高永梅，琚春華，鮑福光

（1.杭州職業(yè)技術學院 杭州310018；2.浙江工商大學 浙江310018）

1 引言

近年來，各國政府高度關注大數(shù)據(jù)的研究和應用，2012年美國政府投資2億美元開展 “大數(shù)據(jù)研究和發(fā)展計劃”，歐盟投入1億歐元建設科學數(shù)據(jù)的基礎設施。中國計算機學會等組織也多次組織關于大數(shù)據(jù)的學術討論會。在科學界，大數(shù)據(jù)的研究也得到了高度重視，國際頂級的學術期刊《Science》、《Nature》等相繼出版了關于大數(shù)據(jù)研究的專題期刊。

隨著信息技術在電信領域長期而廣泛的應用，各電信企業(yè)已擁有海量的用戶信息和業(yè)務數(shù)據(jù)。智能手機的普及，移動互聯(lián)網(wǎng)的迅猛發(fā)展，給電信行業(yè)帶來了新的革命，產(chǎn)生了大量的互聯(lián)網(wǎng)訪問、社交媒體等數(shù)據(jù)。2012年，Eric Hsueh-Chan Lu 等構建了 MCE（mobile commerce explorer）框架，挖掘并預測了移動用戶的運動軌跡和購買趨向[1]，Tzung-Shi Chen等人創(chuàng)建了UMBPs挖掘方法，研究移動用戶的移動行為模式[2]。2010年，張蕓等人通過改進的N-gram預測模型有效預測了用戶的行為傾向[3]。2013年，陳娜等人構建了基于Hadoop的BSS大數(shù)據(jù)平臺，為大數(shù)據(jù)背景下的個性化消費定制提供了支持[4]。

電信企業(yè)決策的正確與否依賴于如何從不同來源、不同渠道的數(shù)據(jù)中提取到有價值的信息，如何科學地管理和合理開發(fā)這些內部和外部信息資源，這也是增強企業(yè)競爭力、吸引更多用戶的關鍵所在。運營商對海量數(shù)據(jù)進行有效挖掘和分析，能更精準地掌握用戶需求及特征，從而更加高效地為電信用戶推薦適合他們的服務，定制與用戶相適應的消費產(chǎn)品。

2 電信領域數(shù)據(jù)特征分析與用戶服務模型構建

電信領域數(shù)據(jù)能夠折射出用戶的很多特征，CRM系統(tǒng)中存儲了用戶的姓名、性別、職業(yè)、地區(qū)等基礎信息，BOSS（business&operation support system）中詳細記錄了用戶的通話、短信、流量等消費行為和消費清單，微博、微信等社交平臺折射出用戶的人際交往、時尚特征、生活軌跡，互聯(lián)網(wǎng)訪問軌跡反映了用戶的興趣、愛好、購買意愿等。

基于電信領域的用戶行為分析、提取用戶特征是精準營銷[5]、個性化推薦[6,7]的前提。針對電信領域用戶的精準營銷應建立在了解用戶的興趣、愛好、社會影響力、文化層次、年齡階段等的基礎上，對用戶進行個性化業(yè)務推薦，需要了解用戶的業(yè)務偏好、消費習慣等。

從電信領域考慮，構建用戶特征模型，如圖1所示，以便開展精準營銷和個性化服務。

針對電信領域的用戶，本文對用戶基本興趣特征信息做了如下定義。

定義1 （用戶）用戶是指在某電信營運商處注冊的且能被唯一識別的用戶。在電信營運商注冊的用戶集合定義為用戶集 U={u1,u2,…,uN}。

定義2 （自然特征）用戶基本屬性集是用戶已知存在的多種特征因素的集合，包括性別（gender）、年齡(age)、職業(yè)(occupation)、婚姻狀態(tài)（marriage）、城市(city)、教育程度(education)、專業(yè)（major）和收入(income)等，定義用戶背景集為 ：UBE={gender，age，occupation，marriage，city，education，major，income，…}。

