移动推荐系统（共8篇）
移动推荐系统 篇1
0 引言
个性化推荐帮助用户发现电影,音乐和感兴趣的商品,为用户推荐志趣相同的新朋友,为用户提供个性化的搜索结果,解决用户“信息过载”问题。推荐模型根据用户的行为分析得到不用用户的喜好,并提供相应的服务。随着智能手机的不断发展,移动推荐系统已经成为下一代智能手机研究领域最为活跃的课题之一。许多研究者已经对相关领域进行了深入的研究,如移动信息检索、传感器的研究、数据挖掘和知识发现、人机交互等。
1 移动推荐系统及其关键技术
移动推荐系统是传统推荐系统在移动领域的进一步扩展。随着社会高速发展,移动用户大量增加,中国互联网中心在2016年1月最新公布的《第37次中国互联网络发展状况统计报告》中指出,截止2015年12月,中国手机网民达6.20亿,半数中国人通过手机接入互联网。如何为用户提供更好、更准确的推荐信息成为推荐系统研究者们研究的重点。移动用户虽然存在异构的移动网络环境,但只要能准确提取用户在移动环境行为进行分析,就能有效地为用户进行个性化推荐。
1.1 移动上下文推荐
作为“普适计算”核心领域的上下文感知计算理论,自动发现和利用位置、环境等上下文信息为用户提供服务已经取得许多研究成果。由于移动设备的易携带性,研究者们可以通过设备感知用户所处上下文环境。用户偏好通常会受到周围环境的影响,如有的用户喜欢在办公室而不是家中购物,有的用户喜欢在晚上学习而不是白天。
1.2 移动社会化推荐
互联网的高速发展使得虚拟交互变得越来越重要,用户在社交网络中分享信息,在移动互联网上通信。通过用户行为可以为用户构建社交网络,网络中的用户之间存在某些特定的联系,一些研究者将社会网络引入推荐系统中,有效缓解了传统推荐中存在的冷启动问题。近年来,随着智能手机的普及性,通过收集手机用户在社交网络中的行为更能够有效为用户建模并进行个性化推荐。
2 基于位置的移动推荐系统
传统的推荐系统特点之一在于用户交互,推荐系统通过用户历史行为为其进行推荐。基于位置的移动推荐系统,通过访问移动设备的位置数据,收集并分析用户的位置与历史信息。最为重要的是根据以上信息为用户提供个性化的推荐。
移动推荐系统用户信息的采集分为两种方法:显式方法通过收集用户输入的显式信息,如用户在注册账户时的年龄,住址等;隐式方法是系统根据用户的历史信息和活跃行为中分析构建用户行为信息。如电子邮件的收发方,社交网站的浏览行为等。当研究人员收集到数据后,需要利用数据挖掘工具对采集的信息进行预处理,对用户建模并以各种形式为用户进行个性化推荐。
3 移动推荐系统研究难点与应用前景
个性化和实时性使得移动推荐系统拥有者广阔的发展前景,本节就其研究难点和应用前景进行分析总结。
3.1 研究难点
(1)移动用户的信息获取,在移动推荐中,由于终端设备的特殊性,显式获取用户信息常常会影响用户体验。因此隐式获取用户信息的方式更为常见,在保证用户隐私的前提下,有效准确地获取用户信息,依然是移动推荐研究的重中之重。
(2)移动推荐系统的冷启动问题,新用户进入推荐系统时,由于信息缺失,不能准确地获取用户偏好,新项目进入系统时,过少的评价信息也使得推荐系统无法准确进行推荐。
(3)移动推荐的隐私和安全问题,移动用户的隐私保护问题严重制约了移动信息系统的发展,移动推荐系统为收集用户信息,通常对移动用户信息、行为、位置等进行分析。但部分移动用户不愿向推荐系统提供完整准确的信息,认为存在隐私泄漏等安全问题。
3.2 应用前景
移动新闻推荐作为互联网推荐的研究领域之一,在移动推荐领域同样收到研究者们的关注,Daily Learner新闻推荐系统通过挖掘用户的兴趣变化向用户推送新闻,利用用户注册时的信息,缓解了冷启动问题。移动旅游推荐是兴起的新型推荐领域应用。Cyberguide根据用户位置上下文信息以及历史行为为用户进行基于位置的移动旅游推荐。
随着智能设备的普及,移动设备已经成为人们生活中不可或缺的工具。近年来,利用移动推荐系统来缓解用户“信息过载”问题已经得到研究者们的广泛关注,但依然存在大量问题需要进行深入研究。
摘要：随着移动终端的普及,移动设备成为了推荐系统理想的获取用户信息的接口,用来帮助系统发现,学习用户的周围物理环境。对近几年移动推荐系统研究进行综述,对其关键技术进行对比分析。最后对移动推荐系统的发展趋势进行展望。
关键词：移动设备,推荐系统,移动推荐,综述
参考文献
[1]Church K,Smyth B.Understanding the Intent behind Mobile Information Needs[C]//Proceedings of the 14th International Conference on Intelligent User Interfaces:ACM,2009:247-256.
[2]Dey AK,Wac K,Ferreira D,et al.Getting Closer:An Empirical Investigation of the Proximity of User to Their Smart Phones[C]//Proceedings of the 13th International Conference on Ubiquitous Computing:ACM,2011:163-172.
[3]Cho E,Myers SA,Leskovec J.Friendship and Mobility:User Movement in Location-based Social Networks[C]//Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining:ACM,2011:1082-1090.
[4]Baltrunas L.Exploiting Contextual Information in Recommender Systems[C]//Proceedings of the 2008 ACM Conference on Recommender Systems:ACM,2008:295-298.
[5]Girardello A,Michahelles F.Appaware:Which Mobile Applications Are Hot?[C]//Proceedings of the 12th International Conference on Human Computer Interaction with Mobile Devices and Services:ACM,2010:431-434.
[6]孟祥武,胡勋,王立才,等.移动推荐系统及其应用[J].软件学报,2013,24(1).
