基于加权二分图模型的APP信息传播特性

引用本文

吴潇, 聂啸, 刘晓辉, 高诗梦, 曲冠南, 钮艳. 基于加权二分图模型的APP信息传播特性. 2015, 45(6): 1946-1953
WU Xiao, Nie Xiao, LIU Xiao-hui, GAO Shi-meng, QU Guan-nan, NIU Yan. Analysis of propagation characteristics of APPs based on weighted bipartite network. Journal of Jilin University Engineering and Technology Edition, 2015, 45(6): 1946-1953 复制到剪切板

Permissions

基于加权二分图模型的APP信息传播特性

吴潇¹, 聂啸², 刘晓辉¹, 高诗梦², 曲冠南³, 钮艳¹

1.工业和信息化部国家计算机网络应急技术处理协调中心,北京 100000

2.电子科技大学计算机科学与技术学院,成都 611731

3.吉林大学计算机科学与技术学院,长春 130021

刘晓辉(1986-),男,中级工程师,博士.研究方向:人工智能.E-mail:tjulxh@163.com

作者简介:吴潇(1982-),男,副高级工程师,博士.研究方向:模式识别与机器学习.E-mail:wuxiao@cert.org.cn

基金:国家自然科学基金项目(U1230106); 国家信息安全发展计划项目(2013F098,2013F093,2013A050,2014F083)

摘要

采用复杂网络中的加权二分图模型方法对用户和APP的访问关系进行建模,基于国内某移动运营商国际出入口网关上采集的2014年部分真实通信日志大数据,研究了各类信息传播范围、用户访问行为特性、集中访问时段分布、访问关联性等方面的APP数据传播特性。结果表明:用户访问APP日志的二分图以及APP关联图,可用于特定信息传播渠道发现、消息溯源、用户群刻画、实时传播监测等。

关键词: 智能终端; 二分图; 应用程序; 用户行为

中图分类号:TP393 文献标志码:A 文章编号:1671-5497(2015)06-1946-08

Analysis of propagation characteristics of APPs based on weighted bipartite network

WU Xiao¹, Nie Xiao², LIU Xiao-hui¹, GAO Shi-meng², QU Guan-nan³, NIU Yan¹

1.National Computer Network Emergency Response Technical Team/Coordination Center of China, Ministry of Industry and Information Technology,Beijing 100000,China

2.School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu 611731,China

3.College of Computer Science and Engineering, Jilin University, Changchun 130021,China

Abstract

The weighted bipartite graph method of complex network is employed to model user behavior when accessing APPs. Based on the real communication logs collected from the international gateway entrance of the domestic mobile operator in 2014, the propagation characteristics of APPs are analyzed. These characteristics include APP propagation range, user access interest, access time distribution, click properties and access relevance. The analysis results provide the basis for using bipartite network and APP relevance graph to find specific information dissemination, characterize user groups and monitor intelligent terminal in a real-time way.

Keyword: intelligent terminal; bipartite network; application(APP); user behavior

Show Figures

0 引言

移动智能终端、应用程序(Application, App)和移动基础网络, 是构成移动互联网的三大要素。其中, APP服务是移动互联网的核心, 也是用户使用智能终端的主要目的和上网入口^[1]。庞大的用户规模和使用频率显示了移动APP巨大的市场价值, 形成了APP研发、发行、推广的产业链, 引起了学术界和产业界的极大关注^{[2, 3]}。

随着移动APP用户规模的与日剧增, 各类业务和应用也层出不穷。为了更好地进行APP流量分流、分类增值收费以及用户群刻画, 必须对访问日志大数据进行长期自动分析, 分析用户和APP之间的访问关系, 研究APP信息的传播特性, 类似于移动网络安全防范手段, 目前各运营商和互联网企业已在流量信息内容识别上建立分类规则库, 可根据特定URL片段、源和目的IP地址等数据大致判断流量所属的APP。在此基础上, 利用用户访问特定APP产生的日志流式大数据来分析用户行为、研究流量特性、回溯传播链等, 这对网络管理、运营决策等都具有重要意义。

