移动互联环境下的精细化服务推荐方法研究

The scenes of service recommendations in mobile Internet are very complex and hence many meticulous requests for the comprehensive steps of service recommendations have to be satisfied, aiming to which, the approach of meticulous service recommendations in mobile Internet was studied by the following ways: 1) QoS data in mobile Internet was modeled as Tensors for the purpose that multi-dimensional constraints can be disposed comprehensively, integrally and uniformly, and meticulous predictions of missing QoS values were carried out by the decompositions and reconstructions of QoS Tensors; 2) user preferences of different scenes were obtained meticulous by grasping recommendation scenes accurately and by user preference learning in different senses and 3) user characteristic planes were established according the invocations of special type of services in special scene so that user characteristic can be got accurately and service candidates can be determined. The overall QoS of service candidates were evaluated based on the before two steps, and the service with the best evaluation was recommended to user. In addition, the running status of the recommended service was tracked and responded if necessary.

针对移动互联环境下复杂推荐场景对服务推荐各环节提出的精细化要求，研究精细化服务推荐方法。首先，对移动互联环境下的QoS数据进行高维张量建模，以全面、完整、统一地考虑QoS预测中的多维约束条件，通过对QoS张量的分解与重构实现QoS缺失数据的精细化预测；其次，对移动互联环境下的推荐场景进行准确感知，并研究不同场景下的用户偏好学习方法，以对不同场景下的用户偏好实现精细化获取；最后，根据用户在不同场景、针对不同类别服务的使用情况，建立用户特征平面，以精细化获取用户特征并确定候选服务，基于前两步的基础对候选服务进行综合质量评价，选择合适的服务进行推荐，并对服务的运行效果进行跟踪与响应，最终形成移动互联环境下的精细化服务推荐方法。

立足于移动互联环境下QoS数据的时空多样性、场景的复杂性，本项目旨在解决多维因素约束下的QoS缺失数据精细化预测以及复杂场景下的用户偏好的精细化获取，并在此基础上提出移动互联环境下的精细化服务推荐方法，从以下三个问题展开研究：1).QoS缺失数据精细化预测方法研究; 2) 用户偏好精细化学习方法研究; 3).精细化服务推荐方法研究。针对问题1，提出了“基于张量计算的QoS缺失数据预测算法”，该算法提出了通过张量模型对高维QoS数据进行建模的方法；建立QoS缺失数据预测的数学机理，即通过张量分解得到表现其各维度特征的成份矩阵，并根据成份矩阵对张量进行完整重构以补全张量中的缺失数据； 提出一种高效的优化算法对张量分解与重构进行实现，并最终形成QoS缺失数据精细化预测算法。针对问题2，提出了“智能聚类感知的用户偏好精细化学习算法”，该算法首先针对用户在历史服务推荐中经历的所有推荐场景，通过人工智能方法进行聚类，以确定每个推荐场景的所属类别，从而实现推荐场景的感知；其次对于感知得到的每一个推荐场景，建立用户偏好学习模型，最后建立用户偏好学习方程组，通过求解该方程组学习出用户偏好。针对问题3，提出“基于需求距离计算的精细化服务推荐算法”，该算法针对用户的推荐场景，根据该场景下的历史服务使用记录，建立由历史QoS、用户历史评价等多要素组成的用户需求平面；然后，通过“距离相关系数 (Distance Correlation)”对不同用户之间需求距离进行测量，并根据需求相似度特征实现最终的精细化服务推荐。该项目深入考虑移动互联网环境的新特点，指出了移动互联环境下服务推荐的精细化要求，并提出了科学合理的解决方案，具有较大的科学意义。项目资助发表论文7篇，其中SCI论文两篇，中文一级学报一篇。