[发明专利]一种基于LDA主题模型的电信用户相似度发现方法

权利要求书

1.一种基于LDA主题模型的电信用户相似度发现方法，其特征在于，包括以下步骤：

S1：采集用户信息；

S2：对S1中采集的用户信息进行预处理；

S3：对S2中预处理信息中的基本属性、用户通话记录和用户短信记录分别进行相似度计算；

用户基本属性相似度计算公式如下：

其中，代表用户a的N维特征向量，代表用户b的N维特征向量,和分别代表向量的长度，为用户基本属性的相似性，值越大，则用户基本属性中的相似特征就越多；

用户通话记录和用户短信记录相似度的计算公式如下：

其中，P(C,S)为用户通话记录和用户短信记录相似度，c代表通话时长，f代表通话频率，s代表短信次数；c_ij表示用户i向用户j发起通话的时长，c_ji表示用户j向用户i发起通话的时长，c_i代表用户i与相邻用户的通话总时长，c_j代表用户j与相邻用户的通话总时长；f_ij表示用户i向用户j发起通话的频率，f_ji表示用户j向用户i发起通话的频率，f_i代表用户i与相邻用户的通话总频率，f_j代表用户j与相邻用户的通话总频率；s_ij表示用户i向用户j发起短信的次数，s_ji表示用户j向用户i发起短信的次数，s_i代表用户i与相邻用户的短信总次数，s_j代表用户j与相邻用户的短信总次数；

S4：对S2中预处理信息中的用户在一天内所连基站位置信息，建立LDA模型，计算该信息相似度，步骤为：

S41：建模前的预设；

S42：构建LDA模型；包括以下步骤：

S421：选择文档i的主题概率分布为其中表示第i篇文档矩阵，Dir表示狄利克雷分布，i属于{1,...M}，M是文档个数，是每篇文档的主题分布的先验分布Dirichlet分布的参数，也称超参数；

S422：选择主题k的词项概率分布为其中表示第k个主题矩阵，Dir表示狄利克雷分布，k属于{1,...K}，K是主题个数，是每个主题的词分布的先验分布Dirichlet分布的参数，也称超参数；

S423：对于文档中的每个单词w_i,j，选择一个主题z_i,j～Multinomial(θ_i)服从多项式分布；选择一个词项服从多项式分布；

其中，w_i,j代表第i个文档下第j个词项，z_i,j表示第i个文档下第j个词项的主题编号，θ_i表示第i篇文档，表示主题z_i,j的分布；

S43：利用吉布斯抽样方法进行参数估计，通过计算主题概率分布和词概率分布，计算文档相似度，公式如下：

其中，d₁、d₂代表两个文档，i表示第i个主题编号，代表文档d₁取到主题i的概率，代表文档d₂取到主题i的概率，K表示第m篇文档中主题总数；

S5：综合S3和S4的相识度计算，推测相互关系；综合相似度的计算公式如下：

其中，u1、u2代表用户1和用户2；η₁表示利用基本属性计算的权值，设置η₁＝0.1；η₂表示利用通话记录和短信记录计算的权值，设置η₂＝0.3；η₃代表利用用户一天中连接基站位置信息计算的权值，设置η₃＝0.6；

S6：以S5中推测出的相互关系进行聚类。

2.根据权利要求1所述的一种基于LDA主题模型的电信用户相似度发现方法，其特征在于，所述S2中对S1中采集的用户信息进行预处理的内容，包括数据清理、数据集成、数据变换、数据规约4个步骤。