本文利用移动智能终端APP产生的基础网络通信大规模日志数据和特定信息检测方法, 首先应用二分图模型对APP用户的访问行为进行建模; 然后以该模型为容器, 基于国内某移动运营商国际出入口网关上采集的非加密通信数据集, 对二分图进行网络分析, 统计出用户-APP二分图两类节点的度分布, 并以此对用户群特点进行刻画, 分析出用户访问APP的习惯。另外, 将二分图加权投影, 分析出APP之间的访问关联性。从用户访问时段分布的角度分析了APP特定信息的传播特性, 揭示了用户的访问兴趣演变。

1 相关工作

要进行用户和APP的访问关系分析, 首先是收集手机用户数据, 确定数据获取的类型和范围。由于移动互联网用户通讯访问的日志数据需要与移动运营商进行协调沟通才能获取, 而数据又往往涉及到用户隐私, 因此移动互联网领域公开的通讯数据集很少, 导致对移动互联网用户行为分析的相关研究仍处于起步阶段, 大多数研究都只是针对特定空间范围和特定种类的用户^{[4, 5, 6, 7, 8, 9, 10]}进行的。胡俊华等^[4]通过在接入网网关设置代理的方式, 获取了一个小区内用户3G无线网络中用户行为的数据, 研究了3G无线网络用户行为模式。文献[5, 10]对无线局域网环境下(校园)的用户行为进行了分析。文献[6, 7]同样在无线局域网内获取用户数据(如会议室^[6]和公共建筑物^[7]), 研究用户行为和无线网络性能, 提出了解决无线网络多重接入点负载平衡和网络优化的负载分析模型。文献[7]发现了在公共建筑物等较大范围环境下, 用户行为和网络负载与其他小范围环境局域网(如校园)的特点类似, 研究还发现网络流量拥塞程度与用户数量存在弱相关性。Ghosh等^[8]根据商业场所(如咖啡馆、快餐店、书店、宾馆和企业)中的Wi-Fi热点上采集的数据, 研究了用户在同一时间段无线上网的行为模式; 从流量数据的到达模式、到达模型、连接次数、用户数等四个方面, 研究了不同商业模式下的移动用户上网模式, 他们的研究工作更侧重于研究移动用户上网行为对无线网络负载的影响。类似地, Olmedilla等^[9]在分析发达国家手机用户访问移动互联网的通信日志之后, 将通信日志分类并根据用户访问的网络资源(如网页目录、社交标签系统)对用户的访问兴趣建模, 从而得到移动互联网用户的行为模式。

采用复杂网络与统计学结合的方法分析移动互联网APP的传播特性以及用户对APP访问关系, 是国内外最近关注的热点之一。Yan等^[11]运用复杂网络将用户对新浪微博的访问行为建模, 发现用户发布微博的时间间隔服从幂律分布, 并且该分布受用户兴趣度的影响; 同时提出用户的社会身份驱动着用户兴趣的变化, 并直接影响到微博的评论数和转发数。二分图作为复杂网络的重要模型之一, 可以用来对现实世界中的大量人类行为进行建模。近些年来, 二分图由于其在社会科学、经济和信息系统方面的意义, 受到了人们的广泛关注^[12](如科学家-论文合作网^{[13, 14]}, 听众与歌曲网^[15]、演员与影视作品网^{[16, 17]}, 城市交通网^[18])。Newman^{[13, 14]}通过建立科学家与论文二分图, 统计出该网络的平均距离和聚类系数, 通过对科学家-论文网络两类节点的度分布进行统计, 发现科学家发表论文的时间间隔服从幂律分布, 且幂指数相差很大。Lambiotte等^[15]根据人们从互联网下载音乐的行为建立了听众-歌曲二分图, 通过对两类节点聚类, 发现听众群体服从幂律分布, 但是听众所下载的歌曲数量服从指数分布。还有研究人员将二分网络应用到协同过滤算法中, 以提升算法的性能, 如Liu等^[19]通过对二分网络的两个端点间度的关联进行建模以提高推荐效果。

