移动大数据环境下基于认知行为与多视图优化的情景感知推荐关键技术研究

As the main carrier of the information services, the huge mobile information need to be demonstrated to users on mobile intelligent devices which have smaller display platform has bring worse information overload problem and challenge. Whether it can extract valuable information which meet users’ demand from huge mobile information is one of the main obstacle for users to accept mobile services and the restriction of the mobile internet development. The research aims at the rapid process technology for users’ behavior data under mobile big data, and how to realize accurate and efficient mobile recommendation service. In concrete, our research focus on three issues, the hyper-high dimension, hyper-high sparse and isomeric users’ behavior analysis and process under mobile big data environment, the cognitive deceive correct model and preference predict model based on cognitive behavior, the preference optimize model which suitable for different application environments and users’ demands based on multi-views optimization, and we will verify the key technology on the simulative and real application environment. The project will provide key technology and an effective solution for the mobile information overload, and play a positive role for the further development of mobile internet.

移动互联网正在成为信息服务的主要媒介，海量的移动信息资源在展示空间更小的移动智能终端呈现给用户，会面临更为严重的“信息过载”问题与挑战。从海量移动信息资源中提取出面向不同移动用户需求的有价值信息的技术与方法，已成为影响网络用户接受移动信息服务并制约移动互联网进一步发展的主要瓶颈之一。本课题针对如何实现移动大数据环境下用户行为数据的快速处理以及如何实现精准、高效的移动推荐服务展开研究。具体研究内容包括移动大数据环境下，超高维、超稀疏、异构的用户行为数据处理与分析技术；基于认知行为建立认知欺骗修正模型及偏好预测模型；基于多视图优化建立适用各应用场景、面向不同移动用户需求的偏好优化模型，并在模拟及真实应用环境中进行关键技术验证等。通过本课题研究将为解决移动大数据环境下的“信息过载”问题提供关键技术与方法，对移动互联网的进一步发展起到积极推动作用。

移动互联网正在成为信息服务的主要媒介，海量的移动信息与资源在展示空间更小的移动智能终端呈现给用户，会面临更为严重的“信息过载”问题与挑战。能否从海量移动信息中提取出面向不同用户需求的有价值信息的技术与方法，已成为影响用户接受移动信息服务以及制约移动互联网进一步发展的主要瓶颈之一。面向移动环境的推荐系统是解决移动端“信息过载”问题的重要途径。然而，由于个人数据的敏感性、推荐算法严重依赖数据质量以及终端算力的限制导致其仍然面临着效率低、安全性和准确性不足的挑战。.为了解决这些问题，本课题针对如何实现面向用户的高效、精准、安全的推荐模型进行研究，主要贡献包括：.1）针对现有的研究高维异构偏好数据的处理缺乏高效安全处理方法的问题，结合Hadoop、Spark等技术构建了一种高效安全的数据处理方法；.2）在此基础上，结合偏好的优化结果以及用户认知行为的影响，提出了一种基于用户认知的偏好预测模型，通过结合用户认知对于偏好的积极作用，实现面向用户的偏好的建立；.3）然后，针对现有的历史偏好数据中存在的伪偏好的问题，结合用户上下文信息提出了一种伪偏好的修正策略，通过对伪装偏好信息的判别、补偿与修正，剔除偏好数据中的错误信息，为偏好的优化提供良好的基础；.4）最后，针对偏好信息的冗余的问题，提出了一种基于多视图技术的偏好优化模型，依据用户偏好不同维度之间的内在关联，实现偏好信息的融合精简。.通过在大规模数据集上进行实验，相比现有方法，在算法开销、准确率、覆盖率、多样性等方面均有大幅提升：相比于传统的偏好修正模型WSCF与OTCF，我们的方法覆盖率分别提升了5.79%与3.83%；相比于传统的优化模型，我们的方法在20%与70%的数据集上，多样性指标分别降低了3.01%与3.68%；相比于传统的偏好预测算法CABT、CACF，P@R指标分别提升了21.46%、18.92%。.综上所述，本课题从支撑数据、核心算法等方面提升移动推荐系统的准确性，并对认知领域与偏好获取领域的融合进行了深入研究探索，所提出的基于认知行为、群集认知等概念的预测方法，能够进一步的优化偏好模型，为认知领域与偏好获取领域的进一步融合进行了有益的探索。通过上述方法，能够在推动移动互联网的发展与信息服务模式的转变提供帮助与支撑。