移动推荐系统 篇2
当小米开发产品时，数十万消费者热情地出谋划策;当小米新品上线时，几分钟内，数百万消费者涌入网站参与抢购，数亿销售额瞬间完成;当小米要推广产品时，上千万消费者兴奋地奔走相告;当小米产品售出后，几千万消费者又积极地参与到产品的口碑传播和每周更新完善之中……
这是中国商业史上前所未有的奇观。消费者和品牌从未如此相互贴近，互动从未如此广泛深入。通过互联网，消费者扮演着小米的产品经理、测试工程师、口碑推荐人、梦想赞助商等各种角色，他们热情饱满地参与到一个品牌发展的各个细节当中。
小米现象的背后，是互联网时代人类信息组织结构的深层巨变，是小米公司对这一巨变的敏感觉察和精确把握。
移动推荐系统 篇3
1 个性化推荐系统
个性化推荐的理念已经是目前发展的大趋势, 不能仅仅局限于满足用户的需求, 还要更好地满足每位用户 的需求 ,这就是个性化, 所以个性化是很有研究意义的。而且图书馆和现实生活结合的更加紧密, 很具有实用性。
基于Android移动图书馆个性推荐系统, 它通过移动客户端不仅可以查询图书馆馆藏的图书、读者的借阅信息, 还可以收藏自己喜爱的书籍, 并且可以下载电子图书直接在手机终端上阅读。同时系统通过对用户的数据分析挖掘用户的兴趣爱好, 根据用户的兴趣爱好个性化向用户推荐书籍或者通过最近邻居向用户推荐书籍, 帮助用户花费最少的时间找到最合适的书籍, 把用户感兴趣的图书信息推荐给读者。移动图书馆个性化推荐系统能方便用户阅读, 帮助用户找到合适的书籍。
2 移动图书馆个性化推荐系统设计
旨在使用Android技术建立一个适合校园使用的移动图书馆个性推荐系统, 由Web服务器端和Android手机端两部分组成。
2.1 Web 服务器端
Web服务器端 使用PHP语言开发 , 整体框架 用了PHPZend框架。主 要实现对 图书馆图书 的管理和 兴趣分析。We服务端功能模块图如图1所示, 完成用户管理、图书 管理、借阅管理、收藏管理、 类别管理和兴趣分析统计, 以及实现提供给客户端的图书列表接口、推荐图书列表接口、借阅信息接口、登录接口以及收藏接口和下载电子书接口。
(1) 用户管理 模块
在此模块中, 只有系统管理员才拥有 管理员管 理权限 ,对用户有增加、修改和删除功能。
(2) 图书管理 模块
在此模块中, 管理员对图书信息进行录入、修改以及删除功能。管理员可以添加图书图片和电子书, 将图书和图片上传到服务器文件夹中。
(3) 借阅信息 管理模块
管理员根据借书者ID和书号对图书馆图书进行借阅, 借阅信息显示借书日期和还书日期, 根据设定图书馆借书时间限制, 计算出距离还书日时间。
(4) 类别管理
本模块给图书馆图书分类, 可以添加、编辑和删除类别。
(5) 收藏管理
主要记录客户端用户收藏图书的记录。
(6) 兴趣分析 统计
主要记录对用户的兴趣记录的统计, 例如学生借阅某一类书籍、收藏或者下载某类书籍时将按类型把类别记录到数据库中, 以供对用户兴趣的分析处理。
2.2 Android 手机端
移动图书馆个性化推荐系统的Android客户端开发使用Jav语言, 用Eclipse开发工具编写, 支持Android2.3以上系统版本。
未登录用户即游客身份使用移动图书馆Android客户端时, 推荐书籍列表将向游客推荐一些图书馆比较受欢迎的书籍, 游客有查看图书馆图书信息的权限, 但不具有收藏图书、下载图书、借阅信息查询等功能。当用户登录后, 系统分析用户兴趣向用户个性化推荐书籍, 并拥有收藏图书、下载图书和借阅信息查询等功能。Android手机端功能模块图如图2所示。
用户在正确输入用户名和密码后, 将用户登录信息保存到程序配置文件Sharepreference中, 下次启动客户端时根据配置文件中是否有user Id和pass Wrod来判断是否登录过。
3 推荐算法的实现
本系统推荐算法是采用基于用户相似性进行的。用户之间的相似性越高, 用户之间的爱好相似度越高。确定了与用户关联的相似度最高的用户, 也叫做最近邻居, 就可以把最近邻居的图书列表作为该用户的图书推荐。
该系统的使用的推荐算法描述如下:
假设当前用户为A, 如果该用户A的借阅记录为空, 则按非个性化的方式推荐, 即按图书借阅量排名推荐。不为空, 则按推荐算法推荐。在数据库中查询借阅了用户A所借阅的第一本书的用户集合B, 在从用户集合B中筛选与用户A所借阅相同的第二本书, 得到用户集合C, 以次类推, 直到得到的用户集合为空时, 返回上一层的集合, 把该集合作为最近邻居, 其借阅图书列表 (排除A已借阅的) 作为推荐结果返回给用户A。
4 Android 手机端与服务器端交互实现
Android移动图书馆 个性化推 荐系统客户 端向服务器 请求数据, 主要利用了Http Client这个类来实现模拟浏览器访问服务器。Http Client其实是一个interface类型, Http Client封装了对象需要执行的Http请求、身份验证、连接管理和其他特性。简单来说, 用Http Client发送请求、接收响应都很简单, 只需要几个步骤即可:
(1) 创建Http Client对象。
创建对应的发送请求的对象, 如果需要发送GET请求,则创建Http Get对象, 如果需要发送POST请求, 则创建HttpPost对象。
( 2) 调用Http Client对象的execute ( Http Url Request request) 发送请求, 执行该方法返回 一个Http Response对象。
(3) 调用Http Response的对应方法 获取服务器 的响应头、响应内容等。
Http Client是用来模拟HTTP请求的 , 其实质就 是把HTTP请求模拟 后发给Web服务器 , Android已经集成 了HttpClient, 因此可以直接使用。
本程序中客户端向服务端请求数据时使用的数据交换格式是JSON (Java Script Object Notation), JSON是基于Java Scrip编程语言的一种轻量级的数据交换格式, 主要用于跟服务器进行交换数据。跟XML相类似, 便于解析, 它独立语言, 在跨平台数据传输上有很大的优势。
随着数据库中图书数量的积累, 客户端向服务器请求图书数据时, 如果服务器端一次吐给客户端所有数据时, 会增加客户端和服务器端的负荷, 影响用户的体验性。这里选择每次向服务器请求20条数据, 并在本地缓存20条数据的机制。即每次进入通知列表界面, 首先加载本地数据, 在界面下拉时, 随后从服务器请求到新数据后, 刷新视图并且删除原来数据将新数据更新到数据库中。Web服务端根据客户端最后一次请求的数据时间每次返回最近的20条JSON数据给客户端。JSON数据如图3所示, 手机端界面如图4所示。
5 结语
本系统初步实现移动图书馆个性化推荐系统推荐主要功能, 采用简单易行基于相似用户的算法进行个性化推荐, 但是系统的冷启动等问题, 推荐效果优化还有待研究和 改进 ,从而提高移动图书馆用户获取知识与信息的效率。
摘要：在研究移动图书馆个性化推荐意义的基础上,结合校园移动图书馆具体需求的分析,介绍了整个系统框架的设计及关键技术,应用该个性化推荐系统可以有效提高用户搜索查找图书效率。
移动推荐系统 篇4
关键词：个性化推荐,LBS,位置情景相似度,协同过滤,项目相似度
0 引言
随着移动通信技术的迅猛发展和移动智能终端的普及,移动电子商务在人们日常生活中扮演者越来越重要的角色,使得用户可以随时随地方便地通过移动设备获得如购物、娱乐、订餐、银行业务等各种服务[3]。面对海量的移动商务信息,高效完备的推荐机制无疑将对移动电商的成功起到至关重要的作用。近年来,移动推荐系统利用移动互联网在信息推荐方面的优势,通过预测移动用户的潜在偏好来过滤不相关的信息,为移动用户提供满足其个性化需求的推荐,逐渐成为缓解“移动信息过载”的有效手段[1]。移动推荐系统是基于上下文感知的[3],其中位置上下文对用户偏好的影响至关重要,如何利用位置情景信息获得更准确的推荐是当前移动推荐研究的热点[3]。
