基于LDA的大學(xué)一卡通學(xué)生行為特征分析研究

馮健文

（韓山師范學(xué)院教務(wù)處，潮州 521041）

0 引言

人工智能時代，通過挖掘信息系統(tǒng)中用戶的行為數(shù)據(jù)，發(fā)現(xiàn)其蘊(yùn)含的社會發(fā)展規(guī)律和趨勢成為可能。在物聯(lián)網(wǎng)技術(shù)應(yīng)用中，用戶行為數(shù)據(jù)為移動對象時空軌跡（spatio-temporal trajectories，STR）數(shù)據(jù)，軌跡數(shù)據(jù)挖掘主要包括模式挖掘和語義分類兩種。模式挖掘側(cè)重軌跡路徑，研究成果較多，但不易解釋用戶行為。語義分類則同時關(guān)注路徑和語義，是新興的研究分支，受到廣泛關(guān)注。主要方法有動態(tài)貝葉斯網(wǎng)絡(luò)、隱馬兒可夫模型、條件隨機(jī)場、高斯混合模型、主題模型、聚類等。Nascimento等和Sun等提出了改進(jìn)的隱馬兒可夫模型，處理人類活動認(rèn)知。Santos等提出使用動態(tài)貝葉斯網(wǎng)絡(luò)作為分類器推理。狄利克雷分布模型（latent Dirichlet allocation，LDA）是重要的文檔分析模型，本質(zhì)上是一種貝葉斯網(wǎng)絡(luò)，近年開始應(yīng)用于用戶特征提取和語義軌跡分類。起源于文本處理的LDA主題模型具有提取興趣主題的多樣性和簡單性、數(shù)據(jù)降維、異構(gòu)數(shù)據(jù)建模、語義歸納等優(yōu)點。張宏鑫等采用LDA主題模型從手機(jī)日志數(shù)據(jù)提取人群特征。Ferrari等應(yīng)用LDA模型從社交位置數(shù)據(jù)提取城市日?；顒幽Ｊ?。Chu等采用一種基于LDA主題模型的語義轉(zhuǎn)換方法，以出租車行駛軌跡為文檔，經(jīng)過的街道名字為單詞，映射GPS坐標(biāo)為軌跡數(shù)據(jù)，提取出租車行駛軌跡特征。蔡文學(xué)等通過LDA模型分析出租車軌跡得到熱門城市區(qū)域，有效解釋用戶行為。雖然現(xiàn)有的LDA模型軌跡分類應(yīng)用取得了較好效果，但是很少面向RFID軌跡數(shù)據(jù)，非業(yè)務(wù)特征軌跡數(shù)據(jù)分析鮮見，因此相關(guān)研究需要更多探索。

本文以大學(xué)一卡通學(xué)生行為特征分析為案例，根據(jù)一卡通RFID應(yīng)用場景和數(shù)據(jù)特征，提出基于LDA的RFID數(shù)據(jù)軌跡框架，通過RFID應(yīng)用標(biāo)簽的表示和分類方法、詞袋模型構(gòu)建、主題模型建立和聚類分析，最終提取學(xué)生群體特征知識，用于指導(dǎo)管理部門改進(jìn)服務(wù)質(zhì)量。

1 基于LDA的學(xué)生行為特征挖掘框架

本文研究目的是基于一卡通RFID-SIR數(shù)據(jù)提取學(xué)生用戶群體特征知識，發(fā)現(xiàn)數(shù)據(jù)隱含的信息，對一卡通業(yè)務(wù)應(yīng)用服務(wù)改進(jìn)提供建議。如圖1所示，研究基本流程為：①獲取一卡通RFID-SIR數(shù)據(jù)并生成語義軌跡數(shù)據(jù)；②建立語義軌跡與LDA主題模型的關(guān)聯(lián)，通過分析一卡通業(yè)務(wù)點特征來定義應(yīng)用類型標(biāo)簽，該標(biāo)簽作為單詞集，接著基于使用次數(shù)或交易金額等語義打分機(jī)制建立詞袋模型，語義軌跡作為文檔，利用LDA主題模型學(xué)習(xí)分析得到主題與應(yīng)用類型標(biāo)簽的關(guān)聯(lián)；③通過聚類分析得到主題特征用戶群體；④分析結(jié)果并提出業(yè)務(wù)改進(jìn)建議。