2 加权的用户-APP二分图模型

2.1 二分图模型的建立

在移动基础网络中, 每条通信日志数据均代表一个终端用户对移动网络的访问。通过剔除手机浏览器产生的数据包, 其余日志数据均代表了用户主动或被动产生的APP网络访问行为。一个用户可访问多个APP, 一个APP可被多个用户使用, 从而产生了用户-APP的二分视图, 用二分图模型来刻画描述该访问关系, 即得到一个加权二分图G=< U, C, E> 。其中U={u₁, u₂, …, u_i, …, u_m}, 为用户节点集合; C={c₁, c₂, …, c_n}, 为APP节点集合; m和n分别为用户数量和APP种类数。使用a_ij代表无向边的权重, 则此图对应的边权可用邻接矩阵A={a_ij}表示。若某条通信数据日志显示用户u_i有访问行为APPc_j, 则建立边e_ij, 且权重a_ij=1; 否则a_ij=0。边权重的矩阵为W={w_ij}, w_ij为多次权重的总和, 其物理意义是在一段时间内用户u_i对APPc_j的总访问次数, 可反映出流量、点击率、访问时间等, 也可根据场景不同而代表不同的访问情况。

图1为二分图模型示例, 该图以2014年3月某天中午12∶ 28∶ 55到12∶ 46∶ 56时间段内某省移动网络国际出入口捕捉到10次用户访问APP通信行为日志为数据基础, 分别记录了5名手机上网用户访问APPledaily和nextmedia两个新闻类APP产生的日志。其中, 用户u₁、u₄访问了c₂的APP的次数均为1次。

	Figure Option View Download New Window
	图1 用户-APP二分图模型示例Fig.1 User-APP bipartite graph

2.2 加权投影网络图

二分图模型量化描述了用户访问各种APP的统计情况, 将二分图加权投影到单顶点网络, 从两类节点、用户和APP的视角分别投影, 然后进行网络分析, 可以有效地在二分图基础上得到APP之间的关联程度图, 从而挖掘出APP之间的关联程度。APP之间的关联程度图可以分析出各种业务关联的强弱, 如发现喜欢使用某APP的用户还喜欢使用哪些APP, 从而有助于深入分析移动互联网用户访问行为和使用习惯、了解用户对移动互联网服务的使用偏好、为应用开发者提供行业发展动向、改善APP用户体验、分析与竞争对手相比自己有哪些优势和不足。

首先, 可以定义二分图上APP之间的关联程度图。相同用户访问过的两个APP可连边, 边权重代表两个APP覆盖相同用户的数量, 如式(1)所示:

$\begin{matrix} w_{ij}^{c} = \{\begin{matrix} \overset{m}{\sum_{l = 1}} (a_{li} a_{lj}), i \neq j \\ 0, i = j \end{matrix} (1) \end{matrix}$

式中:i, j=1, 2, …, n; l=1, 2, …, m。

从图1的二分图投影得到的APP之间的关联程度图, 如图2所示。APP关联图反映出同时访问不同的APP的用户数。

	Figure Option View Download New Window
	图2 APP之间的关联程度图示例Fig.2 APP relevance graph

2.3 模型指标及其物理意义

二分图的节点的度表示与该节点相连接的其他节点的数目。用户节点u_i的度定义为:

$\begin{matrix} \begin{matrix} k_{u_{i}} = \overset{n}{\sum_{j = 1}} a_{ij} (2) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

APP节点c_j的度定义为:

$\begin{matrix} \begin{matrix} k_{c_{j}} = \overset{m}{\sum_{i = 1}} a_{ij} (3) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

$\begin{matrix} k_{u_{i}} \end{matrix}$ 的物理意义是用户访问过的APP业务种类数; $\begin{matrix} k_{c_{j}} \end{matrix}$ 的物理意义是APP覆盖的用户数量。

二分图的节点权重度定义为与该节点相连的所有边的权重之和, 其物理意义主要是根据边权重的定义而定。本文根据模型中边权重的定义, 用户节点权重表示用户访问各类APP产生的总点击次数; APP节点权重表示各个用户访问该APP的总点击次数。用户节点权重定义为:

$\begin{matrix} \begin{matrix} s_{u_{i}} = \overset{n}{\sum_{j = 1}} w_{ij} (4) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

APP节点权重定义为:

$\begin{matrix} \begin{matrix} s_{c_{j}} = \overset{m}{\sum_{i = 1}} w_{ij} (5) \\ i = 1, 2, \dots, m; j = 1, 2, \dots, n \end{matrix} \end{matrix}$