定義3 （影響力特征）用戶影響力特征指的是該用戶所處用戶群和經(jīng)常聯(lián)系的朋友圈與移動人際網(wǎng)絡，包括通話時間最長的聯(lián)系人 （long-time contact）、最常聯(lián)系的人（contact）、飛信朋友圈（Fetion）、微信朋友圈（WeChat），這些因素都會影響該用戶的相關行為和偏好。定義影響力特征為：INF={long-time contact，contact，F(xiàn)etion，WeChat，…}。

定義4 （電信特征）電信特征指的是用戶已經(jīng)啟用或者曾經(jīng)使用的電信業(yè)務和活動，包括用戶級別、業(yè)務偏好、在網(wǎng)時間、月移動網(wǎng)絡流量、月短信量和通話時間等。定義用戶電信特征為：TBS。

定義5 （生活軌跡）用戶生活軌跡指記錄用戶的活動位置和位置情景，包括出差位置、旅游偏好等位置情境。生活軌跡位置情境定義為一組非空屬性集Si={Si1,Si2,…,Sim}，每個屬性 Sij(j=1,2,…,m)都有一組屬性值Sij={Sij1,Sij2,…,Sijr}；對于推薦過程中的時刻t，Si都唯一具有一個屬性值相應地，在時刻t，情境對象Si都具有特定狀態(tài)在不同的推薦位置下，影響電信用戶行為的因素是不同的[8]。

定義6 （用戶行為特征集）指用戶通過移動網(wǎng)絡進行的網(wǎng)絡行為和偏好，包括移動閱讀、常見網(wǎng)頁、關注品牌、常用應用和購買評價等。UIC表示電信用戶在通過移動網(wǎng)絡訪問的資源進行分類后的興趣內容集合：UIC={P1,P2,…,Pl}∪{L1,L2,…,Lm}∪{C1,C2,…,Cn}={UIC1,UIC2,…,UICm}，其 中 ，P表示應用的一個組件頻道，L表示相關鏈接，C表示標簽內容，UIC是采用概念分層方法分類生成的興趣內容，則有對應的興趣概念集：∑={σx|1≤x≤Z}，堝UIC|→σx，σx為興趣內容特征概念，|→表示興趣內容到特征概念的映射關系。

從系統(tǒng)學角度考慮，移動用戶模型包括輸入、處理和輸出等部分，其中輸入部分主要包括顯性數(shù)據(jù)和隱性數(shù)據(jù)[9]。顯性數(shù)據(jù)是用戶在電信運營商處自行注冊留下的相關信息，包括用戶基本特征（注冊名、出生日期、性別、學歷、職業(yè)和所在城市等）和電信業(yè)務特征（用戶級別、業(yè)務、在網(wǎng)時間和月消費量）等；隱性數(shù)據(jù)是電信用戶通過移動網(wǎng)絡進行的各種活動和行為數(shù)據(jù)，包括影響力特征（通話時間最長的聯(lián)系人、最常聯(lián)系的人、飛信朋友圈、微信朋友圈）、生活軌跡和文化特征等。

電信移動用戶模型構建框架如圖2所示，由用戶興趣本體獲取、修正和用戶群的組建3部分組成。其中，電信移動用戶興趣本體獲取涉及用戶的基本特征、電信業(yè)務特征及其領域本體的構建等；電信移動用戶興趣模型的修正是根據(jù)用戶的生活軌跡、文化特征和影響力特征等業(yè)務行為來升級本體，實現(xiàn)用戶興趣本體的學習更新；用戶群則通過眾多電信移動用戶興趣本體的相似度計算來獲得，從而組建的。

根據(jù)用戶的興趣情境信息，在構建用戶本體情境中，將用戶情境劃分為用戶個體情境、用戶環(huán)境情境以及用戶設備情境。本體通常采用層次概念樹的形式，用戶情境的某一元素就是通過樹中的每個節(jié)點來表示的，即構建情境本體樹。用戶情境采用形式化的描述模型可做如下定義。

