基于用戶行為分析的APP 用戶知識圖譜構建

周金澤

（昆明理工大學信息工程與自動化學院，云南 昆明 650500）

0 引 言

智能手機和移動互聯網的普及促進了APP 的蓬勃發展，APP已經成為人們生活不可或缺的一部分。然而，APP 市場競爭激烈，為了在激烈的市場中獲得成功，開發者需要深入了解用戶需求，優化APP 功能和用戶體驗。在這個背景下，APP用戶知識圖譜[1-2]應運而生。通過APP用戶知識圖譜有望幫助開發者更好地理解用戶需求，提高APP的品質和用戶滿意度。本文旨在介紹這種方法的實現原理和應用效果，并探究其未來發展的潛力和前景。

1 相關工作

目前，已經有很多學者對知識圖譜構建方法提出自己的構建算法。文獻[3]在2018 年提出了一種名為“Event-Centric Temporal Knowledge Graph（EventKG）”的多語言時序知識圖譜，該圖譜以事件為中心。文獻[4]提出了一種金融事件知識的語義表示方法，該方法可自動處理和分析金融事件的意義，以協助決策。

然而，這些研究在知識圖譜構建的過程中并沒有充分挖掘數據可用性與細化實體行為。因此，本文提出一種基于用戶行為分析的APP 用戶知識圖譜構建方法，為APP 開發提供更加全面和有效的支持和保障。

2 基于用戶行為分析的APP 用戶關系構建

本文提出了一種基于用戶行為分析[5-6]的用戶構建方法。為了構建APP 用戶知識圖譜，首先要進行APP 用戶行為分析；接著，根據APP 用戶分析結果進行用戶關系抽取；最后，根據用戶關系屬性抽取結果構建APP 用戶知識圖譜。整體算法的流程框圖如圖1 所示。

圖1 整體流程框圖

2.1 APP 用戶行為分析

APP 用戶行為[7-8]指的是用戶在使用特定應用程序時所展現出來的行為或活動，這些行為可以被記錄在APP 的日志中，并為APP 開發者或運營者提供有用的數據和見解。然而，本文提到的APP 用戶行為并不涉及軟件的用戶操作[9]，而是APP 用戶在應用市場網站發生的各項行為。

定義1：APP 用戶行為。本文提出的APP 用戶行為指的是APP 用戶在軟件應用市場的用戶行為，常見的APP 用戶在軟件應用市場的行為有：評論、點贊、推薦、下載等。

評論是用戶最直觀的一種行為表現，但本文還可以從用戶評論內容、點贊、評價次數和下載的軟件種類等數據中抽取更深層的、粒度更細的用戶行為。通過分析大量評論數據，本文定義了四種細化的APP用戶行為。

定義2：用戶評價前后邏輯一致性。用戶針對一款軟件隨著時間推移會進行多次的評價。對于一些APP用戶，因為其沒有實際使用過軟件，所以不能真實地給出軟件使用反饋，其評論內容就可能會出現前后矛盾的情況。

定義3：用戶評價時間重合度。用戶對軟件會有多次的評價，一些用戶往往通過程序進行集中的評論發表，相反，一些用戶發表評論的時間就比較分散。

定義4：用戶評價軟件次數。針對APP 用戶會出現對軟件進行多次評價的情況，用戶評價軟件次數能很好地反映用戶活躍度。

定義5：用戶好評占比。用戶針對每一款軟件會給出自己的好評或者差評，所以，用戶好評占比也能很好地體現用戶之間的差異性。

2.2 APP 用戶關系屬性抽取

本文定義了4 種APP 用戶行為，并用一個三元組來描述：例如（用戶1，評價4 次，軟件1）、（用戶2，100%好評，軟件2）、（用戶2，前后評價不一致，軟件2）。本文將用戶行為映射為用戶與軟件之間的關系，并且用戶與用戶、軟件與軟件也可以通過某種關系屬性相互關聯。綜上所述，本文定義了用戶與用戶、用戶與軟件、軟件與軟件之間的關系屬性。

