移动推荐

移动推荐（共10篇）

移动推荐 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 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 篇3

【关键词】个性化信息；移动网络；影响因素

移动互联网用户的增加，将给移动互联网企业带来更大的利润空间，随之而来的是更多的移动互联网企业的出现，更多移动互联网信息载体的出现。Internet上的个性化信息推荐已经得到了很好的应用，国内外都有一些应用中的个性化推荐系统，而在移动网络上进行个性化推荐还处于起步阶段，还没有成熟的产品投入使用。

1.个性化信息推荐技术

个性化推荐系统是应用知识发现技术，在与用户互动的过程中为用户提供个性化的信息，产品与服务。个性化推荐系统主要融合了用户建模技术，数据库中的知识发现，Web挖掘技术等。个性化推荐技术主要分为三类：基于规则的推荐，基于内容分类的推荐和基于协同过滤技术的推荐。

1.1 基于规则的推荐技术

基于规则的推荐主要根据用户历史浏览记录，采取一定的方法，分析出信息之间的潜在的关联关系，根据这种关联关系建立规则库，在其他用户再次访问某信息条目I时，在规则库中查找与条目I对应规则，根据这些规则决定向用户推荐的信息集。于规则的推荐结构简单，易于应用。主要缺点是：规则的数量随着数据量的增大急剧增加；规则集的确定依赖于支持度-可信度模型，而支持度、可信度的确定并没有确定的标准，支持度或可信度的改变对规则集的大小影响较大；对用户的推荐是根据当前已有的规则，并不能发现新的用户偏好

1.2 基于内容分类的推荐技术

基于内容分类的推荐（Content-based Rec-ommendation）是建立在信息内容的基础上，而不需要依据用户对信息的评价，主要采用机器学习的方法将信息进行分类。并且根据用户提供的定制信息类型或者用户的兴趣模型，将同类信息或者与用户模型最为相似的信息条目推荐给用户。基于内容的推荐是建立在信息内容的基础之上的，因此基于内容的推荐技术比较适用于机器容易识别的信息载体，如文本，而不适用与音频，视频等信息内容不容易获取的信息载体。基于内容的推荐系统的另外一个关键技术是文本特征的提取，基于内容的推荐技术是根据文本的特征与用户的兴趣模型进行匹配的程度来决定是否向用户推荐该文本信息。因此文本的特征选择在基于内容的推荐算法中尤为重要，特征选取的优劣决定了个性化推荐的质量。

1.3 协同过滤推荐技术

协同过滤推荐建立在群体性和多数原则的基础之上，由于人具有社会属性，因此个人的行为一定是包含了某类群体行为的表现，在此假设基础之上协同过滤推荐才会有意义。协同过滤推荐主要分为基于用户的推荐（User-based），基于项目的推荐（Item-based），基于模型的推荐（Model-based）三类。当前协同过滤推荐已经广泛的应用到电子商务网站，某些社会化网络中。比较成功的应用主要有亚马逊，当用户购买某本书籍时系统会向用户推荐可能喜欢的书籍列表。还有一些如豆瓣，一些视频音乐网站等也都应用了协同过滤推荐技术，基于协同过滤的个性化推荐也应用到了博客、微博等网络产品上。

协同过滤技术较基于规则与基于内容的推荐优点：（1）能够过滤机器难以进行自动内容分析的信息类型，如音乐，视频等；（2）应用统计学原理，对大量的历史记录进行分析，推荐的精确度更高；（3）可以发现用户兴趣的变化，并且获得用户的新兴趣；（4）利用了用户的反馈信息，可以即时修正推荐集。但是，协同过滤也不是完美无缺的，比如它存在冷启动，历史记录稀疏性，新项目推荐失效等问题，这需要在具体的推荐算法实现中去解决。

2.影响移动个性化信息推荐的主要因素

移动网络较传统Internet具有更多的特殊性，因此移动网络上的个性化信息推荐质量不但受到推荐算法本身的影响，也会受到移动网络资源的影响，本节将介绍影响移动网络个性化信息推荐质量的关键因素。

2.1 信息时效性

个性化推荐技术需要一定的历史信息作为依据来对用户进行推荐，个性化推荐技术是建立在历史信息记录的基础之上的，或是用户显性输入的信息，或是通过机器学习分析出来的信息。而信息具有时效性和时滞性，信息在一定时间内是有效的信息，一旦超过了一定的期限它就没有意义，此时就是无效信息。信息本身从信息源产生到需要该信息的宿主都需要一定的时间，因此信息又具有时滞性。因此时间的价值随时间的流逝而变得越来越小，因此历史信息在产生用户推荐集的过程中发挥的作用是不尽相同的，如何使各个历史阶段的信息发挥不同的作用是移动网络个性化推荐系统要考虑的问题之一。

2.2 初始信息不足

系统初始化时由于系统积累的用户信息或者浏览记录信息不足，造成不能产生用户推荐集，或者推荐集不准确，这个问题被称为推荐系统的冷启动问题。冷启动在大多数软件系统都存在，由于信息的积累需要一定的时间，因此在系统刚刚发布运行时不能产生正确的结果集。个性化推荐系统是建立在大量事实信息基础之上的，因此要产生比较满意的推荐结果需要积累大量的事实信息。因此如何解决推荐系统的冷启动问题是改进推荐质量的又一关键问题。

2.3 移动终端的限制

移动终端的私有性可以保证用户获取到有效的用户信息需求。但是移动终端设备在内存，处理能力方面比较有限，决定了移动终端设备不能处理复杂的人机交互功能，因此移动网络信息推荐系统不能像传统的Internet信息推荐系统那样在客户端运行监控用户行为特征的程序。移动终端屏幕大小的限制，以及操控能力的限制决定了移动终端在显示能力方面的不足，它不可能像PC上以图文并茂的方式进行信息显示以及动态的输入客户端请求。移动设备的电源以及数据存储能力方面的限制，决定了移动推荐系统不能不间断的向终端用户推荐信息。因此，针对移动终端设备的种种不足，对移动个性化推荐系统的推荐准确性，推荐信息类型，推荐方式以及终端的显示与信息反馈形式都提出了新的要求。