本文中度的量化可以是访问次数(日志条数), 也可以是每次访问产生的流量比特数, 根据实际使用的需要而定。

3 访问日志数据集和预处理

3.1 日志数据预处理

由于移动互联网APP种类多达数百万, 本文选取了运营商关注的10种典型APP作为研究对象, 以APP通信规则对日志大数据实施预处理, 筛选出相关访问日志。例如, 从省移动运营商网络出入口的海量日志数据中提取一段时间(例如一周中的六天)内主流APP“ 苹果日报” 产生的http报文, 均包含“ Apple Daily” URL字符串, 再排除手机浏览器产生的相关数据后, 可发现该APP在该省日均有约1000万条访问日志, 涉及6000个独立手机用户。本文分别用APP1-APP10标识所分析的这10个APP, 并详细分析用户访问日志记录。

3.2 访问日志数据集

本文采集了2014年3月份某省国际网络出入口周一到周六共6天的流量数据, 日志达650亿条, 独立移动互联网用户达1050万个。在运营商关注的APP名单和相关通信特征规则中, 挑选10款主流不同类型的APP的通信特征。从650亿条日志中提取相关日志记录, 共取得约共900万条日志, 包含约17 000个独立手机号用户。650亿条日志涉及的独立用户总数为1050万。每条访问日志包含表1中的各个字段, 日志数据格式如表1所示。

表1 移动网络出入口访问日志数据集格式 Table 1 Format of the log data set from the gateway in mobile Internet

一个典型的日志数据如下:

Apple Daily2014-03-03 12∶ 28∶ 55 nxapi.APPledaily.com.hk/apiv7_1/APPledaily/categorylistv2/platform/android/supportwebp/1/APPver/154/format/json116.25.19.211933169.192.4.163 80

如上所示, 系统记录用户请求Apple Daily 应用的时间为2014年3月3日; 请求开始的时刻为12∶ 28∶ 55; 源IP为116.25.19.21; 源端口为19331; 访问的目标IP是69.192.4.163等信息。

4 APP信息传播特性分析

首先根据所选取的数据, 分析用户访问兴趣, 得出用户访问的APP范围和用户在移动互联网的活跃程度。然后探讨了选取的10个APP的用户渗透率、用户使用率、用户粘性在一天内4个时间段的分布情况, 并计算10个APP在6天内3项指标的变化情况。最后通过分析, 得出10个APP之间的访问关联性。

4.1 用户访问兴趣

4.1.1 用户访问的APP范围

在复杂网络中, 常用节点的度分布来描述网络的整体特征。对用户节点的度进行统计分析, 可以发现用户访问的APP数规律, 从而发现用户对移动互联网的兴趣范围。图3为用户节点的度分布特征和拟合情况。从图3中可以看出:①用户节点的度分布在半对数坐标下近似呈一条直线, 通过线性回归分析, 求得用户节点的度服从θ =1.720的指数分布, 即用户对APP的访问服从指数分布; ②用户访问的APP数体现了用户的兴趣范围, 90%以上的用户只请求很少几类APP, 平均度是1.92, 说明大多数的用户只访问少数种类的业务, 对移动互联网兴趣集中, 用户节点的最大度是8, 表明仍存在少数的用户, 对移动APP兴趣比较广泛。

	Figure Option View Download New Window
	图3 用户-APP二分图中用户节点的度分布Fig.3 Distribution of the user node degree in user-APP bipartite graph

4.1.2 用户在移动互联网中的活跃程度

用户对所有APP的请求次数体现了用户的活跃度, 在用户-APP二分图中, 用户的活跃程度可以用权重度s_u来计算, 即APP节点权重表示各个用户访问APP的总点击次数。图4为用户节点的权重度分布特征和拟合情况。从图中可以看出:①用户节点权重度分布具有明显的重尾特性, 在双对数坐标下近似呈一条直线, 通过线性回归分析, 求得权重度服从γ =2.784的幂律分布。②用户对移动互联网的APP的访问表现出较强的非均匀性, 大部分的普通用户对APP的请求都较少; 而一些少量的用户表现的非常活跃, 而这些活跃用户成为了移动互联网中主要访问APP的用户。

	Figure Option View Download New Window
	图4 用户-APP二分图中用户节点的权重分布Fig.4 Distribution of user node strength in user-APP bipartite graph

