方向驱动的环绕感知移动推荐技术研究

Mobile recommender systems help users find points of interests (POIs) from a mass of disordered information. The traditional approach is to recommend POIs that are close to the users considering the distances. However, directions and surroundings are also very important. Users may be more interested in the POIs on their moving directions. To get familiar with surroundings, users may need the summaries of the POIs around them. Considering the importance of directions and surroundings, we propose the direction-based surrounding summary, which captures the distributions of POIs on different directions, and provides a whole surrounding view to the user. Focusing on the summary, we study how to process snapshot and continuous queries on the summary, how to optimize the summary on multiple objectives, and how to search similar summaries. We propose the method of partitioning and merging the directional close clusters, and also propose the mathematical model to describe how a summary varies with time. Our study is different from the traditional hypothesis that users prefer individual POIs. We emphasize that the users may prefer the overview of POIs. The results of our study can support the users making decisions by presenting useful information about directions and surroundings.

移动推荐技术能更好地帮助用户从庞杂的信息中发掘出自己感兴趣的对象(POI)，传统的方法通常只考虑距离因素向用户推荐较近的POI，而忽略了方向因素和环绕信息对用户决策的影响。用户可能对其移动方向上的POI更感兴趣，并且为了熟悉环境用户可能对环绕在其周围的POI的分布情况也感兴趣。本课题突破传统移动推荐技术强调距离因素的局限，突出方向因素和环绕信息的作用，提出了方向驱动的环绕概要模型。环绕概要通过捕捉用户周围POI在各个方向上的分布情况，为用户提供周围环境的全景视图。本课题对环绕概要的查询处理、多目标优化、以及相似性搜索等问题进行研究，并提出了划分和合并同方向簇、建立环绕概要随时间变化数学模型等关键问题的解决方案。本课题跳出了用户对POI个体特征感兴趣的惯用思路，弥补了传统技术在POI整体特征方面研究的不足。本课题的研究成果将在方向因素和环绕信息这两方面为用户决策提供有价值的参考信息。

基于位置的服务通常根据POI的距离向用户推荐结果，而实际上用户除了会考虑POI距离的远近，也会考虑POI的方向。为了弥补现有移动推荐系统对POI方向因素考虑的不足，我们对方向驱动的空间数据查询处理技术进行了研究，提出了可描述用户周围各个方向上POI分布情况的环绕概要模型。环绕概要突破了以零点为参考点来分析数据点分布的传统方式，它以用户所在位置作为参考点来分析数据点的分布。我们提出了一种增量式算法来快速找出参考点的环绕概要，并使用饼状热图对其进行可视化，同时，我们提出了方向驱动的向心度来衡量POI点分布的均匀程度。环绕概要模型除了可应用于移动推荐系统中，还可推广到一般的推荐系统中，在用户所有可能的偏好下将推荐结果的分布情况进行可视化和量化。在环绕概要模型的基础上，我们进一步提出了三种新查询，它们考虑了距离和方向因素为用户提供查询结果。（1）DNN查询 (Direction-Aware Nearest Neighbour Query)在每个方向上都可以为用户找到较近的POI，保证结果具有良好的方向多样性，这是传统kNN查询无法保证的。为了处理DNN查询，我们提出了基于R*树的算法，并设计了相应的剪枝策略来有效地减小搜索空间。DNN查询可应用于移动推荐系统中，也可应用于照片检索系统中，它可以找出从各个角度拍摄目标物体的照片。（2）DBV查询 (Direction-Based Vacancy Query)，主要应用于有向传感器网络中，它可以找出当目标朝向哪些方向时，系统中的传感器无法有效识别此目标。为了提高查询效率，我们设计了α-polygon树并提出了让树尽量平衡的节点分裂算法。（3）VeloNN查询(Velocity-Dependent Nearest Neighbor Query)通过分析用户的当前的速度，对其方向偏好进行建模，找出离用户较近并且在与其运动方向相符的POI。我们创新性地使用Von Mises概率来描述用户的方向偏好，即当他运动越快时，他越喜欢其运动方向上的POI。为了提高VeloNN查询的效率，我们从方向满意度和方向可比性这两个角度提出了针对R*树的剪枝原理。我们在真实数据集和人工数据集上对所有算法进行了验证，实验结果表明我们提出的算法可以有效地生成环绕概要并快速地处理上述查询。