定義7（用戶情境）用戶情境UserContext=(UPC,UEC,UDC)，其中UPC表示用戶個體基本情境，UEC表示用戶環(huán)境情境，UDC表示用戶設備情境。UPC表示為：UPC=(UIC，UBE，TBS)；UEC 表示為：UEC=(daytime,location)，daytime 表示用戶網(wǎng)絡行為所處的時間，location表示用戶網(wǎng)絡行為所處的位置或IP地址；UDC表示為：UDC=(hardware,software)，即用戶的軟硬件設備。

情境相似度指的是兩個用戶之間的情境相似度，用于用戶情境聚類，從而進行用戶相似推薦。設G為當前用戶情境本體樹CT1中的某個非子節(jié)點，G有N個子節(jié)點G1，G2，…，GN，G′為與 G 相對應的歷史用戶情境本體樹 CT2的節(jié)點，則G與G′的相似度為：

其中，Σwi=1，wi為第i個子節(jié)點的權重。

對于兩個概念Gi′與Gi之間的相似度，本文采用基于Levenstein編輯距離的字符串相似度計算式[10]：

其 中 ，ed(Gi,Gi′)就 是 Gi與 Gi′之 間 的 Levenstein 編 輯距離。

用戶情境相似度的算法思路：比較當前用戶情境模型與歷史情境模型的相似度，即根據(jù)本體模型的層次關系，通過對子層節(jié)點概念屬性相似度的計算，回推其父節(jié)點概念屬性的相似度，直到求出根節(jié)點概念屬性的相似度。

具體算法步驟如下。

輸入：當前用戶情境CT1和歷史用戶情境CT2

輸出：用戶情境相似度CTSim（G,G′）

步驟 1 設 CTSim（G,G′）=0。

步驟2 取出CT1中的某個概念Gi，如果存在轉入下一步，否則結束。

步驟3 在CT2中找出與Gi對應的概念Gi′，如果存在轉步驟4，否則轉回步驟2。

步驟4 循環(huán)計算G與G′所有子節(jié)點Gi與Gi′的相似度 CTSim（G,G′）+=wi×CTSim（Gi,Gi′），得到綜合相似度。

3 基于Hadoop的電信大數(shù)據(jù)處理框架

電信領域的數(shù)據(jù)可分為內部數(shù)據(jù)和外部數(shù)據(jù)，內部數(shù)據(jù)主要來自CRM系統(tǒng)的用戶數(shù)據(jù)、BOSS的業(yè)務數(shù)據(jù)以及用戶通過各種電子渠道留下的訪問軌跡，外部數(shù)據(jù)涉及用戶在移動互聯(lián)網(wǎng)、公共社交平臺等方面的訪問及社交媒體數(shù)據(jù)?？纱篌w上將電信運營商能獲取的數(shù)據(jù)分為以下六大類：

·消費行為數(shù)據(jù)，用戶在電信運營商各業(yè)務系統(tǒng)中產(chǎn)生的消費記錄數(shù)據(jù)；

·訪問行為數(shù)據(jù)，用戶通過運營商的短信營業(yè)廳、網(wǎng)上營業(yè)廳、掌上營業(yè)廳等渠道進行消費查詢、業(yè)務辦理等行為產(chǎn)生的訪問軌跡；