4.2 APP用户渗透率

APP用户渗透率定义为访问该APP的用户数量占用户总数的比例。该指标可用于刻画该APP信息传播的覆盖范围和普及程度, 用于量化评估某APP消耗运营商线路带宽的程度。根据用户-APP二分图模型, 用户渗透率U $\begin{matrix} P_{c_{j}} \end{matrix}$ 的计算公式为:

$\begin{matrix} U P_{c_{j}} = k_{c_{j}} / m, j = 1, 2, \dots, n (6) \end{matrix}$

式中: $\begin{matrix} k_{c_{j}} \end{matrix}$ 为APPc_j节点的度, 表示访问该APP的用户数; m为用户总数。

根据人类活动规律, 将一天24 h分成4个时间段, 即H1(0∶ 00~06∶ 00), H2(6∶ 00~12∶ 00), H3(12∶ 00~18∶ 00), H4(18∶ 00~24∶ 00), 用户在6天中4个时间段内访问APP的平均用户渗透率如图5所示。

	Figure Option View Download New Window
	图5 各类APP的用户渗透率Fig.5 User permeability of APPs

从图5中可以看出:同类APP每个时间段的用户渗透率分布呈现相似性, APP1, APP4和APP7的用户渗透率较高, 其中APP7的用户渗透率最高, 在H1~H4时间段的用户渗透率分别为43.71%, 43.17%, 48.80%和52.86%, 说明此APP普及程度最广。而APP2, APP6和APP8在4个时间段的平均渗透率最低, 说明该APP普及程度较低。

4.3 APP用户使用率

APP的用户使用率定义为用户对某APP的访问次数占所有访问次数的比例。根据用户-APP二分图模型, 用户使用率U $\begin{matrix} U_{c_{j}} \end{matrix}$ 的计算公式为:

$\begin{matrix} U U_{c_{j}} = s_{c_{j}} (\overset{n}{\sum_{j = 1}}) s_{c_{j}}, j = 1, 2, \dots, n (7) \end{matrix}$

式中: $\begin{matrix} s_{c_{j}} \end{matrix}$ 为APPc_j节点权重, 表示用户访问该APP的次数。

用户在6天中4个时间段内访问APP的平均用户使用率如图6所示,

	Figure Option View Download New Window
	图6 各类APP的用户使用率Fig.6 Usage rates of APPs

从图6中可以看出, 除APP2, APP6和APP10之外的7个APP, 每个时间段的用户使用率分布呈现相似性, 说明H1时段是凌晨休息时段, 上网信息的需求较低影响到了APP2, APP6和APP10的使用, 而其他APP未受到影响。APP1, APP4, APP7的用户使用率较高, 其中APP7的用户使用率最高, 在H1~H4时间段的用户使用率分别为33.04%, 39.55%, 59.00%和51.93%。APP2和APP10使用率较低。从图5和图6可以发现, APP的用户渗透率和用户使用率表现出正相关的特性。

4.4 APP用户粘性

用户粘性又被称为顾客忠诚度, 被定义为所有访问该类APP的用户单位时间(本文为小时)的访问次数。用户粘性对于衡量用户是否对某一APP的服务产生偏爱, 能否长期重复购买该产品具有重要的刻画能力, 是衡量APP价值以及竞争力的重要指标之一, 对于提高顾客满意度有重要的指导意义。根据用户-APP二分图模型, 用户粘性U $\begin{matrix} S_{c_{j}} \end{matrix}$ 的计算公式为:

$\begin{matrix} U S_{c_{j}} = s_{c_{j}} / k_{c_{j}}, j = 1, 2, \dots, n (8) \end{matrix}$

用户在6天中4个时间段内访问APP的平均用户粘性如图7所示。从图7可以看出, APP8的用户粘性最高, 在H1~H4时间段的用户粘性分别为76.46, 50.88, 31.39和34.08。APP9和APP10的用户粘性在10个APP中最小, 说明APP9和APP10的竞争力最弱。还可以看出, 除APP6和APP7外, 在H3时间段其余APP的用户粘性均很小, 说明在这个时间段内, APP6和APP7的用户粘性与其他APP不同, H3时间段对提升这两个APP的用户忠诚度更重要。