虽然目前基于位置推荐的研究已有不少,但对位置情景在推荐系统中的运用方式、重要程度及权重分配上仍有不足之处。如:Kuo等[5]、陈洪亮等[6]将位置信息作为一个属性引入用户维度中,单纯地根据位置进行过滤,没有充分体现位置情景在移动推荐中的重要性;Qiudan Li等[7]引入位置情景信息,将推荐空间定义为N维“用户×项目×历史记录×位置×时间×天气”,缺点是多维矩阵会随着上下文信息的不断增加而需要不断地进行维护扩展,这无疑会增大计算的复杂度,同时面临存储的压力。
针对现有研究的不足,本文充分考虑位置情景信息的移动推荐中的重要性及位置敏感性,引入位置情景作为一个新的维度,提出了一种针对移动终端环境的混合多维推荐模型。推荐空间定义为“位置×用户×项目”,其中位置维度包含了地理位置、时间、天气等多项上下文信息,各个维度可以根据实际需要增减属性,故而上下文信息的增加并不会影响模型的维度。然后,以此推荐模型为基础,提出了一种新的混合推荐算法,融合了位置情景相似度过滤、项目相似度过滤以及协同过滤三个维度的推荐。最后,通过对比实验验证了该推荐模型的有效性。
1 关键技术
1.1 基于位置的服务
基于位置的服务LBS(Location-based Service)是通过电信移动运营商的无线电通信网络(如GSM网、CD-MA网)或外部定位方式(如GPS)获取移动终端的位置信息,为用户提供各种与位置相关的服务的一种增值业务。根据测量和计算的实体不同,定位技术可以分为以下几种:基于网络的基站定位、基于移动终端的GPS定位、A-GPS定位(辅助GPS)定位和WIFI定位。各种定位技术的定位精度不同、适用场景不同、对终端和网络的要求也不同。
通过LBS技术可以很方便地获取移动终端的位置信息。目前,LBS技术在国内发展迅猛,已经有比较成熟的第三方LBS开放平台供开发者使用和完善,如百度地图、高德地图。两种定位都支持混合定位模式,能实现高效精准的定位,能够满足移动电子商务系统的定位需求。本模型的实现采用百度LBS开放平台提供的定位SDK来实现移动端的定位功能。
1.2 推荐技术
个性化推荐系统正式的定义是Resnick和Varian在1997年给出的:“它是利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程”[8]。
目前,推荐系统中使用的推荐技术主要包括基于内容的推荐、协同过滤推荐以及混合推荐[1]。协同过滤CF预测精度高,但存在稀疏问题和可扩展问题。基于内容的推荐不存在冷启动和稀疏问题,但预测精度有待提高。综合考虑,本文结合这两类推荐算法的优缺点,将加权Slope One协同过滤算法与改进的项目相似度过滤算法相结合,设计了一种新的混合推荐算法,以期达到更好的推荐效果。
2 推荐模型
2.1 模型概述
本文提出的基于LBS的移动推荐模型如图1所示。在该模型中,将推荐空间定义为“用户×项目×位置”,其中位置维度包含了地理位置、时间、天气等多项上下文信息,各个维度可以根据实际需要增减属性,因此上下文信息的增加并不会影响模型的维度。然后,在此模型基础上,提出了一种新的混合推荐算法,算法分为两步:第一步,基于位置情景进行一次过滤,即进行位置情景相似度计算,过滤出与用户当前位置情景相似度较高的情境下购买的商品,缩小推荐范围;第二步,在上一步过滤结果的基础上,基于用户和项目进行过滤,分别按改进的slope one算法、项目相似度过滤算法进行过滤,然后按适当的权重将二者的推荐结果进行合并处理,产生最终的推荐结果。最后用真实数据验证算法的有效性。
2.2 模型数据的采集
推荐系统数据采集阶段的主要任务是获取影响用户偏好的信息,这是一个多渠道信息提取和挖掘的过程。主要有两种获取方式,其一是显式获取:通过询问或用户直接设置的方法获取用户偏好信息,这种方式获得的信息最准确。但这种机制的被动性限制了其适用性,在没有利益回报的条件下用户一般不愿意花费时间精力去提供信息;其二是隐式获取:不需要用户特别参与,通过终端系统监测或追踪记录用户行为数据。这种系统主动获取的方式不会给用户带来额外的负担,但隐式获取的数据质量一般没有显式获取的数据质量高,脏数据比较多需要进行数据清洗。
本文模型中影响用户偏好的信息主要是位置情景信息(包括位置信息、时间信息以及天气信息)和用户行为信息(包括评价信息、购买信息)。这些信息均可以借助移动终端技术及服务端数据记录得到,而无需通过用户显式输入获取,故本文采用隐式获取方式。具体地,位置信息通过移动终端的LBS定位技术获取,时间信息通过移动终端的系统时间来获取,天气信息可以通过在移动终端调用中央气象台的天气预报API获取,而评价和购买信息可以通过用户个人记录的分析获取。通过隐式方式获取的影响用户偏好的信息及对应的取值范围如表1所示。
2.3 多维混合推荐模型的设计
个性化推荐模块主要包含位置情景相似度过滤、Slope-one协同过滤、项目相似度过滤和加权合并处理四个子模块。
(1)基于位置情景相似度的推荐
在该模型中,用户每次的交易项目及对应的位置情景信息都会记录到数据库中,每一商品对应有一个历史位置情景集合。当对用户进行商品推荐时,根据用户当前的位置情景信息,计算用户当前位置情景信息与各个商品购买行为对应的历史位置情景之间的相似度,相似度越高,用户在当前位置情景下购买对应商品的可能性就越大。
位置情景相似度计算方法如下:
设位置情景信息包括t个属性L1、L2、…、Lt,则用户购买某个商品G时所在的位置情景定义为:
用户购买某商品n次后,会记录n个与该商品对应的位置情景记录,形成一个历史位置情景集合,用t×n矩阵Locations(Hg)表示:
设用户当前位置情景为:
则用户的当前位置情景与购买商品G时的历史位置情景集之间的相似度计算式为:
其中Count(Li(N))表示Locations(H)中出现属性Li的值等于Li(N)的次数。
综上,计算位置情景相似度,实质就是将用户的当前位置情景与某商品购买行为对应的历史位置情景集进行匹配,计算位置情景属性的匹配率,匹配率越高表示用户在当前位置情境下购买该商品的偏好就越大。
(2)基于加权Slope One协同过滤的推荐
Slope One算法是一种简单高效的协同过滤算法,其基本原理是基于用户的评分历史及其他用户对item的评分来预测用户对item的评分。为了进一步提高算法的精确度,文献[1]提出了一种加权的Slope One算法,认为对某一对项目评分的用户越多,则这一对项目的评分差的可信度就越高,反之则越低。该评分计算式为:
其中rij表示ui对itemj的实际评分,djk表示用户对k、j两个项目评分差的平均值,ckj表示某一对项目k、j评分的用户数,Si表示ui评过分的项目集合。
然而,协同过滤算法普遍存在“冷启动”问题,即要预测某一个用户对项目A的评分,就必须至少有一个其他用户对A评过分,否则即使该用户已经对其他很多项目有过评分也无法产生预测分数。目前针对冷启动问题,主要有两种解决方案:一种是将基于内容的推荐算法与传统协同过滤算法相结合,由于基于内容的推荐算法本身不存在“冷启动”问题,故采用两者相结合的方式可以改善“冷启动”问题;另一种是直接将传统协同过滤算法的评分数据结合特定的方法进行解决[1]。
本文采用第一种方法,在Slope One协同过滤的基础上引入基于项目相似度的推荐算法,从而解决前文提到的“冷启动”问题。
(3)基于项目相似度的推荐
项目相似度推荐是一种基于内容的推荐。项目相似度的计算认为项目之间的相同类型特征越多则越相似[1]。结合本模型的实验数据特征,推荐项目为店铺,店铺特征包括店铺类型、店铺平均消费额区间。例如,店铺A的类型集为{品牌商家,中式炒菜,烧烤烤串,火锅香锅},消费区间为[20,70],店铺B的类型集为{中式炒菜、饺子混沌、烧烤烤串},消费区间为[10,30],店铺C的类型集为{品牌商家,西式快餐,炸鸡汉堡},消费区间为[30,60]。三者对比发现:从店铺类型看A与B肯定比他们与C更加相似,而从消费水平看A与C显然比他们与B更加相似。基于项目相似度的推荐算法具体如下:
①类型相似度计算:输入两个店铺类型特征集Ck、Cj,对两个特征集进行匹配,将类型相同的两个结点看作一次匹配,则认为类型相似度等于总匹配数的两倍与特征集数量之和的比值,计算式表示为:
②消费相似度的计算也可以用式(3)表示。输入两个店铺的消费区间[kmin,kmax]、[jmin,jmax]分别记作Ck、Cj,对比两个区间的临界值,计算两个区间的交集大小为从而消费水平相似度等于交区间大小的两倍与两个区间大小之和的比。
③然后将商家类型相似度、消费水平相似度按照权值求和,设类型相似度权值为λ∈(0,1),则消费相似度为1-λ。本系统将两者的权值都定位0.5,即计算两个相似度的平均值作为最终相似度,计算式为:
④对已评过分项目计算加权平均数来预测评分,权值为项目之间的相似度。设j为用户i没有评过分的项目,Si为用户i评过分的项目集,simkj为项目k与j的相似度,则用户i对j的评分计算式为:
当用户对至少一个项目有过评分,就可以预测对其他项目的评分,该方法不存在“冷启动”问题。
(4)加权合并处理
对项目j的预测评分由上述两种推荐算法的过滤结果共同决定,合并规则表示为:
其中λ表示Slope One算法在混合算法中所占的权重,r(ijk)(k=1,2)表示Slope One算法及项目相似度算法计算出来的用户i对项目j的预测评分,表示混合算法得到的用户i对项目j的最终预测评分。
最后,将用户的最终预测评分的项目评分数据按评分进行降序排序,从中筛选出评分最高的几个项目作为最终的推荐项目,对用户产生推荐,至此完成个性化推荐模块的功能实现。
3 实验
3.1 实验数据
本文的实验数据集来源于生活半径网。生活半径网是中国O2O行业的先行者,主营业务是提供本地商家的上门生活服务。本文以生活半径网的消费、评分历史记录为基础,进行预处理,得到用户对商品的评分数据集,部分评分数据如表2所示。表中的每条数据代表某一用户U对其在位置L购买的店铺S的商品I的评分记录。
由于本实验预测评分的对象是店铺,因此需要得到用户对店铺的评分数据。在前述用户对商品的历史评分数据的基础上,将同一用户在同一位置购买的同一店铺的所有商品的平均评分作为对该店铺的评分,得到对应的店铺评分数据集,部分评分数据如表3所示。
然后,从数据库中获取用户评分数据集中的所有店铺信息,得到的店铺特征集作为本文模型中项目相似度过滤算法的数据源,其中店铺特征如表4所示。
另外,为了保证实验的有效性,尽量降低数据的稀疏度,本文删除了评分数量低于20或在同一位置评分数量低于10的用户评分数据,即每个用户至少有20条评分数据,且在同一位置至少有10个评分数据。最终得到了121个用户的3295条有效评分数据,作为本文的实验数据。
3.2 评价指标
目前推荐算法的评价指标分为两类:一类是预测评分准确度指标,最常用的是平均绝对误差MAE;另一类是分类准确度指标,最常用的准确率(precision)、召回率(recall)和F指标[1]。结合本文推荐模型的特点,选择使用准确率Precision、召回率Recall和F指标相结合的方式作为本文算法的评价指标。
对于一个未曾被用户评分的商品,最终的推荐结果有4种:推荐给用户且用户喜欢、推荐给用户但用户不喜欢、用户喜欢但未推荐、用户不喜欢且未推荐。表5总结了这4种情况。
准确率Precision为被推荐商品中用户喜欢的数目占被推荐商品总数的比例,即:
召回率Recall为被推荐商品中与用户喜欢的数目占用户喜欢的所有商品总数的比例,即:
当只推荐一个商品且该商品是用户喜欢的商品时,Precision为100%,而Recall却非常低,所以仅根据Precision或Recall来评价推荐算法是不合理的,需要综合考虑两者的值来评价推荐算法,即F指标,计算方法为:
由于本文实验数据的评分方式是5分制,因此在计算准确率Precision和召回率Recall之前,要对预测评分结果和实验测试集中的评分信息进行分类:评分为0~3表示不喜欢,3~5表示喜欢。
3.3 实验过程和结果分析
为证明本文推荐模型的有效性,分别对加权Slope One算法、项目相似度过滤算法以及本文的推荐算法进行实验,计算这三种算法的准确率Precision、召回率Recall和F指标,并进行对比分析。
(1)加权Slope One算法和项目相似度过滤算法的实验过程
首先,由于加权Slope One算法和项目相似度过滤算法都是基于“用户×项目”的二维推荐算法,而本文的实验数据是“用户×位置×项目”的三维数据,因此需要对实验数据进行处理,忽略位置信息,将同一用户在不同位置对同一店铺的平均评分作为忽略位置信息后的评分,得到新的实验数据。接着,将得到的实验数据按4∶1的比例随机划分为训练集和测试集。
然后分别按式(2)和式(3)-式(5)对测试集中的每一对<用户,店铺>进行预测评分,将结果按预测评分进行排序,得到加权Slope One算法和项目相似度过滤算法的推荐结果。
(2)本文推荐算法的实验过程
首先,按4∶1的比例,以“用户、购买位置”为标准将实验数据划分为训练集和测试集,保证同一用户在同一位置的评价信息只在训练集和测试集两者之一中出现,即在训练集中不存在与测试集中用户ID和购买位置都相同的数据。
然后,根据训练集和项目特征集,按照本文所描述的多维混合推荐算法对测试集中每个用户在某一位置可能喜欢的项目进行预测,将结果按预测评分排序,得到推荐结果。
(3)实验结果分析
在上述实验的基础上,分别按照式(7)-式(9)计算各个算法的准确率Precision、召回率Recall和F指标,如图2-图4所示。图中,横坐标表示推荐项目的数目N,本文分别对N=1,N=5,N=10,N=15三种情况进行了实验。
从图2可以看到,整体的准确率Precision随着推荐数目的增加,保持平稳趋势且有略微下降趋势。对比三种推荐算法的准确率Precision,发现在相同推荐数目条件下,本文算法的准确率Precision最高,且明显优于另外两种算法。
从图3可以看到,整体的召回率Recall随着推荐数目的增加,显示明显上升的趋势。这是由于用户喜欢的项目总数是不变的,随着推荐项目的增加,推荐项目中用户喜欢的项目数随之增大,因此召回率Recall不断增大。对比三种推荐算法的召回率Recall,发现在相同推荐数目条件下,本文推荐算法的召回率Recall最高。
由图4可以看到,整体的F指标值随着推荐数目的增加,显示明显上升的趋势。对比三种推荐算法的F指标,发现在相同推荐数目条件下,本文算法的F指标最高,较另外两种推荐算法具有明显优势。
综上,根据本文推荐算法的准确率Precision、召回率Recall和F指标的值均高于加权Slope One算法和项目相似度过滤算法,因此可以得到以下结论:在本次实验中,本文的基于位置服务信息的推荐算法具有较高的推荐效率。
4 结语
对中国移动业务个性化推荐的研究 篇5
一、个性化推荐的理念
随着消费者个性化特征的日趋明显, 人们比以往更加关注人性的关怀, 更加强调个性化需求的满足。新的消费观念避免了工业时代的消费大同, 消费者希望根据自己的消费特点及需求选择适合自己的产品或服务, 追求消费的个性化。这些变化对企业营销模式提出了新的要求。
个性化营销应运而生, 它将企业对人的关注、人的个性释放及人的个性需求的满足推到空前中心的地位, 企业与市场逐步建立一种新型关系, 建立消费者个人数据库和信息档案, 与消费者建立更为个人化的联系, 及时地了解市场动向和顾客需求, 向顾客提供一种个人化的销售和服务, 顾客根据自己需求提出商品性能要求, 企业尽可能按顾客要求进行生产, 迎合消费者个别需求与消费特点, 并适时地灵活加以调整。
具体来讲, 任何时候的消费者都要从买来的商品上寻求到特定的利益。消费者将每种商品看作是能不同程度地带来所寻求的利益并进而满足需要的属性集。每一种属性对消费者都有一个效用函数, 描述出属性所产生的效用随消费者个性的不同而发生变化的关系。同一消费者在不同商品属性上的函数值是不同的, 不同消费者在同一商品属性上的函数值也是不同的。消费者为了自身需要得到最大限度的满足, 购买一件商品往往要考虑多个属性。随着消费者需求个性化趋势越来越明显, 消费者逐渐从被动的服从者转为主动的参与者, 要求将对于自己是最高效用的所有属性整合起来, 获得适合其需求的产品与服务。