·用戶信息數(shù)據(jù)，用戶的自然屬性，如性別、職業(yè)、年齡、入網(wǎng)時間、ARPU值等；

·業(yè)務類型數(shù)據(jù)，電信運營商提供的業(yè)務，如基礎類、套餐類、通信類、商務類等；

·公眾平臺數(shù)據(jù)，用戶在各種公眾平臺留下的痕跡，如微博、微信等社交媒體數(shù)據(jù)；

·上網(wǎng)軌跡數(shù)據(jù)，用戶使用手機訪問互聯(lián)網(wǎng)的痕跡。

對以上電信領域的海量數(shù)據(jù)進行采樣，僅僅采用普通的數(shù)據(jù)庫存取方式，在性能上是遠遠不能滿足需求的。為更好地滿足性能需求，需要采用分布式的存取方式。而Hadoop是一個開源的、可進行分布式計算的分布式系統(tǒng)基礎架構，也是目前應用最廣泛的云計算框架。它以數(shù)據(jù)處理量大、可靠性高、成本低、效率高和擴展靈活等優(yōu)勢，贏得了市場的認可。MapReduce和HDFS（Hadoop distributed file system）是Hadoop技術體系兩個主要的核心組件，HDFS是一個分布式文件系統(tǒng)，適合構建于普通的廉價計算機集群之上，MapReduce是一個編程模型和軟件構架，能夠在計算機集群上編寫并行化程序，對大數(shù)據(jù)進行快速處理[11]。Hadoop技術體系中還包含很多其他非常實用的技術，如HBase是一個分布式的數(shù)據(jù)庫，它是一個面向列的開源數(shù)據(jù)庫，適合于非結構化的大數(shù)據(jù)存儲；ZooKeeper用來維護Hadoop集群的配置信息、命名信息等，是一個分布式應用程序協(xié)調器，能提供分布式鎖同步功能和群組管理功能。結合電信領域數(shù)據(jù)特點以及Hadoop分布式架構，構建如圖3所示的電信領域數(shù)據(jù)采集與存儲架構。

3.1 數(shù)據(jù)采集層

數(shù)據(jù)采集層主要是通過不同的傳輸協(xié)議和API從各個數(shù)據(jù)源采集移動用戶的相關數(shù)據(jù)。網(wǎng)上營業(yè)廳、掌上營業(yè)廳等供用戶自助服務的電子渠道，可采用HTTP獲取用戶的訪問軌跡；短信營業(yè)廳、熱線電話IVR（interactive voice response，互動式語音應答）、CRM系統(tǒng)和BOSS為電信運營商內部系統(tǒng)，這些系統(tǒng)一般都提供了對外的API，可以利用這些接口獲取用戶數(shù)據(jù)；微博、微信等社會公共平臺為豐富平臺的各類應用，提供了開放性的API，以便吸納第三方用戶開發(fā)的精品應用，可以通過此接口從公共平臺獲取相關信息；移動用戶通過智能終端訪問互聯(lián)網(wǎng)時，網(wǎng)關是流量必經(jīng)之地，在網(wǎng)關處可以獲得用戶訪問互聯(lián)網(wǎng)的所有痕跡。

3.2 數(shù)據(jù)存儲層

數(shù)據(jù)存儲層負責將上一層發(fā)送過來的數(shù)據(jù)進行分類與整合，并將這些數(shù)據(jù)存儲在非結構化的分布式數(shù)據(jù)庫（HBase）中。將CRM系統(tǒng)中獲取的數(shù)據(jù)存儲在用戶信息數(shù)據(jù)集中；將從網(wǎng)上營業(yè)廳、短信營業(yè)廳、掌上營業(yè)廳、IVR中獲取的數(shù)據(jù)存儲在訪問行為數(shù)據(jù)集中；將BOSS中獲取的數(shù)據(jù)存儲在消費行為數(shù)據(jù)集和業(yè)務類型數(shù)據(jù)集中；將微信、微博等公共平臺獲取的數(shù)據(jù)存儲在公共平臺數(shù)據(jù)集中；將互聯(lián)網(wǎng)訪問軌跡存儲在上網(wǎng)軌跡數(shù)據(jù)集中。再對各類數(shù)據(jù)集進行挖掘分析，生成特征庫和索引庫，方便業(yè)務服務的挖掘，這部分內容將在后面進行詳述。同時該層還負責將數(shù)據(jù)內容存儲到分布式文件系統(tǒng)中。