2.4 移动网络条件的限制

移动网络具有移动性，灵活性，使得人们获取网络信息不再约束在固定的位置上。移动网络质量受到自身带宽，地理位置等因素的限制，传输能力不能与传统的有线网络相比。因此移动网络上进行信息传递需要考虑更多的问题，比如传递信息的格式，信息文件的大小，降低网络延时等。移动网络的个性化信息推荐对推荐的准确度，系统响应速度，获取用户信息反馈等方面都提出了新的要求。因此一个高效的移动个性化推荐系统应该具有运行简单，响应速度快，推荐准确及时的特点。当前移动终端的计算能力相对有限，为了提高用户的使用体验，移动客户端程序应该尽量减少计算数据量。

3.结束语

移动互联网的迅速发展，势必会使移动互联网获取有价值信息变得越困难，移动个性化推荐成为今后解决移动互联网信息膨胀的主要方式。文章主要论述了与移动网络中应用个性化信息推荐技术相关的技术，以及影响移动网络个性化信息推荐的主要因素分析。

参考文献

[1]刘枚莲，丛晓琪，杨怀珍.改进邻居集合的个性化推荐算法[J].计算机工程，2009（11）.

移动环境下用户偏好挖掘推荐研究 篇4

近些年,随着移动网络技术的日益成熟,大量日益增长的网络信息资源涌入移动网络环境中,因此信息过载和信息迷失已严重制约了人们对网络信息的使用。随之而来的是移动网络客户在移动设备上想要购买商品时的挫败感。为了缓解这些问题,搜索引擎和信息检索技术应运而生。但是它们只是将用户等同处理,其并没有考虑用户的特性,没有针对不同的用户反馈有针对性的资源,所以反馈的信息量很大,用户很难找到自己真正喜爱的信息。另一方面,这些问题一部分原因是由于受到了手机的一些特性制约。与电脑相比,手机具有更小的屏幕、更小巧的输入按键以及相对单一的浏览器。因此,移动用户所使用的移动网络应用界面相对来说不如传统网络的亲切适用。为了更好地满足移动用户的搜索偏好,一种更有效的搜索辅助功能应运而生--个性化推荐服务。

本文通过移动环境下获取用户偏好信息,并将MADM算法结合OWA算子分析个性化用户的偏好信息,进而反馈用户隐性信息需求。

2 基于移动环境下的用户信息数据挖掘

用户的偏好信息是通过移动站点中用户浏览行为的相关信息获取,以此建立模型并预测用户偏好。数据的来源是移动网络服务器内的网页数据记录,这与传统网络有些类似,但移动网络由于其独特的特性更简洁更具有优势。首先,在传统网络中,网页中含有大量GIF、JPG、SWF文件等无关元素,并且清除耗时巨大。然而,在移动网络中,受流量、屏幕限制,更多的元素是文本,例如。其次,在移动网络环境中,所有用户只能由单一的电话或是电子设备来接输送数据。这是记录用户信息的必要条件,主要用于防止在用户识别过程中出现混乱。另外,我们可以利用用户的这些相关信息提供更有效的推荐服务。再次,在移动网络中,每个用户在一定时间内所有页面的接收,都会在日志中的特定字段用相同值记录下来,例如会话标识,并且我们可以用会话标识字段作为识别每个用户个体的标识。

因此对于移动环境下的用户信息处理可以分三个步骤:第一阶段是规范化数据挖掘,主要任务是信息选取和信息预处理,可以将日志、Web内容、用户信息等资源中筛选出能为挖掘算法可用的规范化数据,其结果是后续数据处理的基础,所以必须对数据源数据整理并规范化处理;第二阶段是数据预处理,主要任务是识别用户、用户路径记录、识别会话、筛选相关数据等;第三阶段是建模,主要是根据先前处理过的数据建立推荐模型向用户提供进行推荐服务,这是个时时处理的过程,需要考虑用户某时段内浏览路径,用户的浏览路径信息指的就是用户在某时间段在网站内所浏览的不同页面。

3 用户访问偏好兴趣挖掘

在移动网络环境下,就前面提到,由于移动网络的特殊性,我们可以借此对新注册用户和浏览用户这些潜在消费群体推荐。通过用户的浏览轨迹获取偏好,进而分析独立客户偏好特性来进行有针对性的推荐服务。其整个过程如下图1所示。

在此假定用户对某有限数量的特定商品感兴趣,其中该商品分类中的有限商品中每个商品是用户点击浏览过的一个页面。用户浏览时间、点击率、页面结束等信息,我们利用C.Sha⁃habi提出的客户追踪机制原理获取,所得信息自动记录在用户行为数据库内,用来反应用户对该项目的偏好,从而推测出用户的偏好兴趣。可根据用户当前的行为数据,获取商品之间的关系,所要达到从用户行为中反馈的不完全偏好信息提取某用户对该商品的偏好序列,而后通过MADM方法估算每个属性的权重。

假定用户偏好程度有如下情况:

a.用户对只浏览的商品,浏览累积时间越长用户越偏好。

b.相比只浏览商品,用户对放入购物篮的商品更偏好。

同时,首先通过最近产生的反馈产生对偏好判断的最大数设置的约束集,以此类推。假定将某类商品定义成一个集合A={a1,a2,……,am},设该类商品集合中每个商品有同属性集C={c1,c2,……,cn},PK是浏览页面集合PK={pk|k=1,…,T},pk表示所浏览的第k个页面,浏览某商品al所用时间是t(al)。

从用户浏览行为中提取兴趣项目。

根据图1所示,根据用户浏览行为的偏好获取的具体过程如表1所示:

4 结束语

移动网络服务的发展目标更多的是体现在用户在搜索过程中的快速准确找到目标,并且因为移动网络的特殊性,还应考虑便利性和效益问题,需要针对上述问题探讨更愉快的用户购物体验。因此本文通过移动网络环境数据挖掘,提炼用户反馈的不完全偏好信息,并通过分析用户的访问路径向用户推荐个性化的信息服务,以期提高推荐的准确率和用户满意率。

摘要：近几年,随着移动互联网的迅速发展、移动终端计算速度的快速提升、移动操作系统的逐渐统一,移动终端的信息资源数量正呈爆炸性的增长。在移动网络环境下,分析用户的浏览行为,并从中提取相关偏好信息,从而实现向用户推荐个性化的信息服务。

关键词：移动环境,用户偏好,挖掘推荐

参考文献

[1]李微娜,马小琪,冯艳光.基于MADM方法的个性化推荐研究[J].现代情报,2011(5).

