基于模糊本体和情境感知技术的用户行为偏好分析及个性化推荐研究

Accurate and dynamic update user preferences profile and personalized recommendation plays an important role in personalized cross-media information retrieval. The analysis of the context information of user behavior, preferences, environmental conditions and common knowledge based on ontology and context awareness technology constitutes the important basis of constructing user preference profile. The previous researches show that the general layered context ontology based on the fuzzy logic and the trust model is beneficial for reusing the ontology concept and reducing the size of ontology, and the context ontology based on contextual conditional entropy is beneficial for the construction of an accurate and efficient user preference profile. But the previous research is still inadequate for the ability to handle the uncertain context, context information interoperability and reasoning. The present project aims to realize knowledge sharing and uncertainty reasoning by the construction of the general multi-dimension hierarchical contextual ontology model which can support the quality of context, and by the users’ dynamic behavior analytic strategy based on credibility and dependency, and then expound the method of the second matching of the ontology model with user preferences profile and the personalized extension under the control of contextual conditional entropy based personal recommendation algorithm. Taking the mutual relations of the fuzzy ontology and the processing of the uncertain context as the breakthrough point, this study builds up the basis for the context identification and semantic network based secondary extension mechanism, and provides the new idea for the exploration and utilization of the user preference in the cross-media information retrieval and the ubiquitous computing.

准确且动态更新的用户偏好库及个性化推荐算法在个性化信息检索中作用重大。利用模糊本体和情境感知技术对用户的行为、偏好、环境状况和共同知识等情境信息进行分析是构建用户偏好库的重要依据。前期研究工作显示，基于模糊逻辑和信任模型的通用分层情境本体有利于本体概念的重用和降低本体规模，而基于情境条件熵构建的情境本体有利于准确高效的用户偏好库的构建。但前期研究对不确定上下文的处理能力及上下文信息的互操作和推理等方面尚显不足。本项目拟通过建立通用的支持上下文质量的多角度分层情境本体模型和基于可信度和依赖度的移动用户动态行为分析策略实现知识共享和不确定性推理，并在基于情境条件熵的个性化推荐算法的调控下阐明本体模型与用户偏好库进行二次匹配和个性化扩展的方法。本研究以模糊本体和不确定性上下文处理的关系为切入点，为情境识别和基于语义网络的二次扩展奠定基础，为普适计算和跨媒体信息检索领域中用户偏好的挖掘提供新思路。

信息过载使得用户很难从海量信息中准确地找到符合自身兴趣的信息，如何挖掘用户的隐性需求信息对用户进行准确的推荐成为我们亟待解决的问题。本课题首先构建了通用的支持上下文质量的三层上下文本体模型。上层本体模型将上下文根据其来源再次分类；中层本体模型从“传感器、网络、用户、邻居”四个方面对上下文质量进行优化和修正；下层本体模型从“领域隶属度、作者研究兴趣隶属度、文档主题隶属度”三个方面对概念隶属度进行判断，形成待推荐项目上下文摘要。然后创建形式化上下文模糊本体变量，并映射到基于模糊关系的数据库，使用基于上下文环境的模糊语义相似度匹配算法计算变量模糊状态的隶属度。再次从读者所处的情境入手，利用图神经网络构建“上下文和用户（或项目）的交互关系；将基于密度聚类的二分类数据分析方法与深度学习模型结合，得到疲劳度特征判定；利用“情境条件熵的权重、基于历史信息的遗忘权重”聚类邻居用户。最后利用图卷积神经网络优化用户和项目的嵌入向量，将“上下文和用户（或项目）”间的协同信号以显式的方式注入到嵌入过程中，增强用户（或项目）表示，基于上下文交互特征对用户的兴趣领域进行动态聚类预测，提高个性化推荐的准确率。. 实验证明所提出的方法兼具“普适计算”和“个性化”两种优势，可以在保持较低的个体实例化时间复杂度的前提下反映不同信任原因支持某一信任度的重要性和准确性，解决本体概念间的不确定关系；注意力机制的引入可以显式的学习不同上下文因素对用户的重要程度，提高查全率、查准率，降低均方根误差和平均绝对误差；图卷积神经网络可以有效地将上下文和用户（或项目）间的协同信号以显式的方式注入到嵌入过程中；基于“情境条件熵的权重和历史信息的遗忘权重”可以获取更全面的用户偏好。跟多种上下文感知推荐方法相比，我们提出的方法在Map@10, Precision@5, Precision@10, Recall@5 and Recall@10评价指标上的结果都是最好的。本课题成果可以应用到评分网站、购物网站、高校电子图书馆等的个性化推荐系统中。