3.3 文件存儲層

文件存儲層基于HDFS，它主要是一些計算機集群節(jié)點，包含存儲控制節(jié)點 （namenode）、數(shù)據(jù)存儲節(jié)點（datanode）和集群監(jiān)控節(jié)點3類。namenode是HDFS的管理者，管理文件系統(tǒng)的命名空間，維護文件系統(tǒng)的元數(shù)據(jù)，同時，該節(jié)點還保存了文件與數(shù)據(jù)塊在datanode中的對應關系。Hadoop為了避免因namenode出現(xiàn)故障而影響整個系統(tǒng)的運行，設計了secondary namenode作為namenode的同步備份節(jié)點。datanode是HDFS存儲數(shù)據(jù)的節(jié)點，datanode有很多，它會定期向namenode匯報所存儲的數(shù)據(jù)塊列表，方便使用者直接獲取數(shù)據(jù)。集群監(jiān)控節(jié)點主要負責監(jiān)控各節(jié)點的工作是否正常，一旦出現(xiàn)故障立即做出相應的處理。

4 電信業(yè)務數(shù)據(jù)融合與服務挖掘應用

4.1 網(wǎng)上營業(yè)廳和掌上營業(yè)廳的數(shù)據(jù)融合與業(yè)務服務挖掘

網(wǎng)上營業(yè)廳和掌上營業(yè)廳是電信運營商為方便用戶查詢話費余額、賬務清單、業(yè)務套餐、話費充值等業(yè)務而開發(fā)的電子服務渠道，通過分析用戶在網(wǎng)上營業(yè)廳和掌上營業(yè)廳的點擊行為，可以發(fā)現(xiàn)用戶的消費趨向[12]。通過在網(wǎng)上營業(yè)廳和掌上營業(yè)廳網(wǎng)站內植入JavaScript代碼，跟蹤鼠標點擊行為，并通過HTTP提交給Web服務器，經(jīng)過數(shù)據(jù)存儲接口存儲到訪問行為數(shù)據(jù)集中，同時將訪問記錄寫入索引庫。通過對訪問行為數(shù)據(jù)集進行分析挖掘，得到用戶電信特征：如經(jīng)常進行余額及消費清單查詢的用戶為消費敏感型，近期經(jīng)常查看套餐業(yè)務的用戶為新業(yè)務嘗試型等，根據(jù)用戶特征設置相應的個性化服務，如圖4所示。

4.2 短信營業(yè)廳與IVR數(shù)據(jù)融合與業(yè)務服務挖掘

短信營業(yè)廳是電信運營商通過短信向用戶提供服務功能的渠道，移動用戶可以通過發(fā)送短信進行話費查詢、業(yè)務辦理等操作，隨時隨地，方便實用。而IVR是電信運營商通過語音提供服務功能的渠道。電信運營商擁有短信營業(yè)廳和熱線電話的存儲數(shù)據(jù)庫，同時熱線電話有通話日志（calllog），用戶通過短信營業(yè)廳和IVR進行業(yè)務咨詢或辦理帶有明確的目的性，能夠準確反映用戶近期的動態(tài)。所以對短信營業(yè)廳和IVR的數(shù)據(jù)進行分析更具有針對性，通過API從短信營業(yè)廳、IVR數(shù)據(jù)庫和calllog中提取數(shù)據(jù)，經(jīng)過數(shù)據(jù)存儲接口存入訪問行為數(shù)據(jù)集，同時將數(shù)據(jù)索引存入索引庫。獲取的數(shù)據(jù)多為文本信息，為提取有用信息，需對獲取的文本信息進行關鍵詞提取、詞性標注及中文切分詞處理，最后將獲取的特征信息存入特征庫，根據(jù)用戶特征制定個性化服務策略，如圖5所示。