[2]查凯莱巴蒂.Web数据挖掘[M].北京:人民邮电出版社,2009.

[3]王继民,李雷明子,郑玉凤.基于日志挖掘的移动搜索用户行为研究综述[J].情报理论与实践,2014(3).

中国移动战略分析[推荐] 篇5

确定问题与不确定性

获取信息

预测未来

④选择方案做决策

⑤实施决策，评价业绩与学习2.管理会计的指导原则(1)成本--效益原则(2)行为性和技术性考虑(3)不同目的用不同成本 3.成本归集

就是通过会计系统以有组织的方式进行成本数据的收集。4.成本分派

成本分派是一个一般用语，包括：（1）将归集的成本追溯到成本对象。（2）将归集的成本分配给成本对象。5.主要成本

是所有直接生产成本。6.加工成本

是指直接材料成本之外的其他生产成本。加工成本反映了为把直接材料转换成产成品而发生的所有生产成本。7.敏感性分析

敏感性分析是处理不确定性的一种方法，是一种“如果.....那么”方法，用来帮助管理人员考察在达不到初始假设的数据，或者隐含假设发生变动时结果会受到何种影响。8.成本库

单个间接成本项目的组合。成本库有宽有窄，宽的如工厂的所有成本，窄的如金属切割机的运作成本。成本库常常与成本分配基础协同组织。9.成本系统

成本系统是根据不同的成本对象分派产品或服务的成本的系统。包括分批成本系统和分步成本系统。10.作业管理

作业管理是使用作业成本信息改进顾客满意度和获利能力的一种管理决策制定方法。

11.产量成本法

因为是变动成本法的一种极端形式，故也称为超变动成本法，在这种存货成本计算方法之下，只有直接材料可以计入存货成本，而其他所有成本在发生当期均作为期间费用处理。12.学习曲线

学习曲线是用来衡量由于工人熟练程度的提高，每单位人工小时数如何随产量增加而减少的函数。13.经验曲线

是一个衡量价值链上各职能（如营销、分销等）中的单位成本如何随产量增加而减少的函数。14.累积平均时间学习模式

在累积平均时间学习模式中，累积产量每增加一倍，每单位累积平均时间都以固定比例递减。

15.边际单位时间学习模式

在边际单位时间学习模式中，累积产量的每增加一倍，生产最后一单位产品所需要的时间都以固定比例递减。16.相关信息的特征

（1）过去（历史）成本作为预测基础可能很有用，但过去的成本本身却是决策制定的不相关成本。

（2）可通过检查预期的总未来收入与成本之间的差异来比较不同方案。

（3）不是所有的预期未来收入和成本都是相关的。各方案间没有差异的预期未来收入和成本是不相关的，因此可从分析中剔除这些不相关项。关键是，它会导致何种差异？

（4）必须给定性因素和非财务的定量因素以合适的权重。17.价值工程

是对价值链各个方面的系统评估，其目的在于在满足顾客质量需要的同时降低成本。

18.生命周期成本制度

生命周期成本制度追溯并归集分配给每一种产品的价值链业务职能成本（从最初的研发到最后为顾客提供服务与支持）。19.价格歧视

是在实际定价中对于相同的产品和服务，对不同的顾客收取不同的价格。20.战略

指一个组织如何将自身能力与市场机会相匹配以达成其目标。换句话说，战略描述了一家公司将如何竞争以及其管理人员要寻求什么样的机会。21.行业分析的五个方面

竞争对手、潜在市场进入者、替代品、顾客讨价还价能力、供应商讨价还价能力 22.价值链

是指一个业务职能序列，其中顾客有用性被加到公司的产品或服务中。包括研发、设计、生产、营销、分销和顾客服务。23.成本动因

是在一定时间内影响成本的变量，如作业或数量的水平等。换句话说，在作业或数量水平变化和总成本水平变化之间存在着因果关系。24.产品差异化战略

是指企业向顾客提供的产品和服务在产业范围内独具特色，这种特色可以给产品带来额外的加价，如果一个企业的产品或服务的溢出价格超过因其独特性所增加的成本，那么，拥有这种差异化的企业将获得竞争优势。25.成本领先战略

指企业通过在内部加强成本控制，在研究开发、生产、销售、服务和广告等领域把成本降到最低限度，成为产业中的成本领先者的战略。26.约束理论

约束理论描述在面临瓶颈环节和非瓶颈环节的情况下，使营业利润达到最大化的方法。27.质量成本 是指为预防生产出低质量产品而发生的成本或由于生产了低质量产品而导致的成本。质量成本分为：（1）预防成本（2）鉴定成本（3）内部差错成本（4）外部差错成本 28.产量贡献

是衡量约束理论的指标，等于销售收入减去已售产品的直接材料成本。29.缓解瓶颈制约的方法

（1）消除瓶颈工序的闲置时间（即机器既没有进行生产准备也不用于实际加工的时间）

（2）只加工那些能增加销售和产量贡献的零件和产品，不加工那些只会留存在完工产品阶段或者或增加库存的零部件或产品。

（3）将那些不必非得在瓶颈环节的机器上生产的零件转移到非瓶颈环节的机器设备上生产，或者交由外部生产机构生产。

（4）减少瓶颈工序的生产调整准备时间和加工时间（例如，简化设计、减少产品的零件数目）

（5）提高瓶颈工序生产的零件的质量。30.倒推成本法

可以作为顺序追溯法的一种替代方法。倒推成本法不记录与生产销售循环相关的某些或所有分录。生产销售环节缺失的会计分录，是利用正常成本法或标准成本法倒推出来的。31.精益会计

