侯金凤

摘要：随着移动互联网的用户迅速增长，移动用户的行为特征对移动互联网发展的影响也日益增大，如何准确分析移动用户使用手机行为的关键特征，为用户提供更加精准的服务，是当下的互联网经济的研究热点。该文通过对移动互联用户使用手机行为的信息进行深入的研究与分析，在该基础上提出了移动互联用户使用手机行为信息的框架并构建用户行为模型，从而得出移动互联网用户使用手机的个性化特征，并根据用户基本信息维度，对用户群进行了更加详尽的分析与比较，从而可以全面了解用户群体关键特征，为用户提供更加精准的服务提供理论依据。

关键词：移动互联网；用户使用行为；用户画像

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）07-0277-04

Research on the Use Of Mobile Internet Phone Users Behavioral Characteristics

HOU Jin-feng

Abstract： With the rapid growth of the number of mobile Internet users， influence of the behavioral characteristics of mobile users to mobile Internet development is also increasing， how accurate analysis of the key features of mobile phone users behavior， how to provide users with more accurate service， is the hotspots of the current Internet economy research. Based on the mobile Internet users behavior information using a mobile phone in-depth research and analysis， then proposed framework for phone users to use mobile Internet behavior information and build a user behavior model to arrive at mobile Internet users use the phone personalization features. Depending on the user's information dimension， the user group conducted more detailed analysis and comparison， so that you can fully understand the key characteristics of the user groups， to provide a theoretical basis about how to provide users with a more accurate service.

Keywords： Mobile Internet； user behavior； user portrait

1 背景

随着移动互联网时代的到来，手机上网用户数量也已超过宽带上网，智能手机的流行已成为手机市场的一大趋势，智能手机也几乎成了这个时代不可或缺的代表配置。根据工信部最新数据[2，13]显示，2015年前7个月，全国移动流量消费累计达20.2亿GB，同比增长95.3%，三大运营商累计拥有12.95亿用户，其中3G、4G用户总数6.95亿，占比53.7%，随着光纤、4G等高带宽等高速发展，智能手机用户渗透率将达到70%。与传统的互联网相比，移动互联网具有随身行、个人性、位置性、终端性等特性。 正是因为这些不同的个性化用户特征，使得移动设备更能够真正体现人的位置特征等动态特性。面对如此庞大的用户群体，如何精准向用户推送服务，成为当前移动互联网经济领域研究的热点[3]。

目前，Keralapura等人[4]研究了一个3G网络中用户的浏览行为，提出了一种基于新的沙漏模型的可扩展性聚类方法，并利用该方法对用户和浏览文件分别进行了聚类。Ahmad Hawalah 等人[5]等人提出了用户画像的三级动态代理，并对此方法进行了阐述，提供了计算动态模型准确率的方法。唐胡鑫，钱旭[6]提出基于双路信息熵和凝聚信息熵算法提出双路凝聚信息熵算法与凝聚信息熵算法相比，其数据分析精确度有显著提高，并提出在数据分析过程中，确定合适的α值，能够充分的利用各路数据的协作关系。王继民等人[7]提出了基于日志挖掘的用户行为研究框架，包括主要量化指标、分析流程与主要分析方法。

综合对当前相关文献的理论分析和研究发现，当前针对移动互联用户的研究，仅局限于针对“移动搜索”这一个维度进行的分析与研究，无法体现真正的移动互联用户使用手机行为特征，本文试图对用户行为特征在多维度进行系统的梳理、总结和分析。

2 手机用户行为特征的分析方法

用户通过使用安卓手机，安装本实验应用APP，通过注册、GPS定位等功能，使得后台服务器获取用户的静态数据与动态数据，如图1所示：

2.2 用户使用手机行为特征数据的研究

用户使用手机行为特征数据分析的主要目的是将数据采集模块得到的最终数据进行分析，标签化，再根据算法进行权重分析及计算，并根据用户反馈数据的权重结果，调整用户画像的阈值。

由于用户使用手机的行为数据具有数据量大、类型分散的特征，本文根据系统业务需求，将用户使用手机行为信息主要划分为九个维度，其中包含三个静态维度和三个动态维度。维度主要包含性别、年龄、终端维度。其中年龄维度根据当前中国年龄分类标准[8]，及本实验需求，年龄维度的标签有青年、中年、老年。而终端维度包含终端的型号、品牌、参数配置等，根据当前市场流通手机品牌划分为不同的标签类别。

而动态维度主要包含以下三个维度：

1）地域维度：刻画用户的环境属性，可通过实时判断用户的位置，向用户提供实时实地的服务。

2）时间维度：刻画用户使用手机的时间点及时长、频次。

3）兴趣偏好维度：对于客户在互联网使用行为的刻画，包括使用App的情况、用户访问url情况等，并对用户网络使用的流量进行分析，细化数据可以分析到用户每一项业务使用的 。