	Figure Option View Download New Window
	图7 各类APP的用户粘性Fig.7 Stickiness of APPs

4.5 APP用户访问时段分布

将一天分成4个时间段的实时数据只能表现用户的行为, 一周之内连续6天用户对APP的访问情况则更能表现用户的总体行为。通过数据对比发现, 用户每天4个时间段对APP的访问模式并不会发生显著变化, 所以选取一周之内连续6天的H2时间段, 对每个APP的用户渗透率、用户使用率、用户粘性变化情况进行统计。

由图8可以发现, 除APP2之外, 其余APP用户渗透率在6天之内变化不大, 基本上保持平稳。说明所比较的大多数APP的用户渗透率并未因为工作日和周末而受到影响。还发现, 使用率较高的几个APP(如APP1, APP4, APP7)的使用率在连续6天内变化不大; 反而是使用率较低的APP(如APP2和APP10)使用率波动较大。所比较的10个APP中, 用户粘性最大的APP8在连续6天内的用户粘性并不稳定, 同样用户粘性不稳定的还有APP4, 说明在用户粘性方面这两个APP在一周的中间时段需要提升。

	Figure Option View Download New Window
	图8 连续6日用户渗透率、用户使用率、用户粘性变化趋势Fig.8 User permeability, usage rates, user stickiness tendency in six days

4.6 各类APP之间访问关联性分析

根据APP关联图可探究出APP之间的关联性, 其现实意义是发现访问某APP的用户群还会访问哪些APP, 用以发现类似的APP及类似的信息传播渠道。首先, 建立二分图上APP之间的关联程度图G_c=< C, E_c> 。为明确访问APPc_i的用户还访问APPc_j的比例, 将图的边权 $\begin{matrix} w_{ij}^{c} \end{matrix}$ 按照式(9)进一步计算, 并在数据集上计算得到APP关联网络图(见图9)。

$\begin{matrix} w'_{ij}^{c} = \{\begin{matrix} w_{ij}^{c} / k_{c_{j}}, i \neq j \\ 0, i = j \end{matrix} (9) \end{matrix}$

	Figure Option View Download New Window
	图9 APP关联网络图Fig.9 Relevance of APPs

图9中, 用实心圆来表示APP节点, APP的用户渗透率大小按照实心圆的面积大小来直观反映。节点的面积越大, 对应业务类的用户渗透率也就越高。边的权重表示业务类之间的访问关联性。通过数据对比发现用户每天对APP的访问模式并不会发生显著变化, 所以对一天之内的APP访问关联性进行统计。以2014年3月3日用户对APP的访问日志数据为例(见图9), 发现:①在APP关联图中, 节点的入度越大, 说明该节点在网络中越重要; APP7的入度是最大的(为8), 说明APP7与其他APP的关联更紧密一些, APP7是APP关系网络中关键的节点, 是用户最普遍使用的APP。②21.37%的访问APP3的用户会访问APP7, 而3.04%的访问APP7的用户还会访问APP4。