是一种成本核算方法，它计算整个价值流而不是单个产品或部门的成本，消除会计处理中的浪费，支持为顾客创造价值。32.材料需求计划

是一种“推动型”系统，在这种系统中，生产商在需求预测的基础上进行存货的生产。33.精益生产

适时生产也称为精益生产，是一种由需求拉动的生产系统，在这一系统中，生产线上的每种零部件只有在下一生产步骤需要该部件时才会立即生产。34.管理控制系统

是一种收集信息和使用信息的手段，它通过对信息的使用，帮助并协调组织中计划的制定，控制组织的决策，并用于指导管理者及员工的行为。35.边界系统

描述所有员工应该遵守的行为准则，特别是非限制性行为。36.SWOT分析法

是用来确定企业自身的竞争优势、竞争劣势、机会和威胁，从而将公司的战略与公司内部资源、外部环境有机地结合起来的一种科学的分析方法。

二、论述题

1.作业成本法的引入是对传统成本法的革命，为什么？

与传统成本法相比，作业成本法具有更广泛的科学性和先进性。具体说来，作业成本法主要有以下特点：①作业成本法克服了传统成本计算方法导致的成本信息失真问题，能提供相对准确的成本信息。②传统成本管理的主要是产品；而作业成本法不仅包括产品，而且包括作业。使企业改进作业链，减少作业耗费，提高作业的效益成为可能。③作业成本法是更广泛的完全成本法。作业成本法涉及较多方面的成本，这样提供的成本信息更有利于企业进行定价等相关决策。④所有作业成本均是变动的，这有利于企业分析成本产生的动因，进而降低成本。⑤作业成本法更具有管理意义，因为它相当于是一种实现成本前馈控制与反馈控制相结合，成本计算与成本管理相结合的“全面成本管理系统”。2.作业成本法与传统成本法的差异？(1)间接费用界限的差异。

在传统成本法下,间接费用指制造成本,只包括与生产产品直接、间接有关的费用。在作业成本法下,产品成本则是完全成本,所有费用只要合理有效,都是对最终企业价值有益的支出,都应计入生产成本。(2)信息准确性的差异。

传统成本法计算成本的主要目的是把辅助部门归集的制造费用以一种平均线性方式的分配到各产品,没有考虑实际生产中产品消耗与费用的配比问题,只能是一种“绝对不准确”的信息。作业成本法计算出的产品成本信息可视为一种相对准确的信息。

（3)生产管理和质量管理方式的差异。

传统成本法下的管理生产系统是一种由前向后推的生产系统。从而传统的成本质量管理一般都将工作重点放在半成品和完工产品的质量检测上,出现问题,及时修补或剔除。而作业成本法下的生产管理系统一般为适时生产系统,它与传统生产不同,是由后向前拉的一种逆推式的生产系统。作业成本法下的质量管理是全面质量管理，要求各个生产环节的工人实现自我质量监督,发现废次品,立刻在本生产工序中纠正。(4)分配基准特性的差异。

传统成本法主要采用单一的人工工时等财务变量为分配基准,而忽略了一套良好的非财务变量,因而丧失了一些改善公司管理的有利机会。作业成本法的分配基础是多元的,不但强调如人工工时、机械工时、生产批量、产品的零部件数量等财务变量,也强调如工艺变更指令、调整准备次数、运输距离等非财务变量。采用多元分配基准,提高了产品与其实际消耗费用的相关性,使管理深入到作业层次,以消除“不增值作业”,改进“增值作业”,增加“顾客价值”。(5)适用条件的差异。

传统成本法适用于产品结构单

一、制造费用的数额相对较小,且其发生与直接人工成本有事实上相关的劳动密集型企业。作业成本法一般适用于间接费用所占比重较大、产品品种繁多、产品生产工艺复杂多变、生产经营活动十分复杂、较好地实施了适时生产系统和全面质量管理体系、管理当局对传统成本计算系统提供信息的准确度不满意的技术、资金密集型企业。3.战略业绩评价与吸收成本法有何冲突，如何改进？

吸收成本法是一种把全部变动生产成本和全部固定生产成本均作为存货成本的成本计算方法。虽然吸收成本法符合成本--效益原则，也能够计量所有生产存货所需资源的成本，但是吸收成本法却与业绩评价存在冲突。吸收成本法存在的问题是它使管理者能够在一个特定期间内通过提高产量的方法增加营业利润，即使顾客对产品没有额外的需求。例如，公司的管理层可以通过生产更多的期末存货，在更多的产品间分摊固定成本，以提高毛利和利润。这样基于吸收成本法下的营业利润计算的管理者的奖金就会更高。通常，更高的营业利润对股价有正向影响，这会增加管理者基于股票的报酬。

改进建议：

（1）认真对待预算和存货计划，降低管理层提高存货水平的自由度。（2）在内部会计系统中，收取存货持有费。（3）改变业绩评价的期间。

（4）非财务变量和财务变量一起作为业绩评价的指标。4.经营决策分析中的相关成本分析陷阱有哪些？

在进行相关成本分析时应注意避免两个陷阱。

首先，注意不要有不正确的一般性假设。例如，并不是所有的变动成本都是相关的，在接受特殊订单时，不会产生额外的营销费用，单位变动营销费用就是不相关的。并不是所有的固定成本都是不相关的，在接受特殊订单时，增加产量可能需要增加额外的班次，从而增加固定生产成本，使得增加的固定的生产成本与决策相关。

其次，单位成本数据可能在以下两个方面误导决策制定者：

（1）包含不相关成本时。

（2）不同的产出水平有相同的单位成本时。

避免出现这两个潜在问题，最好是只考虑：（1）总成本和总收入（而不是单位成本和单位收入）；（2）相关概念。分析中每一项都应是与其他方案有所不同的预期总未来收入和预期总未来成本。

5.虽然很多决策可以定量化，但管理层并不总是选择最优方案为什么？

选择组织活动的方案，通常根据的是满意化原则而不是最优原则，最优决策往往只是理论上的幻想。因为最优决策要求：决策者了解与组织活动有关的全部信息；决策者能正确辨识全部信息的价值并能据此制定出没有疏漏的行动方案；决策者能够准确预知每个方案在未来的执行结果。显然，这些条件难以具备。因此，在决策活动中，在方案数量有限、执行结果不确定的条件下，人们难以作出最优选择，只能根据已知的条件，加上人们的主观判断，作出相对满意的选择。

其次，代理理论认为，经济资源的所有者是委托人，负责使用以及控制这些资源的经理人员是代理人。由于经理人员不是企业资源的所有者，无法获得企业全部的剩余索取权，因此经理人员就有动机去提高在职消费、自我放松并降低工作强度。正是因为经营者的利益和股东的利益并不完全一致，因此经营者有可能为了自身的利益而背离股东的利益，在做决策的时候，管理层就可能会选择对自己最优的方案而不选择对整个企业最优的方案。