个性化营销和传统营销存在以下区别。传统营销是根据消费者需求的差异性, 把整体市场划分为若干个具有类似性购买群体的过程, 即把一个市场划分为若干个细分市场, 然后从中选择一个或几个细分市场作为企业的目标市场, 针对各个目标市场的不同需求, 提供不同的产品和服务, 采取不同的市场营销策略。传统营销的对象是消费者群体。个性化营销是指企业在营销活动中, 针对每个消费者与众不同的个性化需求, 从产品概念的形成到产品使用终结的期限内, 最大限度地满足消费者需要的一种营销模式。个性化营销针对的是单个消费者, 传统营销考虑的重点是某一消费群体对某一产品属性的共同需求, 而个性化营销考虑的是单个消费者与众不同的需求。显然, 传统的目标市场营销模式越来越难适应具有相似需求特点的消费者群体, 针对消费者不同的个性化需求, 为其“量身定制”产品或服务必将成为新的发展趋势。
个性化推荐是个性化营销中促销策略的手段之一。对于中国移动这样一家服务型企业, 在营销策略上与工业生产型企业有较大区别, 个性化推荐是其个性化营销创新空间较大、可行性较高的一个方向, 同时也是本文着重研究的方向。
二、个性化推荐的价值
个性化营销已得到很多优秀企业的认可, 个性化推荐也被广泛应用, 很多企业的案例也证实了个性化营销带来的价值。戴尔几乎成了全世界个性化营销的一个标签。自1990年以来, 戴尔公司的股票增长了870倍。其实, 把该公司引向巅峰的理念就是个性化营销:根据不同客户的不同需求, 为其量身定制适合的计算机。AMAZON应用先进的个性化推荐系统, 为不同兴趣偏好的用户自动推荐符合其兴趣需要的书籍, 其30%以上的销售额来自于个性化推荐。
具体分析, 个性化营销会为企业和客户带来以下价值:
(一) 为客户提供更大价值
在目标市场营销中, 消费者所需的商品只能从现有商品中选购, 这样部分消费者的需求可能难以得到满足。而在个性化营销中, 消费者选购商品时完全以“自我”为中心, 对所选择商品拥有除价格外的完全的自由, 消费者既可以从现有商品中自行确定, 也可以寻找市场以外的商品, 根据自身的实际需要向企业提出具体要求。而满足需求的过程即提供价值的过程, 现代市场营销理念认为企业创造财富应以为客户提供价值为前提。
(二) 加强客户关系, 提高客户忠诚度
客户关系管理是一个不断加强与顾客交流, 不断了解顾客需求, 并不断对产品及服务进行改进和提高以满足顾客的需求的连续的过程。该理论认为客户是企业最重要的资产, 不断满足客户需求是企业最重要的事务之一。通过对客户个性化需求的满足, 可以有效加强企业与客户的关系, 提高客户对企业的认同感与忠诚度。
(三) 为企业提供了新的机会
个性化营销是针对每一个消费者的能够利用最小规模的市场机会, 为企业的发展提供了更加广阔的空间。“哪里存在未被满足的需求, 哪里就有企业的发展机会。”从这个意义上讲, 市场机会是无限的, 但具体到某个企业, 机会却是有限的, 并且在目标市场营销战略中, 这种有限的市场机会还必须有足够的规模, 能够实现企业的利润目标才被认为是有价值的, 这就使一些市场机会因规模较小而不能被企业重视和利用。
(四) 提高企业赢利水平
个性化推荐, 一方面通过对原来未加关注的客户个性化需求的挖掘及满足, 提高产品销量或业务办理量、提升了产品或业务的价值, 另一方面通过对客户关系的进一步加强, 提高了客户对企业产品及业务的忠诚度, 巩固了市场, 从而提高了企业盈利水平。
三、个性化推荐的实施创新
从现状分析, 中国移动针对集团客户 (政企客户) 设立集团客户经理, 通过针对性地营销满足不同集团客户的个性化需求, 这是其个性化营销在渠道方面的体现。然而对于占5.22亿客户中绝大部分的个人客户, 个性化推荐仍有较大提升空间。目前的业务推荐过于倚重公司制定的市场销售指标, 即KPI考核的导向, 而缺乏对客户信息的分析和需求的考虑。例如, 某季度一级合约的办理量在KPI考核中所占比重较大, 则营销代表迫于考核指标的压力, 会向客户全力推荐办理一级合约, 而不会过多考虑客户消费特点及对该业务是否有足够的需求。这一方面影响推荐的成功率和客户关系, 另一方面也不利于公司盈利最大化的实现。当然, 由于客户数量大、业务种类多, 如果仿照对集团客户的针对性营销显然成本过高, 由此对个性化推荐的实施提出了创新的要求。
(一) 充分依托业务运营支撑系统, 分析客户数据
实行个性化营销必须了解每个消费者的需求情况, 以便有针对性地开展营销活动, 这就必须建立顾客数据库。而在中国移动强大的业务运营支撑管理系统BOSS系统的支持下, 获取有效用户相关个人信息并不困难。目前BOSS账单中可显示以下信息:月基本费 (套餐费用) , 增值业务费 (手机报、网内短信、网外短信、移动数据流量费、本地长途促销、全时通、漫游促销功能费) , 语音通信费 (本地电话通信费、在本地拨打国内长途电话、内地漫游通话费) , 代收费等。通过对以上数据的分析, 得出用户的消费特点, 进而延伸出其潜在需求。
(二) 应用业务个性化智能推荐, 实现自动匹配
以客户个性化需求为导向的市场营销模式创新的核心, 是应用现代信息技术以及与此有关的思维方式和商业理论。个性化智能推荐系统是根据客户的个人信息和业务数据等因子, 通过不同的算法分析出客户潜在的需求与兴趣, 向客户自动推荐相关的产品与业务的一套系统。该系统是建立在海量数据挖掘基础上的一种高级商务智能平台, 为客户的购买提供个性化的决策支持和信息服务。当前, 个性化智能推荐系统已广泛应用于电子商务领域。
CMP弹窗是BOSS系统目前业务自动推荐功能的载体, 当客户在营业厅办理业务时会自动弹出, 提示营销代表为客户推荐相关业务, 但该功能的设计缺乏智能化和个性化, 营销信息推荐过于偏重于市场销售指标, 而缺乏对客户信息及需求的考虑;部分目标客户群重叠而导致推荐信息繁多, 部分目标客户群遗漏而导致推荐信息单一;营销信息的推荐缺乏个性化和差异化, 对部分客户推荐的信息是一样的。
个性化智能推荐系统利用数据挖掘技术和相关算法, 首先对不同数据项进行分类, 筛选出其中关联信度高的部分数据项, 然后对这些数据项进行详细分析, 挖掘出客户需求信息, 并将其与相关业务进行智能匹配, 从而完成业务对目标客户的锁定并得出优化推荐方案。
例如, 某动感地带客户月消费金额持续保持在120元以上, 主叫通话时长接近800分钟, 且漫游和长话费用所占比较高时, 个性化智能推荐系统通过分析, 推荐其通过办理品牌转换, 转换为全球通用户, 并办理适合其消费特征的全球通商旅128套餐 (月基本费128元, 本地主叫800分钟) 。这样既满足了该用户的语音业务的需求, 又将低端客户转化为了高端客户, 从而提升业务价值。
(三) 选择渠道, 主动推荐
中国移动有多种业务办理及推荐渠道, 如营业厅、网上营业厅、10086语音客服、10086系统短信等, 当完成对客户需求信息的分析和业务的智能匹配后, 可以选择合适的渠道进行主动推荐和办理。
例如, 在营业厅渠道, 当客户来到营业厅办理目标业务时, 营销代表输入客户手机号码, 系统自动弹出针对该客户的个性化业务推荐方案的信息, 为营销代表提供参考信息支持, 从而为客户办理完目标业务后向其推荐其他相关需求业务。既能提高推荐的成功率, 又能减小营销代表的业务压力。
(四) 与客户定期沟通, 收集反馈信息
个性化营销强调顾客价值模式, 即重视现有顾客的满意度和忠诚度。企业应当把一个单一的顾客当作一个长期投资者来看, 保持一个老客户要比赢得一个新客户容易得多。对客户进行定期的沟通, 一方面可以提高客户受尊重感, 从而提高客户忠诚度, 另一方面通过对客户反馈信息的收集分析, 可以为个性化推荐提供优化方向和具体信息, 以进一步优化和完善个性化推荐。
摘要：客户的个性化需求对企业的营销模式提出了新的要求, 个性化营销应运而生并发展为一种新的营销理念和趋势, 而个性化推荐是个性化营销中促销策略的重要手段之一。中国移动作为一家大型服务型企业, 对个性化营销应具有更多理念上的思索和操作上的尝试。文章着重对中国移动业务的个性化推荐进行了探索研究, 包括个性化推荐的理念、价值分析及其实施创新。
关键词：中国移动,个性化营销,个性化推荐,客户需求,客户关系
参考文献
[1]、吴丰.市场营销管理[M].四川大学出版社, 2007.
[2]、刘颖悟, 吴家喜, 徐明天.动和管理[M].中国经济出版, 2010.
[3]、王广宇.客户关系管理[M].清华大学出版社, 2010.
