移动互联网中基于历史行为的用户偏好在线学习机制

It is key that the mobile users preference is learned accurately for the information system which provides timely and accurately personalized services for mobile users. However , the large number of mobile users , the variety of mobile network services and the limited network services used by the mobile users lead to some problems in the process of preference learning of the mobile user, such as long response time, the sparseness problem. The study of this project focus on the online learning of the mobile user preference. The research includes three aspects: ①employing the volatility to determine the context that impact the mobile user preference and the weight of the context, using the association rule to calculate the correlation between context, calculating the similarity of context instance by the Pearson correlation coefficient and building the quantitative model of the context based on the correlation and similarity of context;② computing the trust between the mobile users and constructing the mobile social network, building the division model of mobile community and the evolution model of the mobile social network; ③employing the wavelet transform to pre-treatment the data that needs to learn, constructing the decay model of the mobile user preferences, using the bi-partite network and link prediction to alleviate data sparsity, analyzing the type of the mobile user preferences and learingn the long-term variation pattern of mobile users preference, building the online learning model of mobile user preference based on context-aware and social network.

移动用户偏好的准确获取是信息系统为移动用户提供及时准确的个性化服务的关键。然而，庞大的移动用户群、种类繁多的网络服务以及用户使用的移动网络服务有限等因素导致在移动用户偏好学习过程中存在响应时间长、数据稀疏等问题。本项目以移动互联网中的用户偏好在线学习为研究对象进行深入研究。具体内容包括：①利用波动率确定影响移动用户偏好的上下文以及影响程度、采用关联规则计算上下文之间的相关度；利用皮尔森相关系数计算上下文实例之间的相似度、构建基于上下文相关度和上下文相似度的上下文量化模型；②计算移动用户之间的信任度并构建移动社会化网络、构建移动社区划分模型和移动社会化网络演化模型；③利用小波变换对学习数据进行预处理、构建移动用户偏好衰减模型、利用二分网络和链接预测方法缓解数据稀疏性问题、分析移动用户偏好的类型并挖掘移动用户长期偏好的变化规律、构建基于上下文感知和社会化网络的移动用户偏好在线学习模型。

移动用户偏好的准确获取是信息系统为移动用户提供及时准确的个性化服务的关键。然而，庞大的移动用户群、种类繁多的网络服务以及用户使用的移动网络服务有限等因素导致在移动用户偏好学习过程中存在响应时间长、数据稀疏等问题。为了满足移动用户随时随地获取信息或服务的需求，本课题对移动互联网中基于历史行为的用户偏好的在线学习进行了研究。.首先，构建了基于上下文量化的用户偏好在线学习模型，在量化上下文时，分别使用关联规则和改进的皮尔森相关系数计算上下文之间的相关度和相似度；为了降低样本的训练时间，提出了在线极限学习机和变分贝叶斯极限学习机；为了缓解稀疏性问题，提出了一种基于随机化输入的概率线性判别分析方法，该方法利用随机输入产生随机空间，并将样本映射到随机空间来实现降维。然后，通过分析上下文约束下移动用户的行为数据，提出了一种计算用户间影响力的方法，包括移动社会网络的构建、用户自身影响力的计算、基于用户交互行为的用户间影响力的计算以及基于用户偏好相似度的用户间影响力的计算；另外，用户在不同的社区具有不同的影响力，为了提高社区发现的准确性，提出了一种改进的基于矩阵相似度的标签传播算法。其次，在上述研究的基础上，构建了基于上下文感知和社会感知的移动用户偏好在线学习模型，在该模型中结合基于内容的方法和基于改进的协同过滤方法预测移动用户偏好；在基于内容的方法中，使用综合加权的方法计算移动网络服务之间的相似度；为了缓解稀疏性问题，将基于内容的方法预测得到的用户偏好填充到用户-项目评分矩阵中，并使用基于用户间影响力的协同过滤方法预测用户偏好。最后，使用公开数据集和仿真数据集对提出的模型进行了实验验证，实验结果表明本课题构建的模型可以更好地满足移动用户的需求。.本课题构建的模型可以应用在基于上下文感知和社会感知的推荐系统或搜索引擎、社区网络分析、广告投放、舆情监测等领域，具有一定的经济和社会价值。