6.EQC决策模式有哪些假设？为什么以其作为决策依据时，可能会有目标冲突发生？如何解决？

假设：（1）每一再订货点的订货量相同。

（2）已知需求、订货成本及持有成本。

（3）单位采购成本不受订货批量大小的影响。

（4）不会发生存货短缺。

（5）在确定订货量时，只有当质量对订货及持有成本有影响时，管理者才考虑质量成本和损失成本。

冲突:由于财务会计体系不能反映机会成本，EOQ模型最优订货量就可能与采购部经理认为的最优订货量存在差异。如果在评价管理者业绩时，与存货相关的机会成本不纳入持有成本中，该管理者会倾向于采用比EOQ模型计算的订货量更大的订货量。

解决：为了使EOQ决策模型与管理者业绩评价一致，公司可以把要求的投资收益纳入持有成本的计算中，从而管理者需要承担存货管理的相关责任。7.JIT生产的特点是什么？其理论背景是什么？ 适时生产是一种由需求拉动的生产系统，在这一种系统中，生产线上的每种零部件只有在下一生产步骤需要该部件时才会立即生产。该理论起源于日本丰田汽车公司的一种生产管理方式。生产企业为提高产品利润，增强公司竞争力，在原材料成本难以降低的情况下，只能从物流过程中寻找利润源，降低由采购、库存、运输等方面所产生的费用。在一条适时生产线上，任何特定工作环节的生产活动都是由下一环节对该环节产出的需求来拉动的。生产中的每个步骤都是由需求引发的，从生产线终点处客户对完工产品的需求开始，一直追溯到生产线起点处对直接材料的需求。就这样，需求拉动订单在生产线上进行生产。适时生产系统的需求拉动这一特点促成生产环节之间的紧密合作，可以在低存货水平上平滑产品流。特点：（1）在生产单元中组织生产。

(2)对工人进行培训，使其掌握多种技能并且能够完成一系列操作和任务，这些操作包括少量的修理以及常规的设备维护。(3)积极地消除问题。

(4)减少了生产准备时间——使设备、工具及原材料达到生产状态所需要的时间减少。

(5)根据及时发送高质量材料的能力选择供应商。

8.适时生产的优点有哪些？适时采购和供应链分析有何关系？

适时生产系统同时实现三个目标:（1）以及时的方式满足顾客需求。（2）提供高质量的产品。（3）总成本尽可能最低。适时采购和供应链分析：

零售商持有的存货水平会受到顾客的需求模式、与批发商的关系、与生产商的关系及生产商与其供应商的关系等种种因素的影响。供应链描述了从初始原材料及服务的取得直到商品送达顾客这一过程中，商品、服务和信息的流动，不考虑这些活动是否发生在同一组织内。只有整个供应链上的作业得到适当的计划、协调和控制时，零售商才应该实施存货适时采购。

例如，零售商都将日销售信息告知生产商和供应商，这些销售信息就会降低生产商对产品零售需求的不确定水平，也会降低供应商对生产商的不确定水平。整条供应链上的信息共享减少了需求的不确定性，并且会导致；（1）零售环节上缺货情况减少（2）没有立即需求的商品生产减少（3）“加急”或“紧急”的制造订单减少（4)供应链上每个公司的存货持有量减少。通过上述实现信息共享并计划和协调整个供应链的活动。供应链上的公司可以通过整合其活动并将信息共享来获利。

9.平衡计分卡在我国的应用前景如何？其在中国成功实行的关键是什么？ 在我国的应用前景：

随着全球经济的迅猛发展和我国市场经济的不断深化，企业的内外部环境发生了巨大的变化。面临着激烈的竞争，要想在竞争中立于不败之地，就必须建立一套科学合理的绩效评价体系，及时、准确地评价企业战略目标的执行情况，而平衡计分卡正是顺应了这一需求。平衡计分卡分别从财务、客户、内部业务流程、学习与成长四个方面向企业各个层次的人员传递公司的战略和各自的使命，最终完成组织目标，从根本上解决了传统评价体系的局限性。平衡计分卡为企业提供了一个全面的框架，把企业的战略目标转化为一系列的绩效评价指标，因此研究平衡计分卡是非常有必要的。

成功的关键：

成功地实施平衡计分卡需要来自最高管理者的参与和领导。管理会计师在平衡计分卡的设计和实施，特别是在确定描述业务现状的指标中起着重要作用。这需要管理会计师了解行业的经济环境、公司的顾客、竞争对手和内部业务问题，如人力资源、运营和分销。管理者确信员工理解了计分卡及其流程。最终的平衡计分卡要向所有的员工传达。

10.平衡计分卡的内容及相关指标及实施背景？

内容：平衡计分卡通过将财务指标与非财务指标相结合，将企业的业绩评价同企业战略发展联系起来，设计出了一套能使企业高管迅速且全面了解企业经营状况的指标体系。用来表达企业进行战略性发展所必须达到的目标，把任务和决策转化为目标和指标。四个方面：财务、顾客、内部业务流程、学习和成长。指标：

（1）财务维度指标通常包括利润、收入、现金流量、投资回报率、经济增加值、增加的市场份额等。

（2）顾客维度指标通常包括按时交货率、新产品销售占全部销售的百分比、重要客户的购买份额、顾客满意度指数、顾客忠诚度、新客户增加比例、客户利润贡献度等。

（3）内部业务流程维度指标通常包括生产布局与竞争情况、生产周期、单位成本、产出比率、缺陷率、存货比率、新产品投入计划与实际投入情况、设计效率、原材料整理时间或批量生产准备时间、订单发送准确率、货款回收与管理、售后保证等。

（4）学习与成长维度指标通常包括新产品开发周期、员工满意度、平均培训时间、再培训投资和关键员工流失率等。

实施背景：平衡计分卡打破了传统的只注重财务指标的业绩评价模式，认为传统的财务指标属于滞后性指标，对于指导和评价企业如何通过投资与企业、供应商等来创造未来的价值是不够的。因而需要在传统财务指标的基础上，增加用于评估企业未来投资价值好坏的具有前瞻性的先行指标。为了解决有效的业绩评价问题和成功实施战略的问题，平衡计分卡应运而生。由哈佛大学卡普兰和诺顿倡导和提出。

