移动云环境下基于上下文信息的个性化推荐模型研究

Recently, with the rapid development of mobile cloud computing, large scale of online information are provided to users. And these information resources are usually multi-source and heterogeneous. The main concern of this project is how to use the information resources and the contextual information effectively to provide personalized recommendation in the mobile cloud environment. To address this problem, this project focuses on the research on context-aware personalized recommendation model in mobile cloud environment. Firstly, to address data sparseness in recommender systems, we design an incentive mechanism based on credit model and propose a sample selection strategy based on the contextual information. Secondly, to address the missing data problem and improve the quality of sample data, we propose a context-aware and model-based method for sample data optimization. Finally, to improve the accuracy, real-time and scalability of the recommender systems in the mobile cloud environment, we focus on the research on context-aware user preference model, multi-model fusion recommendation method and the design of parallel collaborative recommendation framework. The research of this project will improve the subject content of recommender systems, and promote the research of the basic theory and techniques for the personalized recommender systems in the mobile cloud environment.

近年来随着移动云计算模式的蓬勃发展，网络中数据资源规模愈发庞大，且呈现出多源、异构的特征。针对如何有效利用这些数据资源及与用户相关的上下文信息，在移动云环境下为用户提供实时个性化推荐的问题，本项目致力于开展移动云环境下基于上下文信息的个性化推荐模型研究。本课题首先拟通过分析用户历史行为信息，设计基于信誉模型的反馈激励机制，并融合上下文信息研究样本数据选择策略，解决推荐系统中样本数据的稀疏性问题；然后通过研究基于上下文信息和模型预测的样本质量优化方法，解决样本数据中数据缺失问题，进一步提升样本质量；最后通过研究上下文感知的用户动态偏好获取方法、多模型融合推荐方法以及并行协同推荐框架的设计，提高移动云环境下个性化推荐系统的准确性、实时性及可扩展性。本项目的研究将丰富和完善推荐系统的学科内涵，并对移动云环境下的个性化推荐系统的基础理论和技术的研究起重要推动作用。

近年来，随着移动云计算模式的蓬勃发展，网络中数据资源规模愈发庞大，且呈现出多源、异构的特征。针对如何有效利用这些数据资源及与用户相关的上下文信息，在移动云环境下为用户提供实时个性化推荐的问题，本项目致力于开展移动云环境下基于上下文信息的个性化推荐模型研究。本课题首先设计了基于数据扰动、聚合模糊以及局部敏感哈希技术的隐私保护机制，以激励用户反馈。并融合上下文信息研究样本数据选择策略，解决了推荐系统中样本数据的稀疏性问题；针对样本质量优化问题，本项目研究了基于上下文信息和模型预测的样本质量优化策略，提出了基于隐语义模型（矩阵分解），张量分解模型以及知识图谱技术的上下文感知的样本质量优化方法，进一步提升样本质量；最后通过研究上下文感知的用户动态偏好获取方法、多模型融合推荐方法以及并行协同推荐框架的设计，提高移动云环境下个性化推荐系统的准确性、实时性及可扩展性。本项目所提出的理论和方法丰富和完善了移动云环境下个性化推荐系统的学科内涵，而且研究成果适用于多种移动应用领域的个性化实时推荐任务，具有广泛的应用价值。在本项目资助下共发表（含录用）与项目研究内容相关的论文13篇，其中SCI(E)期刊论文7篇，EI检索国际会议论文6篇，申请专利1项。