移动推荐系统 篇6
1 移动环境下个性化推荐用户兴趣建模的意义
1.1 理论意义
个性化推荐系统有不同类型的手段, 但是无论采取哪种手段, 其最终的目的都是要知道用户的兴趣是什么。只有这样才能根据不同用户采取和手机信息, 建立适合不同用户的兴趣建模。
1.2 应用意义
我国不仅拥有最大的移动通信市场, 而且拥有最多的移动用户, 移动的运营商会在原本基本业务的基础上, 针对用户的不同需求, 额外开通可以让用户选择的移动业务。这种方式就叫做移动增值业务。在移动环境非常有利的大背景下, 移动增值业务有很大的发展空间[1]。提高数据增值业务过程发展中的质量已经成为很重要的问题。因此, 在此过程中要根据不同用户的需求和兴趣爱好, 向用户提高有用和有价值的信息, 个性化推荐系统作为新的营销手段顺势而生。
2 用户兴趣建模的步骤
2.1 要搜集用户信息
所要搜集的用户信息包括用户的基本个人信息、在移动环境下所浏览的网页记录。搜集这些信息能够帮助服务端更快地了解用户的兴趣。
2.2 要建立用户的兴趣模型
用户的兴趣模型也分为很多种类, 所以要根据用户的不同兴趣, 建立相对应的用户兴趣模型[2]。
2.3 要学习用户兴趣模型
在用户兴趣模型的基础上, 来分析用户的需求。针对不同用户的需求, 向用户提供他们所需要的服务。
2.4 要适时更新用户模型
因为所有用户的兴趣都不可能是一成不变的, 新事物的诞生会诱导用户有新的兴趣和爱好, 适时更新用户模型。
3 基于位置服务的用户兴趣迁移规律分析
针对用户建模提供的不同数据, 做必要的改变。周边的世界都是不断发展变化着的, 人类也是在不断前进着的。因此, 要根据用户兴趣建模反馈出的问题, 及时改进和更新用户的兴趣。目前, 通过反馈机制, 把用户的最新爱好增加到建模中[3]。它既包括对信息的直接增补, 又包括根据调权衡整后的信息进行增补。
直接对信息进行增补是对获取的用户反馈的信息直接添加到用户的模型中。这种更新知识简单地添加了新的信息, 并没有删除用户模型中旧的无用的信息, 这就很容易在推荐阶段导致推荐的错误性。很可能会把用户不喜欢或已经不感兴趣的东西又重新推荐给了用户。并且伴随着时间的推移, 模型的规模也在不断扩大, 又出现了存储空间以及模型维护这一系列问题。
在根据权衡调整之后增补信息的话, 不仅能够将用户的新信息、新的兴趣爱好添加到用户的模型中, 而且还可以通过调整旧的无效的信息, 进行相应的删除。这样就能准确地把用户新的兴趣爱好推荐给用户。所以, 在一定程度上能够缓解直接把信息填补上带来的问题和麻烦。
4 根据不同用户的需求进行建模
如图1所示。
通过对以上用户定制彩铃的信息加以分析, 可以看出不同用户的兴趣爱好也是不相同的。对内部的关联信息进行整合和分析, 分析出用户的相关兴趣。再根据用户的最新信息, 为用户提供新的需求。移动环境下用户的个性化需求是不相同的。只有服务终端能够及时准确地推荐用户们感兴趣的信息, 才能满足不同用户的不同需求。
5 移动环境下的用户信息
在移动环境的大背景下, 搜集来的用户信息主要分为两大种类:一类是用户自身的基本信息;一类是用户下载自己所使用的业务信息, 俗称用户的行为信息。以移动网络为例用户的基本信息主要包括的内容, 如表1所示。
表格用用户的ID作为识别用户的唯一标识, 每个用户只有一个ID, 用户的ID和手机号码是直接绑定的。通过手机号码可以直接标识被服务器完整记录。用户在任何一个页面浏览的历史记录都会被终端服务器完整地记录。其中, 包括用户看过的视频、下载过的APP、听过的歌曲及玩过的游戏等等。这样就能更加准确地掌握用户的喜好以及用户最近的信息, 根据这些变化, 为用户提供更多的个性化服务。而表中用户所在的品牌信息, 能够为个性化推荐提供一个重要的依据。
这些页面信息主要来源于WAP以及相关SP的服务器。这些服务器详细地记录了客户的浏览记录, 从这些记录中能够得到页面更加详细的内容。从表格中的地址、字节数、时间和滚动条, 能够更加清晰地定位用户的最新兴趣, 防止因为用户的兴趣发生改变, 个性化推荐的服务能够及时满足用户的需求。只有服务器的终端服务和用户的兴趣爱好相符合, 兴趣建模才发挥了真正的价值。
6 对用户兴趣建模的期翼
文章通过对移动环境下个性化推荐用户兴趣建模进行分析。对个性化推荐用户兴趣建模的不同步骤进行详细分析, 并对移动环境下个性化推荐用户兴趣建模进行总结。用户建模考虑的因素也是各不相同的。因此, 建模时要根据建模的情景选择合适的信息, 不同用户间需求的不同, “因地制宜”及时选择用户真正感兴趣的内容。
7 结语
通过对移动环境下个性化推荐用户兴趣建模, 能够更加清楚地明白用户的需求, 通过对用户兴趣建模, 可以分析和挖掘用户的兴趣信息, 以此更好地为用户提供服务。在这个过程中, 需要注意的是用户的兴趣可能会随着时间的推移发生改变, 因此我们要及时调整, 适时更新。
摘要：当今的热点方向之一就是移动环境下的个性化推荐, 而个性化推荐的基础和核心是用户兴趣建模。本文对基于移动环境下个性化推荐用户兴趣建模进行探讨。
关键词：移动环境,个性化推荐,用户兴趣
参考文献
[1]刘滨强.移动环境下的个性化推荐用户兴趣建模研究[D].北京:北京邮电大学, 2009 (2) .
[2]谢海涛.移动个性化信息服务系统的进化机制研究[D].北京:北京邮电大学, 2012 (4) .
移动推荐系统 篇7
1 移动互联网下的新闻特点分析
在新型的移动互联网技术模式下, 新闻工作整体出现了较为多样化特点的变化。这种多样化特点的变化, 对于新闻推荐算法有着较为重要的影响。
1.1 主题的标签化特点
在当前的网络新闻环境特别是移动互联网平台中, 新闻搜索工作主要依靠主题搜索的方式完成的。而这种主题的搜索中, 标签化的特点极为明确。这种标签可以分为人物标签、事件标签以及情景标签等多种形式。人物标签主要是以人物为特点标签形式, 如前一段时间以诺贝尔奖获得者屠呦呦为标签的新闻搜索就较为集中。事件标签则集中在事件本身主题展开搜索, 如北京奥运会、世界杯等新闻就是这类标签的代表。而情景标签较为集中在时间、地点、环境等新闻主题的搜索中, 如2008北京、2012年伦敦等都属于情景标签内容。这种新闻推荐中的标签化特点, 在互联网发展中得到了较大的体现。
1.2 新闻内容实时播报特点
在互联网技术模式下, 新闻发展出现了实时化播报的特点。这主要是因为移动互联网平台可以为新闻服务提供以下支持。一是新闻线索的实时性。在移动互联网支持下, 每个移动互联网用户都可以通过无线网络平台, 将身边发生的各类新闻线索与内容, 通过微博、微信、手机QQ等平台进行发布。这就使的新闻工作者可以获得实时性的新闻内容线索, 提高了新闻发布的时效性。二是新闻受众的时效性。在移动网络支持下, 手机、平板电脑等移动网络用户可以通过移动网络, 在网络范围内第一时间进行新闻的阅读与评论, 提高了新闻阅读的实施有效性。
1.3 新闻的围观性特点
在移动互联网的新闻平台中, 网络围观性特点是其新闻平台的主要特点。特别是在网络新闻热点话题的讨论中, 围观现象主要表现在以下两点。一是对于事件的围观。在社会心理中, 大多数社会人群具有从众心理, 进而对社会讨论较多的社会事件等产生围观现象。如在2014年的马航失联事件成为了社会重点话题, 进而引发了大规模的网络围观。二是对于政策的围观。在社会生活中, 社会群体对于国家政策特别是民生政策新闻的围观现象, 是网络围观的重要内容。如国家生育政策变化, 就是社会网络围观中重要的关注要点。
2 个性化新闻推荐算法研究
对移动互联网平台下的新闻工作有了充分了解, 对于开展个性化新闻推荐算法的研究有了更加良好的保障作用。在实践工作中, 个性化新闻推荐算法包括了以下模式。