其中，对于时间维度，时间段的划分按照两个小时为一个时间段研究，而手机使用时长及频率，根据对相关文献的研究[9-10]，通过大量实验，将用户行为的标签划分为如表1、表2所示的等级。

2.4 个性化推荐的研究

该模块的功能[14]是实现根据不同的用户个体或者用户群的用户画像，推送相应特征的内容。工作内容是对内容画像，并根据用户个体模型及用户分群模型，将正确的内容推送给相应的用户或者用户群体。本文使用的推荐算法是

3 试验及结果分析

本实验基于“易划”手机APP应用系统，通过移动互联内容发布平台，对用户使用手机行为特征进行研究。根据上述分析方法，通过采集并处理用户使用行为数据，并对其分析。以用户A在八月份使用手机APP情况为例，分析在8月份，A用户使用的APP次数如下图所示，其中小游戏类APP中，A偏好使用休闲类的游戏，那么此用户的偏好标签为休闲游戏，权重为0.32；通讯类权重为0.21。可以得出，用户A对于APP的使用，更偏好休闲游戏类。在有相关业务，比如APP推送时，根据权重阈值为0.28，那么，向A用户推送 休闲游戏类的APP。推送结果如图8所示。

4 结束语

在移动技术高速发展的今天，用户的行为特征数据不但影响产业上游商品生产的行为，也会在传播文化、商品文化中得到体现。在正确处理移动互联网用户行为的过程中，由于不受固定终端限制，用户可以随时随地使用手机，使得用户行为具有更强的实效性，智能终端已经逐渐改变人们以往对手机的使用习惯，因此有必要研究智能手机终端的使用习惯，以帮助提高对用户的服务。本文基于对相关理论的研究的基础上，提出了基于用户画像分析移动互联用户使用手机行为数据的框架，及用户画像模型的建立，为个性化推送用户服务做准备。

参考文献：

[1] Paula Pe?a， Rafael del Hoyo， Jorge Vea-Murguía， et al.Collective Knowledge Ontology User Profiling for Twitter[C]. 2013 IEEE/WIC/ACM International Conferences on Web Intelligence （WI） and Intelligent Agent Technology，2013.

[2] 赵国锋， 赖雯静， 徐川， 等. 移动互联网的业务访问特性[J]. 计算机学报， 2013， 7（36）： 7.

[3] 梁琛， 王忠民， 范琳. 移动搜索终端用户行为调查研究[N]. 西安邮电大学学报， 2014， 3（19）： 2.

[4] Keralapura R， Nucci A， Zhang Zhi-Li， et al. Profileing users in a 3G network using hourglass co-clustering[C]. Proceedings of the MobiCom. Chicago， Illinois， USA， 2010： 341-352.

[5] Ahmad Hawalah，Maria Fasli.A multi-agent System Using Ontological User Profiles for Dynamic User Modelling[C].2011 IEEE/WIC/ACM International Conferences on Web Intelligence and Intelligent Agent Technology，2011.

[6] 唐胡鑫， 钱旭. 基于信息熵的电子商务用户行为分析聚类算法[J]. 计算机仿真， 2014（31）： 4.

[7] 王继民， 李雷明， 郑玉凤. 基于日志挖掘的移动搜索用户行为研究综述[J]. 情报理论与实践， 2014， 3（37）.

[8] WTO， GBD2000， 联合国世界卫生组织年龄划分标准[S].

[9] 刘红， 王洪礼. 大学生手机成瘾与孤独感、手机使用动机的关系[J]. 心理科学， 2011， 34（6）： 1453-1457.

[10] 袁潇， 风笑天. 青少年手机需求及手机使用行为研究现状[J]. 中国青年研究， 2011（4）.

[11] 朱婷婷， 李惠. 基于Android的应用软件的综述[J]. 软件技术， 2011（1）.

[12] 钱敏， 甘利人. 网站分类体系的用户体验实验研究[J]. 情报理论与实践， 2012， 9（35）.

[13] 中国报告大厅. 2015年1-7月我国流量消费出现爆发式增长[EB/OL].http：//www.chinabgao.com/stat/stats/44938.html.

[14] Nor Aniza Noor Amran， Norliza Zaini， Mustaffa Samad.User Profile based Product Recommendation on Android Platform[C]. IEEE， 2014.

[15] 郭金维， 蒲绪强， 高祥， 等. 一种改进的多目标决策指标权重计算方法[J]. 西安电子科技大学学报， 2014， 6（41）.