麥英健

(深圳供電局有限公司， 廣東 深圳 518000)

0 引言

當(dāng)前隨著移動(dòng)網(wǎng)絡(luò)用戶的增多，對(duì)移動(dòng)網(wǎng)絡(luò)的服務(wù)水平提出更大的挑戰(zhàn)，需要優(yōu)化構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)模型，結(jié)合對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的大數(shù)據(jù)融合結(jié)果，根據(jù)推薦算法實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的精準(zhǔn)評(píng)價(jià)，從而進(jìn)一步改善移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量，相關(guān)的移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)和量化分析方法的研究受到相關(guān)專家的極大關(guān)注[1]。

對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的評(píng)價(jià)是建立在對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)的量化特征分析基礎(chǔ)上，采用大數(shù)據(jù)分析和模糊度層次聚類分析，設(shè)計(jì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)模型，通過模糊融合層次性分析，構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的關(guān)聯(lián)規(guī)則模型，實(shí)現(xiàn)層次化調(diào)度和量化評(píng)價(jià)[2]。傳統(tǒng)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的方法主要有基于PID的移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)方法[3]、基于粒子群濾波算法的移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)方法[4]以及非線性預(yù)測(cè)方法[5]等，通過建立移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量信息推薦模型，結(jié)合統(tǒng)計(jì)分析實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的自適應(yīng)評(píng)價(jià)，但傳統(tǒng)方法進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的可靠性不高，自適應(yīng)性不好。

針對(duì)上述問題，本文提出基于移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析方法。首先根據(jù)用戶的歷史偏好數(shù)據(jù)的分布構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分析模型，考慮移動(dòng)網(wǎng)絡(luò)用戶在瀏覽網(wǎng)站時(shí)的行為特征參量，分析移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊參數(shù)，通過計(jì)算用戶之間的相似性特征量，然后采用模糊度特征聚類分析方法實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的大數(shù)據(jù)挖掘和信息融合處理，提取移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的統(tǒng)計(jì)特征量，結(jié)合用戶-用戶相似性分布和差異度特征分析，實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析。最后進(jìn)行仿真測(cè)試分析，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法能夠有效提高移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)性能。

1 用戶體驗(yàn)質(zhì)量大數(shù)據(jù)分析模型和特征聚類

1.1 大數(shù)據(jù)分析模型

為實(shí)現(xiàn)基于移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析，根據(jù)用戶的歷史偏好數(shù)據(jù)分布構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分析模型，考慮移動(dòng)網(wǎng)絡(luò)用戶在瀏覽網(wǎng)站時(shí)的行為特征參量，進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的主體特征分析[6]，構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的信任度模型，如圖1所示。

圖1 移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的信任度模型

根據(jù)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的參數(shù)分析結(jié)果，采用DOI(Degree of Interest)描述移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的等級(jí)，第n+1層等級(jí)中，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的主體特征分布概率服從Beta分布，如式(1)。

Pa+1=Beta(P|a+1，n-a+1)

(1)

其中，a為移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)主體特征所在層數(shù)。

基于用戶的協(xié)同過濾分析，得到自適應(yīng)學(xué)習(xí)權(quán)重函數(shù)為U。移動(dòng)網(wǎng)絡(luò)用戶A和用戶B之間的可靠性參數(shù)分布滿足正態(tài)分布，結(jié)合到個(gè)性化網(wǎng)站的推薦模型，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的模糊參數(shù)融合模型，表示為式(2)。

(2)

其中，I為移動(dòng)網(wǎng)絡(luò)用戶的標(biāo)簽識(shí)別特征值；ρ為模糊參數(shù)；δ為可靠性參數(shù)。采用增量協(xié)同過濾分析和大數(shù)據(jù)空間匹配，建立移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的主體特征參數(shù)集[7]，得到執(zhí)行增量參數(shù)α分布滿足式(3)。

α=δU-I+ρA≥0

(3)

基于用戶的協(xié)同特征分析方法，采用三個(gè)層次的鏈接分析方法，構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的聯(lián)合參數(shù)分布集[8-9]，用戶A，B對(duì)資源i的評(píng)分，對(duì)用戶集合和項(xiàng)目集合進(jìn)行聯(lián)合特征分析，根據(jù)客戶端地址分布關(guān)系，得到關(guān)聯(lián)分布映射，如式(4)。

(4)

其中，β表示關(guān)聯(lián)特征。對(duì)用戶集合和項(xiàng)目集合進(jìn)行聯(lián)合特征分析，考慮移動(dòng)網(wǎng)絡(luò)用戶在瀏覽網(wǎng)站時(shí)的行為特征參量實(shí)現(xiàn)聯(lián)合特征分析。

1.2 聯(lián)合特征聚類

根據(jù)用戶行為數(shù)據(jù)分布進(jìn)行歸一化處理，采用歸一化算法處理方法，得到當(dāng)前用戶的最近鄰居模糊層次分析聚類條件，如式(5)。

(5)

通過關(guān)聯(lián)規(guī)則譜分析方法進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的可靠性融合和決策，建立移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊決策函數(shù)，得到信任度模型χ。采用層次化決策的方法，建立移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的聯(lián)合特征分布模型，如式(6)。

Q=χ-ρv(1-δ)|IA,B|×α

(6)

構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的描述性統(tǒng)計(jì)分析模型，采用面板數(shù)據(jù)檢測(cè)的方法，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的關(guān)聯(lián)特征不等式，如式(7)。

v≤Q≤M

(7)

采用面板數(shù)據(jù)檢測(cè)方法進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量檢測(cè)和特征分析，得到模糊決策函數(shù)為式(8)。

(8)

結(jié)合先驗(yàn)知識(shí)進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分布式融合，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊度函數(shù)為式(9)。