2.1 LDA模型支持下的新闻文档摘要算法
在移动互联网络新闻平台中, 新闻内容一般分为了整体新闻与新闻摘要两种形式。在手机、平板电脑等新闻平台中, 受到内容储量、阅读界面等问题影响, 新闻摘要成为了新闻推荐的重要形式。所以做好新闻文档内容的摘要算法, 是个性化新闻推荐算法的重要组成部分。在网络新闻文档摘要的实践过程中, LDA技术支持下的抽取式摘要方式, 是较为常用的工作方法。在实际的算法应用过程中LDA技术支持下的文档摘要算法, 主要是通过对LDA模型, 对新闻文档中的内容进行内容通过概率分布与句子概率等基本性的特效, 利用模型方式将其重要内容进行分析摘要, 最终在新闻文档中形成文档的摘要工作。其主要过程包括了以下内容。
首先是LDA模型的建立。在LDA模型技术支持下的文档摘要算法中, 首先需要做好LDA模型的建立工作。LDA模型技术是一项较为常用的摘要模型技术, 其主要原理是利用模型方式, 对文档中不考虑词汇与语法顺序, 只考虑词汇出现概率, 将词汇出现概率较高的词汇与句子进行分析摘要, 形成摘要的过程。这一过程中, LDA模型的建立起到了重要的作用。其主要摘要过程包括了两个方面的程序。一方面其摘要生产的顺序为:文档→主题分布→主题→关键词。这种关键词摘要的产生, 成为了摘要产生的主要内容。另一方面, 对于摘要完成的关键词, 在原文档中词分布摘要检查, 提取出文档中的摘要内容。这种模型的产生, 是LDA技术的主要模式。
其次是自动摘要的形成。在完成了文档LDA模型的后, 将文档放入模型进行分析摘要。其摘要过程中, 需要进行句子基本特征、主题概率特征以及关键词抽取三个过程。 (1) 句子特征分析。在摘要形成中, 首先需要对文档内的句子基本特征开展分析。如对句子长度、位置以及相似度进行综合分析。其分析结果是开展算法的重要基础。特别需要注意的是, 新闻文档在实际应用中, 其首句及开头段落具有明显的提示性特点, 在分析中具有明显的指示性特点。 (2) 主题概率特征分析与抽取。在完成了句子特征分析后, 我们通过模型协助将其中的主题概率进行分析与初步的抽取工作, 将其中的主题内容按照概率进行抽取。3、文档中的关键词抽取。在完成了以上的工作后, 对于主题中抽取的主题内容进行关键词的抽取, 完成新闻文档的摘要工作。
在实际工作中研究者发现, 这种基于LDA模型支持下的新闻摘要推荐技术, 较之传统的文件摘要技术, 其推荐效果较为明显。特别是在移动互联网环境下, 这种摘要推荐算法的应用具有良好的优势作用。
2.2 新闻标签与兴趣模型下的协同过滤算法
在移动互联网模式下, 新闻标签与兴趣内容是其新闻平台的重要特征。在这一情况下, 以新闻标签与兴趣为模型, 利用协同过滤算法进行新闻推荐工作, 是较为先进的新闻推荐算法。这种算法的使用, 包括了以下的过程。
首先是兴趣模型的形成。在协调过滤算法的应用中, 首先需要根据网络中的新闻标签, 组合成新闻的兴趣模型。如将网络新闻中较为受人们的重视的“2008”、北京等情景标签, 奥运会、比赛等事件标签, 比赛冠军等人物标签进行统和, 形成一个新闻推荐模型, 为协同过滤的开展提供支持。
其次是新闻协调过滤算法过程。在完成了兴趣模型后, 利用标签组成的兴趣模型进行新闻内容的过滤工作, 将兴趣内容形成新闻的摘要进行推荐, 保证新闻推荐质量的提升。这种利用新闻标签、兴趣模型进行的新闻推荐算法, 在实际应用中采用较为普遍。
3 结语
在当前的新闻推荐过程中, 以移动互联网新闻为基础的个性化新闻推荐算法的研究, 是网络新闻推荐研究中重要内容。在实际的技术研究中, 技术人员针对移动网络新闻的主要特点, 开展了推荐算法的研究工作, 利用LDA模型与协调过滤模型技术, 做好个性化新闻推荐算法研究。
摘要：为了确实提高网络新闻, 特别是移动互联网新闻的推荐过程质量, 该研究以移动互联网新闻特点为研究切入点, 开展了的个性化新闻推荐算法的研究。在研究中利用LDA模型与协调过滤模型技术的实践应用过程, 开展了实践研究工作, 为移动互联网中个性化新闻推荐算法的推进提供有力支持。
关键词：移动互联网,个性化,新闻推荐,算法
参考文献
[1]吴登能.面向移动互联网的个性化新闻推荐算法研究[D].杭州:杭州师范大学, 2013.
移动推荐系统 篇8
关键词：基于位置的服务,餐馆推荐建模,规则库,协同过滤
截至2015年12月底,全国移动电话用户数达13.06亿,日益增长的智能机和搜索服务对用户的移动服务体验产生了重要影响。为满足用户不断增长的随时随地获取如美食等信息的需求,更加个性化和与位置有关的移动服务成为未来主要方向。移动环境下基于位置的推荐系统(Location-Based System,LBS)是一种有效的解决方案,它运用现代移动通信、计算机、GPS等技术,提供与位置有关的信息服务。随着基于位置的服务产生信息过载问题,推荐系统依据用户行为和偏好,提供个性化需求推荐被广泛应用。移动终端具有屏幕小及处理能力弱等缺点,而用户注重高实时和方便性体验,对有用信息的提取提出了更高要求,基于位置的推荐系统具有位置敏感性和实时性,可以结合用户当前位置及情景信息进行个性化推荐。
本文建立了一个移动社会网络中基于位置的个性化餐馆推荐模型,分析了移动环境下基于位置的个性化推荐系统的特点和需求,并根据这些特征,比较现有推荐算法的优缺点,选择合适的推荐方法,结合情境、时间和地理等因素提出了分阶段的推荐系统模型架构。
1移动环境中基于位置的推荐系统
移动环境中LBS系统从运营商提供的位置服务及WIFI定位技术,通过移动手机GPS功能获取用户当前信息。与传统电子商务系统相比,LBS移动应用更注重信息的动态性、多样性和基于用户位置的实时需求。LBS系统与传统电子商务系统相比具有明显差异,导致现有推荐技术不能直接用于基于位置的服务。移动应用程序“Foursquare”基于地理位置,对用户进行定位,随机构成一个实地的SNS社交网络。“大众点评网”是一个典型的、广泛使用LBS移动应用服务的例子,用户可以获取各种各样的生活服务信息。
以“Foursquare”和“大众点评网”分析LBS推荐系统的特征:(1)位置敏感和实时性。用户可基于位置搜索信息,获得实时期望的服务内容。并能立即获得一些迫切的信息服务。(2)明确的用户信息。基于位置的系统中用户通常具有真实、可靠的身份特征,易识别和收集用户信息。移动用户在网上注册时,便可同步获得他们的统计数据。(3)融入情景信息,适应用户偏好变化。将情景信息如位置、天气、时间等加入LBS推荐系统,可快速响应不同情形下用户兴趣的变化,获取用户短期兴趣,区分用户长期偏好和短期偏好,进行更有效的推荐。(4)冷启动问题。移动推荐系统冷启动包括新用户、新物品和新系统的问题。冷启动发生在一个新的推荐系统的初始阶段,此时没有用户及其行为,缺乏数据导致推荐结果不准确[1]。如何赢得用户和提高其忠诚度,解决冷启动问题是有价值的。(5)隐私保护。由于涉及个人隐私和信息安全,用户不愿提供完整和准确的数据,通过记录不同时间点移动用户所在位置,获取用户场所,分析其信息、行为和位置,提高推荐准确性。
2推荐算法设计
根据不同的推荐算法将推荐系统划分为:协同过滤、基于内容过滤和基于规则的推荐[2]。协同过滤推荐的基本思想是,假设用户之前具有相同的偏好,则他们在以后也有相似的偏好,根据“用户—评分”矩阵计算不同用户或项目之间的相似性,然后根据相似程度,找出与当前用户过去兴趣类似的其他用户即最近邻相似性。基于最近邻用户或项目评分集计算目标用户对物品的预测值,最终形成推荐。基于内容的推荐是推荐与用户过去已购买的商品或兴趣相似的项目,利用资源和用户兴趣的相似性获取信息并过滤信息。通过获取用户评价过的项目特征和用户记录数据,根据这些数据计算相似性,建立用户兴趣模型,开始推荐过程。然后,系统选择出与用户偏好高度相似的那些物品。基于规则的推荐算法通常基于预先定义的规则进行推荐,由于推荐系统建立时,没有用户行为数据,物品信息也少,因此,通常利用专家进行标注,或根据关联规则的挖掘技术,这些规则用IF-THEN语句表示,主要使用用户的静态属性来创建。
