1.基于移动应用使用行为的用户分群聚类方法，其特征在于，包括以下步骤：S1：针对某一通信运行商，提取用户特征信息、用户应用使用行为信息和移动应用信息，构建移动手机用户应用使用行为分析体系；

S2：基于步骤S1所述移动手机用户应用使用行为分析体系，定义移动手机用户应用使用偏好；

S3：根据步骤S2所述移动手机用户应用使用偏好的定义，构建移动手机用户使用偏好矩阵P；

S4：将S3中构建的移动手机用户使用偏好矩阵P的行向量数据集E输入至SOM-Keams聚类算法中；

S5：使用SOM算法进行粗聚类，得到初步划分的群数目n，并计算每个群的群数据的平均值m；

S6：将所述群数目n赋给Kmeans算法的初始值k，挑选与每个群的群数据平均值m接近的数据点作为中心点，使用Kmeans算法进行再次聚类，最终得到用户群的划分结果，并输出。

2.根据权利要求1中所述一种基于移动应用使用行为的用户分群聚类方法，其特征在于：所述用户特征信息包括脱敏后的用户编号，用户年龄，用户性别；所述用户应用使用行为信息包括应用使用次数，使用时间，使用流量；所述移动应用信息包括：应用名称和所属一级分类标签。

3.根据权利要求1中所述一种基于移动应用使用行为的用户分群聚类方法，其特征在于：所述步骤S2中定义移动手机用户应用使用偏好的步骤如下：令L为提取所有一级分类标签集合，L＝{l1,l2,l3,...,lt}，其中li∈L；A为分类标签下所有应用的集合，则该标签i下的所有应用表示为li＝{ai1,ai2,ai3,...,ail}；

S21：确定用户对于应用aij的使用次数偏好为：

其中Fij为用户使用标签i下的第j个应用的次数，Fjk为第j个应用所属标签下第k个应用的使用次数，t标签总数，l该标签下的所有应用数；

S22：确定用户对于应用aij的使用时间偏好为：

其中Tij为用户使用标签i下的第j个应用的使用时间，Tjk表示第j个应用所属标签下第k个应用的使用时间；

S23：确定用户对于应用aij的操作偏好为：

Taffij/Traffl i＝1,2,...,t；j＝1,2,...,l其中Taffij为用户使用标签i下的第j个应用的流量，Traffl为用户使用第i个标签下所有应用的总流量；

S24：根据步骤S21，S22，S23，则用户使用应用aij的使用偏好为pij，则

4.根据权利要求3中所述一种基于移动应用使用行为的用户分群聚类方法，其特征在于：所述步骤S3中移动手机用户使用偏好矩阵P为：P＝(pij)t×l(i＝1,2,...,t；j＝1,2,...,l)其中pij为用户对标签i中的应用j的偏好。

5.根据权利要求1所述一种基于移动应用使用行为的用户分群聚类方法，其特征在于：所述步骤S5中SOM算法进行粗聚类的过程为：

S51：初始化每个节点的权值，令权值Wαβ为初始输入节点α和输出节点β之间的权值，并随机选择一个初始值赋给它，并且将循环次数设置t＝1；

S52：设定网格的新的输入模式为Xk(k＝1,2,...,p)，Xk表示第k个输入节点的输入模式，p为输入节点的个数；

S53：求所有输出节点Ys(s＝1,2,...,q)中与Xk之间的距离，将距离最小的节点，记为e，并将其设置为获胜的节点，即||Xk-We||＝min(distsk)；We最小节点的权值，distsk表示第k个输入节点和第s个输出节点之间的距离；

S54：更新节点e及其邻域节点之间的权值，即Wij(t+1)＝Wij(t)+η(t)(Xi-Wij(t))，其中η(t)∈(0,1)为第t次的获得的学习率，随着迭代次数的增加而减少，Wij(t+1)为第(t+1)次学习时Wij节点的权值，Wij(t)为第t次学习时Wij节点的权值、Xi表示第i个输入节点的输入模式；

S55：跳转至步骤S52重复执行，直到该网络权值稳定，网络收敛，得到粗划分簇结果UE＝{ue1,ue2,...,uen}。

6.根据权利要求5所述一种基于移动应用使用行为的用户分群聚类方法，其特征在于：所述Kmeans算法进行再次聚类的步骤为：

S61：计算UE中非中心点uex的元素和中心点uec的距离distxc，令uex.cluster＝uec.cluster，将非中心点uex的元素归到最近的那个中心点的簇里，cluster表示群组编号；

S62：非中心点初步划分簇后，划分出k个簇；

S63：计算S62中每一个簇的所有点的平均距离值avi，将avi的值设置成新的中心点，令该元素的中心点标示值设置为1，其余所有元素的中心点标示值全部设置为0；

S64：重复上述步骤，从而可以获得新的k个中心点集合；每个簇的平均值avi与中心点uec相等时结束。