11、倒推成本法中的特殊问题

倒推成本法并没有严格遵循一般公认会计准则（GAAP），没有确认在产品成本。但是，倒推成本法的支持者往往引用重要性原则为之争辩：即使存货水平很高，如果各期存货水平没有重大变化，那么营业收入和存货水平的数值在倒推成本法下和在传统成本法下并无重大差别。但是如果倒推成本法与传统成本法反映的财务结果存在着较大的差别，应通过编制调整分录，使倒推成本法的数值符合外部报表的要求。

对倒推成本法的批评集中在它缺乏审计追溯的能力----追溯会计系统确认生产流程每一步中资源使用情况的能力。如果没有大量的材料存货和在产品存货，管理者就必须通过实地观察。计算机监控和非财务手段来跟踪作业流程。

12、评价管理控制系统一个有效的管理控制系统必须与组织战略及组织目标保持高度一致。以埃克森美孚石油公司为例，它的两个战略是：a.提供新产品或服务以增加主要顾客领域的市场占有额（目标顾客是愿意为更快捷的服务、更好的设施和商品丰富的便利店支付高价的顾客）。b.降低成本，以价格敏感的顾客为目标。假设埃克森美孚公司决定提供创新产品和服务，不管这个决定是否明智。管理控制系统必须加强这一目标，埃克森美孚应该将管理人员的奖励与实现目标指标联系起来。

13、激励的两个组成成分？

激励是达到设定目标的愿望（目标的一致性）与对目标追求（努力）的结合。

目标一致体现在个人或团体都朝着实现组织目标的方向努力时。也就是说，当管理者为了实现自己的最大利益而采取行动，同时又能够有效的推动最高管理当局目标的实施。

对中国移动业务个性化推荐的研究 篇6

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 篇7

关键词：个性化推荐,协同过滤算法,APH,相似度计算

随着移动通信网络的发展和智能手机的普及, 移动互联网业务日益丰富着人们的生活, 移动增值业务的数量也呈现爆炸性的增长[1,2]。与此同时, 不论是用户还是运营商都感觉到了类型繁多的业务和多元化的用户需求之间信息连接的迫切性, 移动互联业务的个性化推荐研究由此进入了人们的视线。其中, 协同过滤算法是应用最为广泛的推荐算法之一。

协同过滤算法由Goldberg等在1992年提出, 其主要原理是如果某些用户对一些业务的评价很相似, 那么他们对其他业务的评价也会很相似。目前协同过滤算法主要分为两类:1) 基于用户的协同过滤算法:该算法的关键在于寻找与目标用户具有相似兴趣的最近邻居, 将这些邻居的选择推荐给目标用户。2) 基于项目的协同过滤算法:该算法的关键在于使用目标用户对相似项目的评分来预估该用户对某个新项目的评分, 根据评分的高低来决定推荐的次序[3]。总体来看基于用户的协同过滤算法更适用于移动互联网业务的个性化推荐。

1 传统的基于用户的协同过滤算法

该算法的核心思想是根据用户对各种业务的评价情况统计出与目标用户兴趣最为接近的用户群, 称为目标用户的“最近邻居”。目标用户对某个未曾使用的业务的评价可以基于他的“最近邻居”对该项业务的评价结果预测得到。根据不同业务的预测评价决定该业务的推荐排序。移动增值业务中, 传统的协同过滤推荐算法是按照以下步骤进行:

(1) 建立不同用户对于各项业务的评分矩阵R (m, n) , 代表共有m个用户和n种增值业务, 矩阵元素Rij代表用户i对业务j的评分, 取值区间一般位于[0, 1]之间。

(2) 为目标用户寻找最近邻居集。通过计算用户之间的相似度, 为目标用户形成相似度从大到小排列的邻居集合。用户i和用户j的相似度的计算采用Pearson相关度计算公式:

式中, 用户i和用户j共同评分过的业务集合为Iij, Ri, k表示用户i对业务k的评分, 表示用户i和j对业务的平均评分。

(3) 根据目标用户的最近邻居集合对某项业务的评分来预测目标用户对该项业务的评分, 并根据预测评分的高低决定业务的推荐排序。用户u对项目i的预测评分为:

式中, Su是目标用户u的最近邻居集合。分别表示用户u和用户n对增值业务的平均评分。Sim (u, m) 表示用户u和用户n之间的相似度。Rn, i表示用户n对业务i的评分。

很明显, 该算法在计算用户相似度时, 并没有权重值, 或者说对每项业务赋予相同权重, 因此对某些用户群体, 如校园互联网用户, 该算法是不适用的, 需要进行改进。

2 校园移动互联网用户的特殊性

校园用户是目前移动互联网增值业务的主要用户群体之一, 他们年龄段集中, 学历经历相似, 时间较空闲, 集聚性强同时经济能力有限, 因此他们对于增值业务的选择有一定的趋同性。从我们收集分析的1000份在校大学生增值业务使用情况的调查问卷的数据看来, 有多项业务开通比率超过50%, 其中最高的彩信业务开通比率接近70%。在此情况下, 如果采用传统的相似度计算方法, 那么就很难真正区分出真正具有相同兴趣的用户。因此对于相似度计算算法必须进行改进以适应校园用户的特殊性。

3 算法的改进

为使用户间相似度的计算值能够更加准确地描述校园用户间个人兴趣的相似度, 我们对被校园用户过于广泛使用的业务赋予较低的权值, 这样用户间的相似度计算值将会更加精确。

为了将我们对各项业务重要性的定性分析转变为具体权值, 在此引入了层次分析法 (APH) 。该方法由美国运筹学家T.L.saaty于上世纪70年代提出, 是一种将定性和定量结合起来的系统分析方法, 它将人的主观判断数量化。在此处应用该方法, 我们可以用收集的实证数据和经验判断各业务之间的相对重要程度, 并给出每种业务的影响权重。层次分析法的一个重要特点就是用两两重要性程度之比的形式表示出两个方案的相应重要性程度等级。在本文里我们对所涉及业务进行两两对比, 并按其重要性程度评定等级。

在此处运用AHP方法, 大体可分为以下三个步骤:

