基于移动网络用户体验质量评价的模糊层次分析

麦英健

(深圳供电局有限公司， 广东 深圳 518000)

0 引言

当前随着移动网络用户的增多，对移动网络的服务水平提出更大的挑战，需要优化构建移动网络用户体验质量评价模型，结合对移动网络用户体验质量的大数据融合结果，根据推荐算法实现对移动网络用户体验质量的精准评价，从而进一步改善移动网络用户体验质量，相关的移动网络用户体验质量评价和量化分析方法的研究受到相关专家的极大关注[1]。

对移动网络用户体验质量的评价是建立在对移动网络用户体验的量化特征分析基础上，采用大数据分析和模糊度层次聚类分析，设计移动网络用户体验质量评价模型，通过模糊融合层次性分析，构建移动网络用户体验质量评价的关联规则模型，实现层次化调度和量化评价[2]。传统移动网络用户体验质量评价的方法主要有基于PID的移动网络用户体验质量评价方法[3]、基于粒子群滤波算法的移动网络用户体验质量评价方法[4]以及非线性预测方法[5]等，通过建立移动网络用户体验质量信息推荐模型，结合统计分析实现对移动网络用户体验质量的自适应评价，但传统方法进行移动网络用户体验质量评价的可靠性不高，自适应性不好。

针对上述问题，本文提出基于移动网络用户体验质量评价的模糊层次分析方法。首先根据用户的历史偏好数据的分布构建移动网络用户体验质量分析模型，考虑移动网络用户在浏览网站时的行为特征参量，分析移动网络用户体验质量评价的模糊参数，通过计算用户之间的相似性特征量，然后采用模糊度特征聚类分析方法实现对移动网络用户体验质量评价的大数据挖掘和信息融合处理，提取移动网络用户体验质量评价的统计特征量，结合用户-用户相似性分布和差异度特征分析，实现对移动网络用户体验质量评价的模糊层次分析。最后进行仿真测试分析，实验结果验证了本文方法能够有效提高移动网络用户体验质量评价性能。

1 用户体验质量大数据分析模型和特征聚类

1.1 大数据分析模型

为实现基于移动网络用户体验质量评价的模糊层次分析，根据用户的历史偏好数据分布构建移动网络用户体验质量分析模型，考虑移动网络用户在浏览网站时的行为特征参量，进行移动网络用户体验质量的主体特征分析[6]，构建移动网络用户体验质量的信任度模型，如图1所示。

图1 移动网络用户体验质量的信任度模型

根据移动网络用户体验质量评价的参数分析结果，采用DOI(Degree of Interest)描述移动网络用户体验质量评价的等级，第n+1层等级中，得到移动网络用户体验质量评价的主体特征分布概率服从Beta分布，如式(1)。

Pa+1=Beta(P|a+1，n-a+1)

(1)

其中，a为移动网络用户体验质量评价主体特征所在层数。

基于用户的协同过滤分析，得到自适应学习权重函数为U。移动网络用户A和用户B之间的可靠性参数分布满足正态分布，结合到个性化网站的推荐模型，得到移动网络用户体验质量的模糊参数融合模型，表示为式(2)。

(2)

其中，I为移动网络用户的标签识别特征值；ρ为模糊参数；δ为可靠性参数。采用增量协同过滤分析和大数据空间匹配，建立移动网络用户体验质量评价的主体特征参数集[7]，得到执行增量参数α分布满足式(3)。

α=δU-I+ρA≥0

(3)

基于用户的协同特征分析方法，采用三个层次的链接分析方法，构建移动网络用户体验质量评价的联合参数分布集[8-9]，用户A，B对资源i的评分，对用户集合和项目集合进行联合特征分析，根据客户端地址分布关系，得到关联分布映射，如式(4)。

(4)

其中，β表示关联特征。对用户集合和项目集合进行联合特征分析，考虑移动网络用户在浏览网站时的行为特征参量实现联合特征分析。

1.2 联合特征聚类

根据用户行为数据分布进行归一化处理，采用归一化算法处理方法，得到当前用户的最近邻居模糊层次分析聚类条件，如式(5)。

(5)

通过关联规则谱分析方法进行移动网络用户体验质量的可靠性融合和决策，建立移动网络用户体验质量评价的模糊决策函数，得到信任度模型χ。采用层次化决策的方法，建立移动网络用户体验质量评价的联合特征分布模型，如式(6)。

Q=χ-ρv(1-δ)|IA,B|×α

(6)

构建移动网络用户体验质量的描述性统计分析模型，采用面板数据检测的方法，得到移动网络用户体验质量评价的关联特征不等式，如式(7)。

v≤Q≤M

(7)

