移动环境下基于异构空间信息网络的社会化服务推荐研究

Mobile service recommendation has important research significance to solve the problem of ubiquitous and personalized recommendation. Traditional mobile recommendation mostly start from the perspective of context-awareness for predicting users’ behaviors and preferences, however, it rarely consider the relationship between the factors influencing recommendation and potential field correlation, which led to less type of the service recommendation results and confusion of structures. In order to solve these problems, our project proposes a social service recommendation model based on heterogeneous spatial information networks in mobile environment. Our project intends to research from the following aspects: 1) According to utilizing mobile communication data, history trajectory data and service data, we construct the user's social-network, user-location network, user-service network respectively. 2) Our project constructs a heterogeneous spatial information network by analyzing the potential links between geographical position and social relations, social relations and service respectively. 3) We will realize the service recommendation by ranking through the importance of heterogeneous vertices and utilizing link prediction in the meta path of dynamic network structure. This project provides basic theory and technical support to realize a ubiquitous and personalized mobile recommender system, which has a significant value for research and application.

移动环境下的服务推荐作为解决普适性和个性化问题的方法，具有重要的研究意义。传统的移动推荐大多从情境感知的角度出发，预测用户的行为和偏好，而对于各因素间的关联关系和潜在的领域相关性考虑甚少，导致服务推荐结果存在类型单一、结构缺失，排序混乱等问题。针对这些问题，本项目拟提出一种移动环境下基于异构空间信息网络的社会化服务推荐方法。项目拟从以下方面展开研究：1）拟通过利用移动通信数据、用户历史轨迹数据和服务调用数据分别挖掘并提取出用户社交网络、用户地理位置网络、用户-服务网络。2）拟通过社交关系与地理位置和服务间的潜在关系构建异构空间信息网络。3）拟通过对异构空间节点的重要性进行排序，实现排序算法，并利用元路径预测方法对动态变化的网络结构进行链路预测，为用户进行服务推荐。该研究为实现移动环境下具有普适性和个性化的服务推荐提供理论基础和技术支撑，有望获得创新性和实用性的成果。

移动环境下基于异构空间信息网络的社会化服务推荐作为解决普适性和个性化问题的方法，具有重要的研究意义。课题围绕移动环境下基于异构空间信息网络的社会化服务推荐关键支持技术，针对移动环境下用户的异构空间信息网络建立和动态更新、节点在异构空间信息网络中的聚类信息和链路预测、移动服务推荐的实时准确性评价三大科学问题展开研究。课题主要研究内容如下：.① 提出了一种基于递归神经网络和自我注意机制的用户位置预测方法，根据用户历史轨迹信息探索序列规则性并提取时间特征，挖掘用户的移动行为与时间特征之间的关系，预测用户可能访问的下一个位置；.② 提出了一种基于用户偏好、地理位置和社会影响力的融合协同过滤模型，根据用户的社交声誉程度，采用TF-IDF挖掘用户偏好；.③ 提出了一种基于QoS预测和分层张量分解的个性化Web服务推荐方法QoSHTD，建立用户-服务-时间关系本地和全局三阶张量分解模型，预测缺失的QoS值，以缓解数据稀疏性问题；.④ 提出了一种基于权重和灰色关联分析相结合的云服务信任评估模型，将信任、推荐信任和声誉三种因素共同形成全面信任，提高用户满意度和交互成功率；.⑤ 提出了一种融合文本内容语义的深度矩阵分解推荐方法HDMF，利用深度矩阵分解模型对高维稀疏的用户-物品评分矩阵进行降维，并结合循环神经网络提取文本语义特征表示，以优化物品的表示向量；.⑥ 提出了一种个性化服务质量预测的位置和信誉感知矩阵分解方法LRMF，结合用户的声誉和位置信息，以实现更准确的QoS预测结果；.⑦ 提出了一种基于时序模型和矩阵分解的推荐算法，利用矩阵分解提取原始时序数据的特征，再通过时序模型挖掘特征趋势；.⑧ 提出了一种融合矩阵分解与距离度量学习的社会化推荐算法，同时对样本和距离度量进行训练，以缓解了冷启动问题；.⑨ 提出了一种结合地点类别和社交网络的兴趣点推荐模型CSRC，同时考虑用户历史签到位置和朋友间的类别偏好差异性，以提升推荐效果。