(9)

式中，Pj表示移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量特征分布的遷移系數(shù)；P0表示移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量的標(biāo)準(zhǔn)量化特征集；Xij表示移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分布的自相關(guān)變量；nj表示移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分布的融合參數(shù)水平量化集[10-11]。

根據(jù)上述分析，完成移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊參數(shù)的分析，通過計(jì)算用戶之間的相似性特征量，采用模糊度特征聚類分析方法實(shí)現(xiàn)用戶體驗(yàn)質(zhì)量的聯(lián)合特征分析。

2 移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)優(yōu)化

2.1 模糊層次分析

采用模糊度特征聚類分析方法實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的大數(shù)據(jù)挖掘和信息融合處理，提取移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的統(tǒng)計(jì)特征量，建立移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的尋優(yōu)模型[12-13]。移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊迭代函數(shù)描述如式(10)。

(10)

通過上述數(shù)學(xué)模型構(gòu)建，基于閾值的鄰域算法實(shí)現(xiàn)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量層次分析和模糊度調(diào)度，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊關(guān)聯(lián)規(guī)則集，如式(11)。

(11)

式中，ε(t)為一個(gè)標(biāo)準(zhǔn)誤差的自相關(guān)統(tǒng)計(jì)函數(shù)，基于最近鄰集合融合，構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的統(tǒng)計(jì)分析模型，提高評(píng)價(jià)模糊層次分析能力。

2.2 移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)?zāi)：龑哟握{(diào)度

移動(dòng)應(yīng)用程序之間的相互依賴性，分析移動(dòng)網(wǎng)絡(luò)用戶的質(zhì)量可靠性分布模型[14]，得到移動(dòng)網(wǎng)絡(luò)用戶的應(yīng)用資源存儲(chǔ)特征分布集為式(12)。

(12)

式中，f(a,b)表示a→b之間質(zhì)量分布的相似度系數(shù)；γ∈(0,1]表示服務(wù)器負(fù)載參數(shù)。考慮移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)之間信任值Trusta→b，基于自適應(yīng)參數(shù)w融合，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的可靠性融合模型，如式(13)。

G=w×STrusta→b+RWa→b

(13)

其中，Wa→b代表移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)集A對(duì)用戶鄰居B的自適應(yīng)學(xué)習(xí)權(quán)重值。采用模糊反饋補(bǔ)償，實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的漸進(jìn)控制，表達(dá)式為式(14)。

x(k+1)=(A+ΔA)w(k)+(B+ΔB)G

(14)

其中，w(k)表示移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的擾動(dòng)特征值，移動(dòng)網(wǎng)絡(luò)用戶主體A對(duì)B的聯(lián)合尋優(yōu)函數(shù)為式(15)。

(15)

其中，ci表示信任度。分析緩存的結(jié)構(gòu)和性能指標(biāo)參數(shù)，得到聯(lián)合評(píng)價(jià)的可靠性函數(shù)為式(16)。

(16)

基于聯(lián)合評(píng)價(jià)的可靠性函數(shù)得到衡量節(jié)點(diǎn)間關(guān)系模型為式(17)。

E=P(1-R+H)

(17)

根據(jù)用戶受到鄰居的影響程度，得到移動(dòng)網(wǎng)絡(luò)用戶的質(zhì)量的綜合信任度為式(18)。

K=α×Hc

(18)

基于用戶轉(zhuǎn)發(fā)概率分析方法，移動(dòng)網(wǎng)絡(luò)用戶的質(zhì)量評(píng)價(jià)的模糊層次分析為式(19)。

(19)

結(jié)合用戶-用戶相似性分布和差異度特征分析，實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析。算法的實(shí)現(xiàn)流程如圖2所示。

圖2 算法的實(shí)現(xiàn)流程

3 仿真實(shí)驗(yàn)與結(jié)果分析

通過仿真實(shí)驗(yàn)驗(yàn)證本文方法在實(shí)現(xiàn)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)和模糊層次分析中的應(yīng)用性能，鄰居節(jié)點(diǎn)的活躍度參數(shù)為0.64，用戶規(guī)模為1 200，用戶連接強(qiáng)度為0.57，移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的節(jié)點(diǎn)數(shù)為360，根據(jù)上述參數(shù)設(shè)定，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的大數(shù)據(jù)時(shí)域分布如圖3所示。

圖3 大數(shù)據(jù)時(shí)域分布

以圖3的移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)大數(shù)據(jù)分布為研究對(duì)象，實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)決策，對(duì)比文獻(xiàn)[3]方法和文獻(xiàn)[5]方法，得到移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)適應(yīng)度值，測(cè)試移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的收斂性曲線，如圖4所示。

(a) 均方根誤差

(b) 均值

分析圖4得知，本文方法進(jìn)行移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的收斂性較好，均方根誤差較低，證明所提方法具有更優(yōu)的應(yīng)用性能。

4 總結(jié)

提出基于移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析方法。根據(jù)用戶的歷史偏好數(shù)據(jù)分布構(gòu)建移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量分析模型，對(duì)用戶集合和項(xiàng)目集合進(jìn)行聯(lián)合特征分析，考慮移動(dòng)網(wǎng)絡(luò)用戶在瀏覽網(wǎng)站時(shí)的行為特征參量實(shí)現(xiàn)聯(lián)合特征分析。采用模糊反饋補(bǔ)償，實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量評(píng)價(jià)的模糊層次分析。實(shí)驗(yàn)結(jié)果驗(yàn)證了本文方法對(duì)移動(dòng)網(wǎng)絡(luò)用戶體驗(yàn)質(zhì)量模糊性層次分析的評(píng)價(jià)效果較好，收斂性較強(qiáng)，誤差較低。