical system[C]// International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems， June 20-24, 1987, Eindhoven,Netherlands. Berlin: Springer-Verlag, 1987: 403-405.

属性分类	属性名称
基础属性	年龄段
	家庭类型
	职业
	学历
	用户类型
	地址（区）
	所属业务分组
点播行为	月平均消费值
	最常观看直播频道
	最常观看点播标签

预测度量值取值范围	用户基本分类个数
[0,5）	3
[5,10）	5
[10,15）	8
[15,20）	9
[25,30）	12
[35,40）	1

用户基本分类	点播行为	预测值	实际值	误差率
A	月平均消费额/元	26.4	25.73	2.6%
	最多观看直播频道	体育频道，53.3%	体育频道，56.07%	-4.94%
	最多观看点播标签	纪实，42.26%	纪实，39.9%	5.91%
B	月平均消费额/元	35.52	37.08	-4.21%
	最常观看直播频道	娱乐频道，61.8%	娱乐频道，59.41%	3.87%
	最常观看点播标签	偶像剧，77%	偶像剧，82.9%	-7.12%
C	月平均消费额/元	7.03	7.49	-6.14%
	最常观看直播频道	城市频道，35.72%	城市频道，38.6%	-7.46%
	最常观看点播标签	养生，79.65%	养生，82.8%	-3.95%

[1]	李攀攀, 谢正霞, 王赠凯, 靳锐. 开放互联网环境基于信息熵的信息传播影响力计算方法[J]. 电信科学, 2022, 38(4): 90-100.
[2]	邢亚芬, 殷海兵, 王鸿奎, 骆琼华. 基于视频时域感知特性的恰可察觉失真模型[J]. 电信科学, 2022, 38(2): 92-102.
[3]	谭晓敏,方艾,梁冰,杨豪杰. 基于决策树的EPG体验异常原因定位[J]. 电信科学, 2019, 35(8): 158-164.
[4]	谭晓敏,方艾,金铎,李长江. IPTV用户体验异常的自动化检测[J]. 电信科学, 2019, 35(7): 159-164.
[5]	陈铁明, 项彬彬, 吕明琪, 陈波, 江颉. 基于字节码图像和深度学习的Android恶意应用检测[J]. 电信科学, 2019, 35(1): 9-17.
[6]	赵洪刚,宋春晖,廉东升. 基于IPTV的宽带提速技术研究及应用[J]. 电信科学, 2018, 34(7): 187-194.
[7]	陈步华,陈戈,梁洁. 基于自适应分段广延指数模型的IPTV用户点播行为[J]. 电信科学, 2018, 34(5): 148-154.
[8]	李峰,杨琛,李兴达. IPTV架构下VR业务关键技术与解决方案[J]. 电信科学, 2018, 34(11): 119-125.
[9]	沈晶歆. IPTV超高清视频中的DRM技术研究与应用[J]. 电信科学, 2018, 34(11): 133-138.
[10]	陈戈,陈麒,海锦霞. 基于IPTV的动态媒体封装技术研究及应用[J]. 电信科学, 2017, 33(8): 53-59.
[11]	牛瑛霞,何欣. 家庭宽带IPTV业务开展策略[J]. 电信科学, 2017, 33(4): 163-169.
[12]	于洪涌,邱晨旭,闻剑峰. IPTV视频个性化推荐方案[J]. 电信科学, 2017, 33(12): 127-135.
[13]	罗传飞,孔德辉,刘翔凯,徐科,杨浩. 智慧家庭的VR全景视频业务实现[J]. 电信科学, 2017, 33(10): 185-193.
[14]	蔡鑫,阮宜龙,石屹嵘. 基于图数据库的IPTV内容知识库设计和实现[J]. 电信科学, 2016, 32(12): 32-36.
[15]	于洪涌,闻剑峰,蔡鑫,邱晨旭. 基于大数据的IPTV精准营销方案研究与应用[J]. 电信科学, 2016, 32(12): 37-42.