定義6：用戶與軟件關系屬性。用戶與軟件之間的關系屬性包括用戶實體、軟件實體和關系屬性。其中，關系屬性包括四種類型：首先，通過統計用戶對軟件的評論時間段的重合度來量化用戶與軟件之間的關系屬性；其次，通過計算用戶對軟件的好評占總評價的比例來獲得另一條關系屬性；接著，考慮用戶多條評論的觀點傾向是否一致，若存在明顯態度轉變，則將其表示為{用戶，評價前后邏輯一致性（一致/不一致），軟件}；最后，通過統計用戶對軟件的評價次數來得到另一條關系屬性。

定義7：用戶與用戶關系屬性。用戶與用戶的關系屬性包含三個部分：用戶實體1、用戶實體2、關系屬性。其中，關系屬性為用戶實體1 與用戶實體2 的用戶名的相似度，用三元組可以表示為（用戶1，用戶名相似，用戶2）。

定義8：軟件與軟件關系屬性。軟件與軟件的關系屬性包含三個部分：軟件實體1、軟件實體2、關系屬性。其中，關系屬性為軟件實體1 與軟件實體2 之間是否為同一個類別的軟件，用三元組可以表示為{軟件1，（同類/不同類）軟件，軟件2}。

結合上述的用戶與軟件、用戶與用戶、軟件與軟件的關系屬性定義，就可以對實體間關系屬性進行抽取，如表1 所示。

表1 實體關系屬性定義

基于上述關系屬性的定義，對用戶與用戶、用戶與軟件、軟件與軟件之間的關系抽取提出下列關系屬性抽取算法。

2.2.1 用戶-軟件（評價前后邏輯一致性）

在用戶-軟件關系中，評價的前后邏輯一致性對于構建用戶關系至關重要。首先，可以計算一個用戶表達的多個評價觀點的情感傾向[10-11]，并將所有情感傾向值放入一個集合中，如公式（1）所示：

式中ci代表每個觀點的情感傾向值。隨后，可以使用公式（2）計算該用戶所有情感傾向值的平均值。

基于上述兩個算法公式計算出來的Consistency 計算多個情感傾向值的標準差，當標準差小于等于時，將其量化為1（表示用戶前后觀點一致）；當標準差大于時，將其量化為0（表示用戶前后觀點不一致），具體的抽取算法如算法1所示。

算法1：評價前后邏輯一致性關系抽取

上述算法通過情感分析[12-13]對用戶評價觀點進行量化。

2.2.2 用戶-用戶（用戶名相似度）

在比較用戶名之間的相似度時，簡單的語義相似度并不能滿足需求。因此，本文將用戶名劃分為三個類別進行比較，分別是中文名、英文名和無關字符。本文使用余弦相似度來衡量兩個用戶名之間的相似度。對于兩個向量VA 和VB，余弦相似度可以使用式（3）來計算。

式中：“·”表示兩個向量的點積；“‖ ?‖”表示向量的歐幾里德范數。更高的余弦相似度值表示兩個向量之間具有更高的相似度，該值的范圍在-1~1 之間。為了統一量化區間，通過線性變換公式（4）將區間[-1, 1]映射到[0, 1]。

式中：Mapped 表示變換后的區間；Oringal 表示變換前的區間。通過對每個類別的相似度進行比較，本文能夠更準確地判斷用戶名之間的相似程度。抽取算法如算法2 所示。

算法2：用戶名相似度關系抽取

2.2.3 用戶-軟件（評價時間重合度）

一些APP 用戶往往會選擇在相對集中的時間段內進行評價，以增加其評論的影響力。相反，一些用戶的評價時間分布較為分散。評價時間重合度的計算方法如公式（5）所示：

式中：min(ti2)代表所有評價時間間隔的最小結束時間；max(ti1)代表所有評價時間間隔的最大開始時間；和分別代表所有評價時間間隔的開始時間和結束時間的總和。

