[发明专利]一种支持精准服务推送的用户行为模式识别方法

说明书

本发明公开了一种支持精准服务推送的用户行为模式识别方法，包括：步骤1，从安卓移动设备中收集应用运行过程中的设备能耗、CPU使用情况、内存使用情况和通信数据包信息；步骤2，运用数据清洗技术对收集到的数据进行数据处理，去除噪音数据，并填补其中存在的空缺数据，然后使用滑动窗口技术对数据进行分组；步骤3，使用轻型机器学习技术随机森林算法进行分类器训练；步骤4，利用步骤3训练的分类器对应用的使用情况进行推测；步骤5，根据应用的使用情况构建用户行为模型；步骤6，根据用户行为模型预测用户行为从而提供精准服务推送。

技术领域

本发明涉及安卓设备中用户行为分析领域，尤其涉及一种支持精准服务推送的用户行为模式识别方法。

背景技术

移动互联网的快速发展导致了全球移动设备的普及。谷歌和苹果这两家移动应用巨头研发的操作系统Android和iOS几乎垄断了全球智能手机市场。Gartner的研究表明，截至2016年第三季度，全球87.8％的智能手机搭载了Android系统。由于开源的优势，Android系统已经吸引了大量软件开发人员的关注，并被应用于移动设备，平板终端，电视，数码相机，游戏机等智能设备。大量应用程序不断涌现，功能几乎涵盖了用户可以想到的所有服务。到2015年，基于Android系统的Google Play应用商店中的应用数量达到了143万从而超越了iOS。

移动设备极大地改变了人们的生活。人们越来越热衷于使用移动应用程序来完成各种任务。实际上，运行应用程序的用户通常具有一定的规律性，可用于分析用户行为。例如，当用户闲暇时，他习惯于使用移动应用程序来购物，观看视频，浏览网页，聊天或玩游戏；当用户工作时，他习惯于使用移动应用程序查看文本，查看电子邮件，使用Office编辑文档和查询相关知识；当用户旅行时，他习惯于使用移动应用程序完成支付任务，使用地图获取线路和其他服务。因此，通过分析用户对移动应用程序的使用，可以获知用户行为模式。

用户行为模式的识别对于为用户提供更及时和准确的服务推送以及引导开发人员改进服务功能具有积极作用。分析应用程序使用情况可以为构建用户行为模型提供依据。那么如何推测应用的使用情况呢？目前，主要方法是通过流量分析推断某个时刻的应用程序使用情况，如H.F.Alan等人在“Can android applications be identified usingonly tcp/ip headers of their launch time traffic？(In:ACM Conference onSecurityPrivacy in Wireless and Mobile Networks.,2016,pp.61–66.)”中通过分析数据包信息来推测应用使用情况；还有一些方法可以通过分析公共资源来推断应用程序的使用情况，如Y.Chen等人在“Powerful:Mobile app fingerprinting via poweranalysis.(In IEEE INFOCOM,2017,pp.1–9.)”中通过分析功耗来推测应用使用情况；X.Liu等人在“Understanding diverse usage patterns from large-scale appstore-service profiles.(In:IEEE Transactions on Software Engineering,2018,pp.384–411.)”中通过分析用户状态来推测应用使用情况。然而，当前的方法通常仅考虑一项数据(例如流量，功率)，这对于结果是次优的。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的对用户行为模式的识别不够精确的不足，提供一种支持精准服务推送的用户行为模式识别方法。

为了解决上述问题，本发明公开了一种支持精准服务推送的用户行为模式识别方法，包括以下步骤：

步骤1，从安卓移动设备中收集应用使用过程中设备能耗、CPU使用情况、内存使用情况和应用使用网络发送的通信数据包信息；

步骤2，对步骤1收集到的数据进行数据处理，去除噪音数据，并填补其中存在的空缺数据，然后使用滑动窗口技术对数据进行分组；