圖1 學(xué)生行為特征挖掘框架

1.1 問題分析

為了挖掘一卡通學(xué)生用戶的行為習(xí)慣，需要把原始軌跡數(shù)據(jù)預(yù)處理，得到語義軌跡作為軌跡特征知識挖掘的數(shù)據(jù)源。原始數(shù)據(jù)來源于多個一卡通RFID業(yè)務(wù)應(yīng)用，存在數(shù)據(jù)格式、語義等差異。經(jīng)過數(shù)據(jù)清洗、整合、壓縮等校準(zhǔn)操作，并根據(jù)業(yè)務(wù)應(yīng)用主題建立數(shù)據(jù)集市。一卡通用戶軌跡大多是單點軌跡，即軌跡中只包含單個業(yè)務(wù)點數(shù)據(jù)，不同的軌跡間沒有明顯的關(guān)聯(lián)和約束，即無業(yè)務(wù)流程特征?？刹捎眠^程發(fā)現(xiàn)（process discovery）技術(shù)結(jié)合時間閥值參數(shù)法，從數(shù)據(jù)集市中提取用戶的業(yè)務(wù)活動過程軌跡，即得到語義軌跡，其中不僅包含用戶在某個時間段內(nèi)的軌跡，還蘊(yùn)含了用戶的活動特征。例如，以一天為時間閥值，可得到某學(xué)生語義軌跡：食堂A（7：30）—實驗室B（7：50）—圖書館C（10：00）—食堂B（12：00）—圖書館C（15：00）—熱水D（22：00）。

可以看到軌跡業(yè)務(wù)點是屬于某個業(yè)務(wù)應(yīng)用類型，如食堂屬于“餐飲類”。當(dāng)把全部業(yè)務(wù)點分類到多個集合后，每一個集合可定義為一個主題。顯然每個學(xué)生的活動特征實際上就是多個主題的聚合模型。因此，需要建立語義軌跡與LDA主題模型的關(guān)聯(lián)，通過LDA方法得到主題模型的種類，用于學(xué)生用戶群體聚類分析。

1.2 主題模型建立

要建立語義軌跡與LDA模型文本描述之間的映射關(guān)系，就需要通過RFID應(yīng)用領(lǐng)域“語義軌跡-主題-業(yè)務(wù)應(yīng)用類型標(biāo)簽”到LDA“用戶-主題-單詞”三層貝葉斯模型的語義轉(zhuǎn)換，最后通過模型的生成實現(xiàn)軌跡特征知識的提取。定義一個學(xué)生用戶語義軌跡對應(yīng)一篇文檔，用戶軌跡中的業(yè)務(wù)應(yīng)用類型標(biāo)簽對應(yīng)文檔中的單詞，全部學(xué)生用戶就形成語料庫，學(xué)生行為軌跡提取就轉(zhuǎn)為LDA方法從語料庫中提取主題模型。LDA主題模型可以幫助在聚類前對數(shù)據(jù)進(jìn)行降維操作，把學(xué)生用戶軌跡中幾十個業(yè)務(wù)點提取為學(xué)生與主題的相關(guān)度。

1.2.1 建立應(yīng)用標(biāo)簽的詞袋模型

在一卡通RFID應(yīng)用標(biāo)簽對應(yīng)單詞后，進(jìn)一步從RFID應(yīng)用業(yè)務(wù)名稱文本集合中提取出詞頻大于某個閥值的業(yè)務(wù)應(yīng)用名稱集合；主題采用主題重要度確定，即軌跡出現(xiàn)次數(shù)；將語義軌跡看作文檔，軌跡中涉及多個RFID應(yīng)用主題區(qū)域，好比文檔包含多個主題，這樣將軌跡集合類比文檔集合，對其進(jìn)行主題推斷，就可以得到多個主題區(qū)域，而這些主題區(qū)域通過應(yīng)用標(biāo)簽來表示，所以反映了語義軌跡的特征知識。因此，使用一卡通應(yīng)用類型分類標(biāo)簽作為單詞，建立每個學(xué)生用戶的詞袋模型，如表1所示。

表1 一卡通學(xué)生用戶應(yīng)用標(biāo)簽詞袋模型

詞袋模型采用了業(yè)務(wù)點重要度來衡量，業(yè)務(wù)點重要度指應(yīng)用標(biāo)簽單詞在某個語義軌跡中出現(xiàn)的次數(shù)，次數(shù)越高說明該單詞越能代表該語義軌跡特征。考慮業(yè)務(wù)點太多，采用業(yè)務(wù)點類型與校區(qū)結(jié)合的方式定義應(yīng)用標(biāo)簽類。采用單個業(yè)務(wù)點刷卡次數(shù)與LDA模型的詞頻對應(yīng)，通過打分機(jī)制提高單詞的文檔代表性。一個業(yè)務(wù)點在所有主題中出現(xiàn)概率為1，設(shè)置一個閥值篩選主題中的業(yè)務(wù)點。