采用面板数据检测方法进行移动网络用户体验质量检测和特征分析，得到模糊决策函数为式(8)。

(8)

结合先验知识进行移动网络用户体验质量分布式融合，得到移动网络用户体验质量评价的模糊度函数为式(9)。

(9)

式中，Pj表示移动网络用户体验质量特征分布的迁移系数；P0表示移动网络用户体验质量的标准量化特征集；Xij表示移动网络用户体验质量分布的自相关变量；nj表示移动网络用户体验质量分布的融合参数水平量化集[10-11]。

根据上述分析，完成移动网络用户体验质量评价的模糊参数的分析，通过计算用户之间的相似性特征量，采用模糊度特征聚类分析方法实现用户体验质量的联合特征分析。

2 移动网络用户体验质量评价优化

2.1 模糊层次分析

采用模糊度特征聚类分析方法实现对移动网络用户体验质量评价的大数据挖掘和信息融合处理，提取移动网络用户体验质量评价的统计特征量，建立移动网络用户体验质量评价的寻优模型[12-13]。移动网络用户体验质量评价的模糊迭代函数描述如式(10)。

(10)

通过上述数学模型构建，基于阈值的邻域算法实现移动网络用户体验质量层次分析和模糊度调度，得到移动网络用户体验质量评价的模糊关联规则集，如式(11)。

(11)

式中，ε(t)为一个标准误差的自相关统计函数，基于最近邻集合融合，构建移动网络用户体验质量评价的统计分析模型，提高评价模糊层次分析能力。

2.2 移动网络用户体验模糊层次调度

移动应用程序之间的相互依赖性，分析移动网络用户的质量可靠性分布模型[14]，得到移动网络用户的应用资源存储特征分布集为式(12)。

(12)

式中，f(a,b)表示a→b之间质量分布的相似度系数；γ∈(0,1]表示服务器负载参数。考虑移动网络用户体验之间信任值Trusta→b，基于自适应参数w融合，得到移动网络用户体验质量评价的可靠性融合模型，如式(13)。

G=w×STrusta→b+RWa→b

(13)

其中，Wa→b代表移动网络用户体验质量评价集A对用户邻居B的自适应学习权重值。采用模糊反馈补偿，实现对移动网络用户体验质量评价的渐进控制，表达式为式(14)。

x(k+1)=(A+ΔA)w(k)+(B+ΔB)G

(14)

其中，w(k)表示移动网络用户体验质量评价的扰动特征值，移动网络用户主体A对B的联合寻优函数为式(15)。

(15)

其中，ci表示信任度。分析缓存的结构和性能指标参数，得到联合评价的可靠性函数为式(16)。

(16)

基于联合评价的可靠性函数得到衡量节点间关系模型为式(17)。

E=P(1-R+H)

(17)

根据用户受到邻居的影响程度，得到移动网络用户的质量的综合信任度为式(18)。

K=α×Hc

(18)

基于用户转发概率分析方法，移动网络用户的质量评价的模糊层次分析为式(19)。

(19)

结合用户-用户相似性分布和差异度特征分析，实现对移动网络用户体验质量评价的模糊层次分析。算法的实现流程如图2所示。

图2 算法的实现流程

3 仿真实验与结果分析

通过仿真实验验证本文方法在实现移动网络用户体验质量评价和模糊层次分析中的应用性能，邻居节点的活跃度参数为0.64，用户规模为1 200，用户连接强度为0.57，移动网络用户体验质量评价的节点数为360，根据上述参数设定，得到移动网络用户体验质量评价的大数据时域分布如图3所示。

图3 大数据时域分布

以图3的移动网络用户体验质量评价大数据分布为研究对象，实现对移动网络用户体验质量评价决策，对比文献[3]方法和文献[5]方法，得到移动网络用户体验质量评价适应度值，测试移动网络用户体验质量评价的收敛性曲线，如图4所示。

(a) 均方根误差

(b) 均值

分析图4得知，本文方法进行移动网络用户体验质量评价的收敛性较好，均方根误差较低，证明所提方法具有更优的应用性能。

4 总结

提出基于移动网络用户体验质量评价的模糊层次分析方法。根据用户的历史偏好数据分布构建移动网络用户体验质量分析模型，对用户集合和项目集合进行联合特征分析，考虑移动网络用户在浏览网站时的行为特征参量实现联合特征分析。采用模糊反馈补偿，实现对移动网络用户体验质量评价的模糊层次分析。实验结果验证了本文方法对移动网络用户体验质量模糊性层次分析的评价效果较好，收敛性较强，误差较低。