步骤1:分析各增值业务间的关系, 建立主观判断的客观化标度;

步骤2:对各项业务的重要性进行两两比较, 根据上表的标度方法构造两两比较的判断矩阵;

步骤3:由判断矩阵计算被比较业务对于该准则的相对权重, 并进行判断矩阵的一致性检验。

通过AHP法的应用, 我们能够获得各项业务的影响权重。设增值业务k的影响权重为Wk, 那么用户i和用户j的相似度计算公式为:

根据公式 (2) 计算目标用户对于各项未选取增值业务的预测评价后, 我们就可以获得针对目标用户的推荐序列了。

4 实验研究

为了验证该算法, 我们通过问卷调查的方式收集了1000名在校大学生对于11种常用移动互联网增值业务的使用和兴趣情况的数据。根据问卷结果首先建立了用户打分矩阵, 同时根据各项业务的使用率建立其两两比较的判断矩阵。对判断矩阵进行归一化处理后, 得到各业务权重值如下表, 并通过一致性验证。

我们将各业务权值代入公式3, 获得了各用户间相似度数值, 为每个用户选取相似度最高的N名用户作为其最近邻居集合, 得到每名用户的推荐列表。将推荐列表与用户自己提供的兴趣列表相比, 本文所提出的算法比传统的协同过滤算法推荐精度提升了15%以上。

5 结论

本文主要根据移动互联网校园用户的特点, 对基于用户的协同过滤算法个性化推荐应用过程和算法的改进进行了论述。我们将业务影响权重引入了用户间相似度的计算过程中, 并使用层次分析法来将经验判断转化为权重数值。改进后的算法提升了对业务的推荐精度, 算法仿真效果良好。由于移动增值业务种类繁多, 我们此次仅选取了部分常用业务来进行实验验证, 因此如何建设自适应性权重计算模型, 以便当业务种类扩展时, 能够简单快捷的自动计算业务影响权重, 将是我们今后研究的重点。

参考文献

[1]Mobile Pholle Research RePort (2007-l0-30) , http://bbs.8.i.eo;n/toPledetail.html?id=19284.

[2]Accomplishment instance of main target in communication industry in 2007.

移动推荐 篇8

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 篇9

关键词：移动学习,个性化,学习资源推荐,模型

引言

手机等移动设备的普及使得随时随地的学习成为可能,但如何快速准确地检索、定位自己所需的资源是学习者在学习过程中面临的困难。个性化学习资源推荐关注学习者个体的特征与偏好,匹配学习者具体的学习情境,将合适的学习资源推送给学习者。以往的推荐系统不能结合用户情境信息因素,不能够个性化地满足用户的需求,于是基于情境感知的个性化推荐显得尤为重要。此外,满足学习者需求的个性化学习资源是受多因素共同影响的,用户本身的特点兴趣、学习的目标以及对学习资源的反馈等都是重要的影响因素。

一、个性化资源推荐现状分析

国外首次实现推荐功能的是1992年构建的邮件过滤系统,该系统是基于协同过滤算法完成的,用于解决公司的资讯过载问题。1997年,人们正式提出推荐系统的概念,但此时的推荐系统还只用于电子商务领域。此后推荐系统的研究迅速展开,逐步扩展到决策支持系统方面,随着大众需求的提高,用户希望出现个性化的推荐,个性化推荐成为研究者关注的热点。在教育领域内,由于近年来网上学习资源的增多导致了信息过载等问题,使学习资源的个性化推荐成为学者研究的焦点,研究成果包括基于用户行为兴趣偏爱的推荐和基于情境的个性化推荐等。

(一)基于情境的资源推荐

结合情境的推荐能够更加个性化地服务于大众。将情境感知结合到人体健康、医疗等应用软件,使用户获取的信息更加符合实际情境。在教育领域内,Yau[1]研究了移动学习环境下地理位置、网络状况以及学习时间等因素对个性化移动学习的影响,为移动学习环境下的资源推送提供了大量的经验。根据不同的情境特点推送给用户不同的资源信息,这对于推送的个性化有很好的促进作用。

(二)基于学习者个人人关兴趣的推荐

为实现对用户推荐信息的个性化,学者们往往会考虑用户的兴趣偏好以及其他一些细节上的属性信息从而实现对用户的个性化信息推荐。2012年,孙歆[2]等结合协同过滤算法以学习过程中用户学习行为和在线学习资源的特点为基础,设计了基于协同过滤技术的在线学习资源个性化推荐模型。2015年,查英华[3]等人从高职学生的学习兴趣特征方面考虑,建立了学生与学习资源之间的二元关系,使学生的学习易于迁移和扩展,实现了个性化的推送。以上学者从用户的个人行为偏爱等角度去提升资源推送的个性化,使用户获取到基于兴趣属性的学习资源。

(三)考虑学习者特点的推荐

牟智佳[4]等以学习者模型为分析对象,以个性化推荐系统为技术支持,设计了基于学习者模型的个性化学习资源推荐框架。以上总结了国内外学者关于个性化资源推荐在基于情境信息、学习者用户行为兴趣爱好和学习者特点等方面的推荐研究。研究者解决了基于个性化推荐的不同内容的研究问题,并给出了自己的设计方案和思想。但关于学习资源的个性化推荐的具体细节介绍还不够全面,例如:没有考虑学习者的学习目标和用户反馈等内容,更没有关于学习情境、学习者行为兴趣、学习者特点、学习目标和用户反馈相结合的个性化推荐。

二、移动学习的优势和个性化推荐的需求

(一)移动学习的优点

移动学习的优点:学习场景的可变换性、学习时间的碎片化和学习内容的多样化。移动学习的一个非常突出的优点就是学习场景的可变换性,即学习者可以在不同场景、不受地理位置的限制进行学习;人们进行移动学习时可以不受时间的限制、利用空闲时间进行碎片化学习,学习者对于学习的时间控制度是相对自由的,碎片化的学习有利于学习者对知识的掌握和理解;学习内容的多样化,网上的学习资源的种类繁多、呈现形式趋向于多样化,使学习者能够有更多的选择去接触更多的教育资源。