4.3 CRM與BOSS數(shù)據(jù)融合與業(yè)務服務挖掘

電信運營商的CRM系統(tǒng)積累了大量的用戶信息數(shù)據(jù)，BOSS內存儲了運營商的業(yè)務服務產(chǎn)品類型以及用戶消費的詳細信息。CRM系統(tǒng)和BOSS作為電信運營商的內部系統(tǒng)，數(shù)據(jù)真實可靠，對這些數(shù)據(jù)進行有效挖掘，對用戶消費行為進行細分，按照用戶消費行為的各個指標對用戶進行分類，用戶的消費指標可設定為消費金額、消費類型、消費時間、消費頻率、在網(wǎng)時間等。數(shù)據(jù)采集處理過程及個性化服務與推薦如圖6所示，通過內部API獲取用戶信息及消費數(shù)據(jù)，經(jīng)過數(shù)據(jù)存取接口分別將數(shù)據(jù)存入用戶信息數(shù)據(jù)集、業(yè)務類型數(shù)據(jù)集和消費行為數(shù)據(jù)集，同時將用戶信息索引、業(yè)務類型索引和消費行為索引存入索引庫，再采用改進的k-means聚類[13]等算法對用戶進行細分，提取特征存入特征庫。提取用戶的性別、年齡、地區(qū)等存入用戶自然特征庫；根據(jù)用戶消費情況提取用戶電信特征存入電信特征庫，如夜間大流量型、多語音業(yè)務型、多短信業(yè)務型、增值業(yè)務型等；根據(jù)用戶漫游情況提取用戶的生活軌跡，如省內出差型、省際出差型、國際出差型等。根據(jù)用戶的自然特征、電信特征和生活軌跡特征，進行套餐推薦等個性化服務。

4.4 微博、微信等公眾平臺數(shù)據(jù)融合與業(yè)務服務挖掘

隨著互聯(lián)網(wǎng)和智能終端技術的飛速發(fā)展，越來越多的人們通過社交網(wǎng)絡進行各種社會活動，在線社交平臺成為真實人際關系在互聯(lián)網(wǎng)上的重現(xiàn)，能夠折射出用戶的興趣、愛好、影響力、消費趨向等特點。最近得以迅猛發(fā)展的微博、微信等社交平臺，擁有海量用戶及其用戶留下的信息，從這些海量數(shù)據(jù)中挖掘有價值的信息，實現(xiàn)精準營銷和服務推薦，也是各大運營商所期待的。微信中的朋友圈、微博中的粉絲數(shù)量真實地體現(xiàn)了該用戶的影響力，微博、微信中發(fā)表的文字、語音等內容包含用戶的生活軌跡、興趣愛好、品牌趨向等特征。

數(shù)據(jù)采集處理過程及個性化服務與推薦如圖7所示：微博、微信等第三方社交平臺，大多提供了API技術，通過外部API獲取用戶粉絲情況、關注情況、朋友圈以及發(fā)布的文字信息、語音信息等，經(jīng)過數(shù)據(jù)存取接口將數(shù)據(jù)存入公共平臺數(shù)據(jù)集，同時將信息索引存入索引庫。將接收到的語音信息通過轉換工具轉換成文字，連同獲取到的文本信息，使用文本聚類算法，提取用戶的影響力特征、品牌特征、文化特征、生活軌跡等，分別存入相應的特征庫，并根據(jù)用戶特征挖掘相應的服務與推薦。

4.5 互聯(lián)網(wǎng)訪問數(shù)據(jù)融合與業(yè)務服務挖掘

圖6 CRM/BOSS數(shù)據(jù)采集與服務挖掘應用

圖7 微博、微信等公眾平臺數(shù)據(jù)采集與服務挖掘應用

隨著智能手機的普及、網(wǎng)絡的優(yōu)化，越來越多的用戶通過手機訪問互聯(lián)網(wǎng)。用戶通過手機訪問互聯(lián)網(wǎng)的數(shù)據(jù)是海量的，而網(wǎng)關是所有用戶流量必經(jīng)之地。所以，用戶訪問互聯(lián)網(wǎng)的數(shù)據(jù)可以在網(wǎng)關處采集。記錄用戶訪問的互聯(lián)網(wǎng)地址URL，使用爬蟲器獲取該地址的頁面內容，然后使用文本聚類算法提取特征信息，存入特征庫。數(shù)據(jù)采集處理與服務推薦過程如圖8所示。