1.2.2 一卡通學(xué)生行為主題特征模型

在一卡通RFID應(yīng)用領(lǐng)域，根據(jù)LDA主題模型，得到公式（1）：

每個軌跡與個主題的一個多項分布對應(yīng)，每個主題又與個標(biāo)簽的一個多項分布對應(yīng)。因此LDA模型求解如圖2所示，首先要求解與和參數(shù)相關(guān)的狄利克雷先驗分布參數(shù)和，然后推理出和參數(shù)，最后使用Gibbs抽樣法求出軌跡在主題上的分布和主題在標(biāo)簽上的分布，就能得到軌跡與標(biāo)簽的分布。

圖2 LDA主題特征模型［5］

經(jīng)多次實驗，選取3個有實際代表意義的主題進(jìn)行本文分析，分別為自習(xí)類、生活類、實驗類，每個主題下包括多個一卡通應(yīng)用分類標(biāo)簽，如表2所示。每個學(xué)生用戶與每個主題都有相關(guān)度，如某學(xué)生主題相關(guān)度為：自習(xí)=0.7，生活=0.5，實驗=0.1，表明該學(xué)生有良好的自習(xí)學(xué)習(xí)習(xí)慣，可能是文科類專業(yè)，使用校內(nèi)生活服務(wù)應(yīng)用頻次一般。

表2 一卡通學(xué)生用戶應(yīng)用主題構(gòu)成

1.3 特征聚類

在得到學(xué)生用戶語義軌跡與主題的相關(guān)度后，每個學(xué)生都可用3個應(yīng)用標(biāo)簽維度向量來表示。采用主流的聚類算法如K-means將具有相近主題特征的用戶軌跡聚集，形成代表性學(xué)生一卡通用戶群體。本文實驗采集2萬名左右學(xué)生用戶一年數(shù)據(jù)、一卡通業(yè)務(wù)點38個，統(tǒng)計每個用戶和3個主題的相關(guān)度，采用K-means算法將學(xué)生聚類為4類主題用戶群體，其中心點如表3所示。

表3 一卡通學(xué)生用戶群體的特征分析

從表3可以看出，學(xué)生群體3用戶數(shù)最多，其行為特征是生活類相比其他主題較多，但總體上使用一卡通業(yè)務(wù)應(yīng)用不突出，也沒有自習(xí)行為。結(jié)合其他群體特征分析，從校內(nèi)生活服務(wù)頻率看，只有學(xué)生群體2的不足2000人，蘊(yùn)含信息是學(xué)生對校內(nèi)餐飲、小賣部、熱水等生活類服務(wù)滿意度一般，這可能受該大學(xué)周邊外賣和超市、餐館林立的情況影響，說明后勤部門應(yīng)對生活服務(wù)類應(yīng)用進(jìn)行調(diào)查，加強(qiáng)服務(wù)質(zhì)量。從自習(xí)行為看，只有群體1有自習(xí)習(xí)慣，蘊(yùn)含信息可能是：一方面有自習(xí)習(xí)慣但沒有列入統(tǒng)計的學(xué)生可能在宿舍或不需要校園卡的場所學(xué)習(xí)；另一方面有一部分學(xué)生確實沒有良好的自習(xí)習(xí)慣，學(xué)生管理部門可進(jìn)行相關(guān)的調(diào)查，在學(xué)風(fēng)建設(shè)上開展有針對性的措施。

2 結(jié)語

本文以大學(xué)一卡通學(xué)生行為特征分析為案例，介紹從日常信息系統(tǒng)用戶原始數(shù)據(jù)中，經(jīng)過數(shù)據(jù)預(yù)處理、語義軌跡提取、行為主題建模，有效獲得一卡通學(xué)生行為群體特征知識，為大學(xué)管理部門加強(qiáng)一卡通應(yīng)用服務(wù)和學(xué)生管理、提升人才培養(yǎng)質(zhì)量提供幫助。研究發(fā)現(xiàn)，軌跡數(shù)據(jù)挖掘必須附加語義分析才能增強(qiáng)研究的實際指導(dǎo)作用，其中數(shù)據(jù)預(yù)處理、主題類定義、聚類結(jié)果分析幾個環(huán)節(jié)值得關(guān)注，研究團(tuán)隊?wèi)?yīng)引進(jìn)具有業(yè)務(wù)應(yīng)用領(lǐng)域知識的專家，在上述幾個關(guān)鍵環(huán)節(jié)提供應(yīng)用知識。本研究會進(jìn)一步將結(jié)果進(jìn)行可視化，并把數(shù)據(jù)范圍擴(kuò)大至5年以上，探索大數(shù)據(jù)下挖掘算法的效率和實用性。