不同推荐算法具有各自的优缺点,在移动环境中推荐系统不仅具有上述推荐算法的特征需求,还具有餐馆对象推荐的一些特性,即餐馆数量多,各式菜肴口味品种等有很大差异,且餐馆属性是离散的。为了向用户推荐适合的餐馆,基于位置的推荐系统需要使用推荐算法处理多个离散属性[3]。选择未对项目内容进行分析的算法以提高推荐餐馆的准确性。协同过滤推荐具有冷启动问题,考虑冷启动问题,首先选择基于规则的推荐算法;当系统收集到足够的数据,采用协同过滤推荐算法。
3移动社会网络中基于位置的推荐模型
3.1系统分析
3.1.1用户偏好模型
用户偏好模型[4]是推荐系统的重要组成部分,它为每个用户提供个性化服务。可以使用不同的方法进行用户偏好建模,用户模型的类型也不同,本文根据用户需求的变化将用户偏好分为短期偏好和长期偏好。
(1)用户短期偏好模型。基于位置服务系统中的用户总是处在不断变化的情景中,不同的情景将使用户的兴趣改变。用户短期偏好指的是由用户当前所处的特定上下文信息影响而表现出的临时偏好,以及与用户持续不变的偏好不同的偏好。在这样的框架下,典型的推荐内容是餐馆,餐馆分为二级类,分别是西餐、火锅和烧烤店等。根据不同的时间、地点和其他上下文信息,用户可能选择不同类型的餐馆。例如冬季用户选择火锅的概率要大得多。将用户在二级分类的偏好可以看作是短期偏好。
(2)用户长期偏好模型。用户长期偏好是在分析大量历史数据的基础上,基于不变的习惯得出的一种偏好,例如用户可接受的价格范围、服务质量、环境和餐馆其他特点等。将不随上下文情景改变的偏好定义为用户的长期偏好。
3.1.2情景信息集成
情景信息[5]也称上下文信息,指能对用户的需求表达产生影响的环境因素。其中主观因素与用户自身个人喜好、习惯等特性相关;客观因素主要是指当前位置、时间、天气等。上下文信息会对用户短期偏好产生很大影响,做出完全不同的推荐结果。在推荐时,传统的推荐算法只考虑了用户和资源2个维度信息。在移动情景下,用户的环境信息不固定将影响用户对信息的搜索,用户和资源2个维度就需要扩大到三维,即用户、推荐内容、上下文信息。选择预先过滤的情境信息并适当地修改,首先基于用户的位置,去除远远大于客户可接受范围的餐馆,过滤掉未在营业时间内的餐馆。其次,融合当前情景信息区分用户的短期和长期偏好,获取餐馆类型和属性的用户偏好概率,计算每个餐馆推荐的概率。最后,执行基于用户和上下文信息的协同过滤推荐,显示向当前用户推荐在相同情境下与其他用户有共同偏好的餐馆列表。
3.2系统模型
系统框架使用历史数据为新用户进行推荐,在冷启动阶段将少量的甚至没有用户数据及行为的新用户保留下来,降低移动用户操作的复杂性。此外,系统框架融合丰富的情景信息,如位置、天气条件、季节等,基于用户的短期和长期的偏好向用户提供最有效的推荐。当系统收集到大量的数据,采用混合的协同过滤推荐算法提高推荐结果。系统框架如图1所示。
(1)用户信息。用户信息包括诸如性别、年龄和其他人口统计的手机注册信息、移动设备信息等。
(2)情景信息。情景信息包括用户当前的位置、天气、时间、季节等情境信息。
(3)餐馆信息。餐馆信息包括餐馆类型、特征及其他的基本信息。餐馆类型有西餐店、火锅店、烧烤等;餐馆特征有环境、口味、价格、无线网络等;餐馆基本信息有餐馆位置、营业时间、联系电话等。
(4)用户日志。用户日志指用户的历史浏览记录,包括用户等级和交互数据等,以便在冷启动阶段更新规则库,并为协同过滤推荐提供数据支持。
3.3基于规则的推荐系统
冷启动阶段缺少历史数据和用户的反馈评分,且餐馆的属性数量庞大、离散,用户偏好使用不那么复杂的操作系统,选择基于规则的推荐算法来展示用户冷启动阶段的推荐结果。如用户喜好的餐馆类型可以是西餐、烧烤店等,选择何种餐馆与用户当前所处情景有关。如用户今天想去吃火锅,明天更喜欢去烧烤店,相应地把用户对餐馆类型的偏好定义为用户短期口味偏好。对餐馆特征属性的偏好,如价格范围,服务质量和环境等,通常不随情景信息改变,将这些特征属性定义为用户长期偏好。
初始阶段,用户短期偏好建立在共有认识上,当用户与系统交互时实时修正;长期偏好通过分析数据确定。区分用户的人口统计特点、手机属性和餐馆信息之间的关系,建立IF-THEN表示的规则库,当用户与系统交互,通过匹配规则进行匹配,计算每家餐馆的推荐概率,得出最终的推荐列表。传统的基于规则推荐算法未记录用户的反馈评分,本文将用户对推荐结果的反馈记录到数据库,供协同过滤推荐使用。
首先,应用情景信息赋予为一个共同的短期偏好,得到的矩阵如式(1)所示。Ti,Wi和Ei表示当前时间,天气和环境下i类餐馆的偏好概率,其中i=1,2,3…s,表示餐馆的类型。
假定Ki为餐馆类型的偏好概率,将用户短期偏好概率用向量表示为:(K1,K2,K3…KS)。则基于情景信息对餐馆的综合推荐概率为:Ki=1/3(Ti+Wi+Ei)。
其次,计算用户长期偏好时,将规则库中的规则与用户属性匹配来计算每家餐馆属性的值偏好概率。则得到用户的长期偏好概率矩阵如式(2)所示。
其中i=1,2,3…m,表示每一属性的值;j=1,2,3…n,表示餐馆属性;每列表示给定餐馆某一属性的属性值的用户偏好概率。如餐馆风格属性对应属性值浪漫,田园农舍等的用户偏好概率分别为P1j,P2j,…Pmj。
这就得到用户的长期偏好和短期偏好。因此,通过与前述的餐馆属性进行规则匹配计算出餐馆的推荐概率,并计算出全部匹配的规则。餐馆属性及每一属性值的用户的偏好概率,如价格范围40~100,偏好概率P1;服务质量****,偏好概率P2;口味***,偏好概率P3…地理范围:商务区,偏好概率Pn。
由前述将餐馆的推荐概率看作用户的短期偏好K,那么最终的推荐概率如式(3)所示:
3.4用户行为数据分析
冷起动阶段后,收集的大量的用户历史反馈数据和交互数据可用于数据挖掘和分析用户行为。在这一阶段,推荐流程设计如下:首先,修改规则库,通过分析历史数据提高冷启动阶段推荐的精度和有效性,寻找关联规则并重新计算规则库中每一规则的概率。其次,基于用户和基于上下文的协同过滤推荐,将协同过滤推荐引入到该框架中,采用基于用户和基于上下文的协同过滤推荐算法,确定与目标用户偏好最相似的邻居用户,获取与目标用户相同情景下邻居用户对餐馆的选择,进行有效和可靠的推荐。最后进行混合推荐。结合基于规则的算法和协同过滤推荐获得的结果,得出目标用户最终推荐结果。
4结语
移动社会网络中基于位置服务的餐馆推荐系统可基于用户当前的情景信息和偏好实时地为用户提供精确、有效的餐馆信息。本文分析了基于位置服务推荐系统的特性,并比较不同推荐系统的特点和功能。结合在冷启动阶段基于规则的推荐算法,以及用户行为数据分析阶段基于用户和上下文的协同过滤推荐,提出两阶段的推荐系统模型,实验表明该模型在应用中能赢得新用户的信任,并有效和精确地推荐。
参考文献
[1]向亮.推荐系统实践[M].北京:人民邮电出版社,2012.
[2]BALABANOVIC M,SHOHAM Y.Fab:Context-based,Collaborative Recommendation[J].Communications of the ACM,1997(3):66-72.
[3]娄超.基于位置的社交网络中高效的地点推荐方法研究[D].杭州:浙江大学,2012.
[4]汤鹏,吴国栋,许瑞瑞.用户偏好模型构建研究[J].石家庄学院学报,2014(6):31-35.