具體的抽取算法如算法3 所示。

中國科學院院士賈承造認為，推動我國天然氣高質量發展首先需要加快天然氣產供儲銷體系建設，以保證天然氣安全平穩供應，滿足人民日益增長的用氣需求。

算法3：評價時間重合度關系抽取

2.2.4 其他關系屬性

首先，針對用戶與軟件之間的好評占比這一關系屬性，通過計算好評次數占總點評次數的占比，可以由公式（6）得到：

式中：P表示好評占比；Pi表示第i條評論的好評或者差評情況（好評為1，差評為0）；n表示評論總數。

接著，軟件與軟件之間的軟件間類別是否相似可以由計算語義相似度得到。

最后，用戶與軟件之間的用戶評價軟件次數通過統計累加得到。

2.3 APP 用戶知識圖譜構建

定義9：APP 用戶知識圖譜。APP 用戶知識圖譜是一種特殊類型的用戶關系圖，用于表示一個APP 軟件應用市場中用戶與用戶、用戶與軟件、軟件與軟件之間的關系。由用戶節點、軟件節點和關系屬性組成。用戶節點表示APP 應用市場中的注冊用戶，每個用戶節點包括用戶IP、用戶名兩種信息。軟件節點表示APP 軟件本身，用APP 的名稱來表示，每個軟件節點包括軟件名稱與軟件類別兩種信息。關系屬性包括用戶與用戶、用戶與軟件、軟件與軟件之間的關系屬性類型和權重。

通過將APP 用戶行為映射為用戶關系屬性，從而構建APP 用戶關系圖將多個用戶關聯起來。APP 用戶知識圖譜可以挖掘用戶之間的共性和差異，為開發人員提供良好的用戶反饋。

3 實驗與分析

根據本文提出的APP 用戶知識圖譜構建方法，隨機選擇106 604 條APP 用戶數據作為實驗數據進行實體關系屬性抽取。抽取的結果如表2~表5 所示。

表2 用戶節點抽取結果

表2 展示了抽取出的部分用戶節點信息，通過三個字段進行定位，分別是Id、Name、Label。

表3 展示了用戶與軟件之間的部分關系屬性，通過StartId、Name、EndId、Type 字段定位APP 用戶知識圖譜中的一條邊。

表3 用戶與軟件關系抽取結果

在表3 中，抽取了用戶與軟件之間的四種關系屬性，分別是：評價前后邏輯一致性（EvalConsistency）、評價時間重合度（EvalCoincidence）、用戶評價軟件次數（EvalTimes）和好評占比（ProComments）。表4 展示了軟件與軟件之間的相似度關系屬性，通過StartId、Name、EndId、Type 字段定位APP 用戶知識圖譜中的一條邊。

表4 軟件與軟件關系抽取結果

表5 展示了用戶與用戶之間的關系屬性，通過StartId、Name、EndId、Type 定位APP 用戶知識圖譜中的一條邊。

表5 用戶與用戶關系抽取結果

由表5 中可以發現，用戶與用戶之間的關系屬性為用戶名相似度（Similarity）。結合上述抽取結果可知，通過StartId 定位知識圖譜的頭節點，通過EndId 定位尾節點，通過Type 以及Name 定位邊屬性關系。

本文使用了106 604 條APP 用戶數據構建APP 用戶知識圖譜，并將數據存儲到了非關系型數據庫Neo4j[14]中。本文共抽取出95 067 個節點（用戶節點+軟件節點）和456 965 條邊關系屬性，圖2 對該APP 用戶知識圖譜進行了局部展示。

圖2 APP 用戶知識圖譜

4 結 語

綜上所述，本文提出了一種基于用戶行為分析的APP 用戶知識圖譜構建方法，通過對用戶行為的細化和關系屬性的抽取，成功構建了一個信息更為豐富的APP用戶知識圖譜。這種方法有望幫助開發者更好地理解用戶需求，優化APP 功能和體驗，提高用戶滿意度。未來，將繼續深入探究該方法的潛力和適用性，并進一步完善和優化APP 用戶知識圖譜的構建算法，為APP 開發和用戶體驗提供更加有力的支持和保障。