5 结束语

通过分析用户对移动互联网APP访问日志, 获取相关数据, 重点分析了用户对APP的兴趣范围以及用户在移动互联网中的活跃度, 移动运营商关注的10个APP的用户渗透率、用户使用率、用户粘性以及APP之间关联性。采用二分图分析方法对用户对APP的访问关系进行建模, 分析不同时间段各个分析指标的变化, 给出并验证了他们之间的关系, 这对移动互联网的网络管理、运营决策等都具有重要意义。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	罗军舟, 吴文甲, 杨明. 移动互联网: 终端, 网络与服务[J]. 计算机学报, 2011, 34(11): 2029-2051. Luo Jun-zhou, Wu Wen-jia, Yang Ming. Mobile internet: terminal devices, network and services[J]. Chinese Journal of Computers, 2011, 34(11): 2029-2051. [本文引用:1]
[2]	艾媒咨询集团. 艾媒咨询: 2013年中国移动互联网发展报告[EB/OL]. [2013-11-18]. http://www.iimedia.cn/36963.html. [本文引用:1]
[3]	移动互联网白皮书[R]. 北京: 工信部电信研究院, 2013. White paper on mobile internet[R]. Beijing: China Academy of Telecommunication Research of MIIT, 2013. [本文引用:1]
[4]	胡俊华, 魏芳, 平金玉. 3G 无线网络条件下的用户行为分析[J]. 计算机应用与软件, 2012, 29(3): 144-148. Hu Jun-hua, Wei Fang, Ping Jin-Yu. Analysing users behaviour in 3G wireless networks[J]. Computer Applications and Software, 2012, 29(3): 144-148. [本文引用:2]
[5]	Hsu W J, Dutta D, Helmy A. Structural analysis of user association patterns in university campus wireless LANs[J]. IEEE Transactions on Mobile Computing, 2012, 11(11): 1734-1748. [本文引用:1]
[6]	Balachand ran A, Voelker G M, Bahl P, et al. Characterizing user behavior and network performance in a public wireless LAN[C]∥ACM Sigmetrics Performance Evaluation Review. ACM, 2002: 195-205. [本文引用:2]
[7]	Balazinska M, Castro P. Characterizing mobility and network usage in a corporate wireless local-area network[C]∥Proceedings of the 1st International Conference on Mobile Systems. APPlications and Services, ACM, 2003: 303-316. [本文引用:2]
[8]	Ghosh A, Jana R, Ramaswami V, et al. Modeling and characterization of large-scale Wi-Fi traffic in public hot-spots[C]∥2011 Proceedings of INFOCOM. IEEE, 2011: 2921-2929. [本文引用:2]
[9]	Olmedilla D, Frías-Martínez E, Lara R. Mobile web profiling: A study of off-portal surfing habits of mobile users[C]∥User Modeling, Adaptation, and Personalization. Springer Berlin Heidelberg, 2010: 339-350. [本文引用:2]
[10]	Kim M, Kotz D. Modeling users' mobility among WiFi access points[C]∥Proceedings of the Int'l Workshop on Wireless Traffic Measurements and Modeling. USENIX Association, 2005: 19-24. [本文引用:1]
[11]	Yan Q, Yi L, Wu L. Human dynamic model co-driven by interest and social identity in the Micro-Blog community[J]. Physica A: Statistical Mechanics and its APPlications, 2012, 391(4): 1540-1545. [本文引用:1]
[12]	Zhou T, Ren J, Medo M, et al. Bipartite network projection and personal recommendation[J]. Physical Review E, 2007, 76(4): 046115. [本文引用:1]
[13]	Newman M E J. Scientific collaboration networks. I. Network construction and fundamental results[J]. Physical Review E, 2001, 64(1): 016131. [本文引用:2]
[14]	Newman M E J. Scientific collaboration networks. II. Shortest paths, weighted networks, and centrality[J]. Physical Review E, 2001, 64(1): 016132. [本文引用:2]
[15]	Lambiotte R, Ausloos M. Uncovering collective listening habits and music genres in bipartite networks[J]. Physical Review E, 2005, 72(6): 066107. [本文引用:2]
[16]	Watts D J, Strogatz S H. Collective dynamics of 'small-world' networks[J]. Nature, 1998, 393(6684): 440-442. [本文引用:1]
[17]	刘爱芬, 付春花, 张增平, 等. 中国大陆电影网络的实证统计研究[J]. 复杂系统与复杂性科学, 2007, 4(3): 10-16. Liu Ai-fen, Fu Chun-hua, Zhang Zeng-ping, et al. An empirical statistical investigation on chinese mainland movie network[J]. Complex Systems and Complexity Science, 2007, 4(3): 10-16. [本文引用:1]
[18]	Zhang P P, Chen K, He Y, et al. Model and empirical study on some collaboration networks[J]. Physica A: Statistical Mechanics and its Applications, 2006, 360(2): 599-616. [本文引用:1]
[19]	Liu J G, Zhou T, Wang B H, et al. Degree correlation of bipartite network on personalized recommendation[J]. International Journal of Modern Physics C, 2010, 21(1): 137-147. [本文引用:1]

2011

0.0

... 其中,APP服务是移动互联网的核心,也是用户使用智能终端的主要目的和上网入口^[1] ...

0.0

... 庞大的用户规模和使用频率显示了移动APP巨大的市场价值,形成了APP研发、发行、推广的产业链,引起了学术界和产业界的极大关注^[2,3] ...

2013

0.0

... 庞大的用户规模和使用频率显示了移动APP巨大的市场价值,形成了APP研发、发行、推广的产业链,引起了学术界和产业界的极大关注^[2,3] ...

