移动环境下基于用户行为识别的情境感知服务推荐研究

Effectively utilizing context-awareness to realize a ubiquitous and personalized mobile recommender system has become a research hotspot in mobile recommender field. However, there are some unresolved problems in the previous work, such as: difficult to identify valid context combinations; difficult to obtain user’s requirements; lack of optimization of recommendation results. In order to solve these problems, this study proposes a context-aware service recommender system based on user behavior recognition in mobile environment. The research methodologies of this study are as follows: 1) This study segments context data into context sessions by using minimum entropy algorithm, and utilizes the classification model of support vector machine to identify the optimal valid context combination; 2) This study adopts semi-supervised learning to cluster the context sessions with scarce labels, and recognizes user’s behavior based on context in order to obtain the relational model between context and behavior; 3) By analyzing feature vectors of behaviors, this study clusters services based on distance measurement and the normal distribution clustering algorithm, and adopts semi-supervised clustering method to optimize the recommendation results by utilizing user's feedback. This study provides basic theory and technical support to realize a ubiquitous and personalized mobile recommender system, which has a significant value for research and application.

如何在移动环境下利用情境感知，实现具有普适性和个性化的服务推荐，是移动服务推荐领域的研究热点。但是目前的研究仍存在难以识别有效情境信息组合，难以准确获取用户需求，缺少推荐结果优化机制等问题。针对这些问题，本项目拟提出一种移动环境下基于用户行为识别的情境感知服务推荐方法。项目拟从以下方面展开研究：1）拟通过最小熵算法将情境数据分割成若干情境会话，并利用支持向量机分类模型，识别最佳有效情境信息组合；2）拟通过半监督学习的方法对标签稀少的情境会话进行聚类，利用受限玻尔兹曼机从情境信息中识别用户行为，从而挖掘出情境与行为的关系模型。3）拟通过分析用户的行为的特征向量，研究基于距离度量与正态分布的服务聚类算法，再结合用户对推荐结果的反馈信息，运用半监督聚类方法优化移动服务推荐结果。该研究为实现移动环境下的具有普适性和个性化的服务推荐提供关键基础理论和技术支撑，有望获得创新性和实用性并举的成果。

本项目针对目前移动推荐中存在难以识别有效情境信息组合，难以准确获取用户需求，缺少推荐结果优化机制等问题，提出了一种移动环境下基于用户行为识别的情境感知服务推荐方法。项目主要展开了以下几个方面的研究：1）构建移动推荐模型时会考虑用户偏好、社交因素、时间因素、内容因素、地理因素。在最大限度保证情境信息完整性的前提下，降低高维情境数据处理的计算复杂度的前提下，本项目对如何有效地进行情境信息组合进行了研究。2）为了从实时情境信息挖掘出用户当前行为，从而准确获取用户的个性化需求。本项目利用受限玻尔兹曼机从情境信息中挖掘出用户的行为信息。3）为更好提高推荐效率，项目在利用聚类技术同时考虑用户偏好和移动上下文因素，提出基于用户聚类和移动上下文的矩阵分解推荐算法。该算法以偏差矩阵为基础，利用聚类技术对用户进行聚类后，再在每簇局部数据中利用移动用户上下文相似性进行限制，以正则项的方式融入到矩阵分解中，利用梯度下降法对其进行求解。经实验表明该算法有效的提高了预测评分的准确率和推荐的准确度。4）在基于用户的协同过滤方法基础上，本项目使用TF-IDF技术表征用户对地点的偏好，并将其引入用户相似度计算过程中，然后又针对大部分工作考虑地理影响不全面和传统社交网络对用户的影响在移动环境下的局限性，提出一种融合多维度情境信息和社会信誉度的算法，实验结果表明本文提出的推荐算法能够有效提高推荐效果。