5 結束語

通過數(shù)據(jù)采集和融合方法，獲取電信領域海量數(shù)據(jù)，包括用戶基本特征數(shù)據(jù)、用戶行為數(shù)據(jù)、用戶偏好特征數(shù)據(jù)、電信特征數(shù)據(jù)、社交影響力特征數(shù)據(jù)以及用戶生活軌跡等，并經(jīng)過處理形成特征庫，根據(jù)融合的數(shù)據(jù)構建電信移動用戶服務模型，為電信運營商后續(xù)運營決策和套餐制定與推薦提供支持。

（1）消費定制

根據(jù)構建的電信移動用戶服務模型，進行短信定制、套餐定制、彩鈴定制、信息服務定制、音樂定制、新聞定制和行業(yè)信息服務的定制等營銷決策。定制消費可以涵蓋移動電信相關信息服務，消費群從個人、家庭到團體，可以涵蓋不同區(qū)域、不同職業(yè)、不同領域以及不同年齡段的用戶。

（2）個性化推薦與城市交叉推薦

個性化推薦服務在電商已有一些應用，如“你可能喜歡……”、“購買了這款物品的人還購買了……”等之類的挖掘推薦。電信運營商的產(chǎn)品和服務更具有針對性和情境移動等特點，根據(jù)移動網(wǎng)絡的特點和位置情境的要求，電信移動用戶的推薦更具有靈活性和真實性，因此移動網(wǎng)絡的個性化推薦能夠發(fā)揮更大的效能。同時，結合相似電信移動消費群體的特征和偏好，進行城市間的交叉業(yè)務推薦，進而將成功的營銷和方案推廣到其他相似用戶群，提升績效。

圖8 上網(wǎng)軌跡數(shù)據(jù)采集與服務挖掘應用

（3）精確營銷

精確預測用戶的需求，根據(jù)用戶的瀏覽記錄，點擊流來做預測，構建動態(tài)的移動用戶興趣模型，可采用規(guī)則引擎技術來實現(xiàn)。

1 Lu E H C,Ying J J C,Chen H S,et al.Simulation framework for travel trajectory generation and mobile transaction modeling.Proceedings of International Conference on Information Security and Intelligence Control(ISIC),Yunlin,Taiwan,China,2012

2 Chen T S,Chou Y S,Chen T C.Mining user movement behavior patterns in a mobile service environment.IEEE Transactions on Systems,Man and Cybernetics,Part A:Systems and Humans,2012,42(1)

3 張蕓.智能空間中情景感知的系統(tǒng)模型和預測研究.北京郵電大學碩士學位論文，2010

4 陳娜,徐歆壹,宋紅兵等.基于Hadoop的電信BSS大數(shù)據(jù)平臺建設研究.電信科學,2013,29(3)

5 楊軍.基于移動通信客戶行為分析的精確營銷策略研究.電子設計工程，2012(8)：141～143

6 余肖生,孫珊.基于網(wǎng)絡用戶信息行為的個性化推薦模型.重慶理工大學學報(自然科學)，2013(1)

7 嚴雋薇,黃勛,劉敏等.基于本體用戶興趣模型的個性化推薦算法.計算機集成制造系統(tǒng),2010(12):2757～2762

8 胡慕海.面向動態(tài)情境的信息推薦方法及系統(tǒng)研究.華中科技大學博士學位論文,2011

9 琚春華,鮑福光.基于情境和主體特征融入性的多維度個性化推薦模型研究.通信學報,2012,33(9A):17～27

10 何娟,高志強,陸青健.基于詞匯相似度的元素級本體匹配.計算機工程,2006,32(16):185～187

11 琚春華,鄒江波,張芮等.基于MapReduce技術的并行集成分類算法.電信科學，2012,28(7):40～47

12 薛立宏,張云華,曹敏.移動互聯(lián)網(wǎng)運營關鍵問題及商業(yè)模式探討.電信科學,2009,25(5):11～17

13 左國才,周榮華,黎自強.改進k-means算法在電信CRM客戶分類中的應用.計算機系統(tǒng)應用，2012(11)