2012

0.0

. 2012, 29(3):144-148 DOI:doi:10.3969/j.issn.1000-386X.2012.03.040

Analysing users behaviour in 3G wireless networks

3G 无线网络条件下的用户行为分析

Hu Jun-hua , Wei Fang , Ping Jin-Yu.

胡俊华, 魏芳, 平金玉

摘　要：随着无线通信技术和计算机网络技术的快速发展,通过移动手持设备快速有效地接入互联网成为广大用户的迫切需求,了解和分析无线用户的行为模式显得十分必要。对一个小区内通过3G无线上网用户的数据进行记录,处理后以此为基础估计数据之间的关系,得出流量、IP数和用户数之间随着时间变化的潜在关系,进一步得出反映无线互联网用户行为习惯的活跃指数。分析结果为无线互联网的性能的改进和提高,以及无线网络服务商合理决策提供了数据依据,具有重要的商业价值。

... 由于移动互联网用户通讯访问的日志数据需要与移动运营商进行协调沟通才能获取,而数据又往往涉及到用户隐私,因此移动互联网领域公开的通讯数据集很少,导致对移动互联网用户行为分析的相关研究仍处于起步阶段,大多数研究都只是针对特定空间范围和特定种类的用户^{[4,5,6,7,8,9,10]}进行的 ...

... 胡俊华等^[4]通过在接入网网关设置代理的方式,获取了一个小区内用户3G无线网络中用户行为的数据,研究了3G无线网络用户行为模式 ...

2012

0.0

2002

0.0

... 文献[6,7]同样在无线局域网内获取用户数据(如会议室^[6]和公共建筑物^[7]),研究用户行为和无线网络性能,提出了解决无线网络多重接入点负载平衡和网络优化的负载分析模型 ...

2003

0.0

2011

0.0

... Ghosh等^[8]根据商业场所(如咖啡馆、快餐店、书店、宾馆和企业)中的Wi-Fi热点上采集的数据,研究了用户在同一时间段无线上网的行为模式 ...

2010

0.0

... 类似地,Olmedilla等^[9]在分析发达国家手机用户访问移动互联网的通信日志之后,将通信日志分类并根据用户访问的网络资源(如网页目录、社交标签系统)对用户的访问兴趣建模,从而得到移动互联网用户的行为模式 ...

2005

0.0

2012

0.0

... Yan等^[11]运用复杂网络将用户对新浪微博的访问行为建模,发现用户发布微博的时间间隔服从幂律分布,并且该分布受用户兴趣度的影响 ...

2007

0.0

... 近些年来,二分图由于其在社会科学、经济和信息系统方面的意义,受到了人们的广泛关注^[12](如科学家-论文合作网^[13,14],听众与歌曲网^[15]、演员与影视作品网^[16,17],城市交通网^[18]) ...

2001

0.0

... Newman^[13,14]通过建立科学家与论文二分图,统计出该网络的平均距离和聚类系数,通过对科学家-论文网络两类节点的度分布进行统计,发现科学家发表论文的时间间隔服从幂律分布,且幂指数相差很大 ...

2001

0.0

2005

0.0

... Lambiotte等^[15]根据人们从互联网下载音乐的行为建立了听众-歌曲二分图,通过对两类节点聚类,发现听众群体服从幂律分布,但是听众所下载的歌曲数量服从指数分布 ...

1998

0.0

2007

0.0

. 2007, 4(3):10-16 DOI:doi:10.3969/j.issn.1672-3813.2007.03.002

An empirical statistical investigation on chinese mainland movie network

中国大陆电影网络的实证统计研究

Liu Ai-fen , Fu Chun-hua , Zhang Zeng-ping

刘爱芬, 付春花, 张增平

对中国大陆近80年的电影网络进行了实证研究.采用二分图及其投影来描述大陆电影合作竞争网,得到了平均距离、距离分布、平均群聚系数、群聚系数分布、度分布、点强度分布、项目度分布、项目大小分布、同类性等统计性质,并根据这些统计性质进行了初步分析.结论表明这种复杂网络描述方法有助于发现和理解一大类合作-竞争系统的共性.

2006

0.0

2010

0.0

... 还有研究人员将二分网络应用到协同过滤算法中,以提升算法的性能,如Liu等^[19]通过对二分网络的两个端点间度的关联进行建模以提高推荐效果 ...