(二)移动学习个性化资源推荐的需求

移动学习逐渐成为人们日常学习的一种方式,与传统的教室学习不同,这种学习方式使学习者有着不一样的学习体验,学习者对于系统推荐的学习资源也有了新的实际需求。

1.学习资源推荐的内容

吸引用户阅读兴趣的内容具有多样化、有针对性和实时性强等特点。被推荐的学习资源内容的多样化可以激发他们的学习兴趣,使学习者对推荐的学习资源有新鲜感。在实际学习中,一部分用户是具有明确的学习目标的,针对用户想要达到的学习目标进行个性化推荐,能提高用户对推荐资源的学习使用率。内容的实时性表现在推荐系统依据用户的反馈评价筛选出最新的学习资源。

2.学习资源推荐的情境

在移动学习环境下,用户对学习资源的需求随情境而改变。个性化的推送方式考虑到每一位学习者的实际地理情境和时间情境,从而筛选出最适合当前情境的学习资源。结合了情境信息而推送的学习资源更加容易被学习者所接受。在不同的环境里,声音和明暗程度等对学习者的学习有一定的影响,推送的学习资源应从优先适合这些环境的资源中去筛选。

3.资源推荐的形式

个性化学习资源的推荐形式是非常重要的,学习资源本身可以是多形式的,例如:文本、图片、视频等格式。学习者的学习兴趣和接受理解的水平不同,所以,依据用户的偏向性选择资源的推荐形式更能提高用户对推荐资源的学习兴趣。

三、移动学习中的个性化推荐模型

(一)当下当下常见的个性化资源推荐算法

1. 协同过滤算法

该算法的基本原理是:根据学习者的学习记录形成学习者用户模型,然后利用相似性度量方法计算学习者用户或学习资源之间的相似度。常用的相似度量方法有:余弦相似度和皮尔森相关系数等。找出与该用户或学习资源相似度高的新用户或学习资源,形成“邻居”,然后对这些“邻居”进行评分高反馈好的资源推送。该算法的缺点是冷启动问题和稀疏问题。

2.基于内容的推荐算法

该推荐算法主要是利用用户选择对象的内容特征,匹配用户兴趣偏好,其特征提取是对推荐对象的文本内容进行分析[5]。其优点是它不需要其它用户的数据,没有冷启动问题和稀疏问题,并且简单直观,不需要领域知识。缺点是基于内容的用户资料是需要有用户的历史数据来支撑计算的,对多媒体的特征提取还不成熟以及无法适用多语言描述的推荐对象。

3.关联规则的推荐

基于关联规则的推荐技术是先由管理员定制出相关的规则条目,然后依据定制的规则度量项目间的相互关联性,最后将关联密切的项目推送给用户[6]。优点是可以应用于所有领域,具有通用性。缺点是新录入系统的学习资源由于缺乏支持度而不会被推送,且随着规则的数量增多,系统将会越来越难以管理。

4.基于社会化标签的个性化推荐

基于社会化标签的个性化推荐原理是通过对用户以往浏览的各类资源所拥有的标签进行综合分析,寻找推算出用户所喜欢的目标标签,然后把持有相关目标标签的学习资源推荐给学习用户,从而实现个性化推荐。用户在标注资源时所使用的标签既反映了用户自身的兴趣,又反映了资源的特点。缺点是难于精准地对学习资源进行标签划分。

(二)个性化推荐模型应用的算法

本模型采用的是基于社会化标签的思想,将推荐的影响因素归纳为标签,分别为情境因素、用户特点因素、用户兴趣因素、用户目标因素和反馈因素。将网络上的学习资源比作N维欧几里得空间中的向量,向量的维度可以为n维,每一维度代表学习资源的一个标签特征,在本模型中将n=5,即情境、用户特征、用户兴趣、用户目标和反馈5个标签特征,每一个标签拥有自己的子标签,它们的数值代表该特征标签影响推荐效果的大小权重。每一个学习资源相对应的每一个用户都有一个自己的社会化标签集合。依据各因素的权重综合计算出学习资源的推送优先级(如图1)。

(三)个性化推荐模型

在该模型中,系统结合学习者的学习情境模块、学习者特点模块、学习者兴趣模块、学习者的学习目标模块和反馈更新模块以及个性化推送内容模块的属性权值筛选出个性化的学习资源,从而实现个性化学习资源的推送(如图2)。

1.学习情境模块

该模块主要用于管理学习者的地理位置信息情境和学习时间情境。地理位置信息情境按照外界干扰因素程度来划分,考虑到声音嘈杂度、光线亮度,将其分为高、中、低三个干扰程度。学习时间情境分为早上、白天、晚上,分类出适合的文本、图片、音频和视频的学习资源属性。根据不同的学习情境计算出适合用户的学习属性。

2.学习者特点模块

该模块用于建立存储风格迥异的学习者模型,从学习者的年龄、性别、受教育水平、学习内容4个属性来建立学习者的个人模型,将新的学习者与之前学习者模型进行相似性比较,然后选择重叠性高的学习者模型资源进行优先推送。

3.学习者兴趣模块

该模块用于搜集学习者用户的兴趣,通过存储学习者的浏览记录和学习资源的标签,搜集记录学习者感兴趣的和不感兴趣的内容,能够直观地体现出学习者的学习需要,为个性化资源推荐模型提供了丰富的信息支撑。

4.学习目标模块

该模块用于存储学习者的学习目标,信息的收集途径为用户的标签选择。

5.反馈更新模块

该模块用于存储用户的反馈和评价信息,使系统实时地对用户的兴趣习惯等进行更新。

6.个性化推送内容模块

在该模块中,系统结合学习者的学习情境模块、学习者管理模块、学习者兴趣模块、学习者的学习目标模块和反馈更新模块的属性权值筛选出个性化的学习资源。

学习资源推送流程分为数据收集、信息筛选、个性化推送和反馈四个阶段。

首先,进行数据收集阶段。该阶段的目的是收集学习者用户的个人资料,旨在通过这些信息来了解用户的需求,并将这些信息划分到学习情境模块、学习者特点模块、学习者兴趣模块和学习者目标模块。通过新用户的注册信息,或通过第三方软件账号的登录来获权知道新用户的个人信息。然后是信息筛选阶段。该阶段是系统根据数据收集阶段得到的用户需求倾向筛选网络资源的过程,综合经过反馈模块更新后的学习者特点模块、学习者兴趣模块、学习者目标模块和学习者情境模块得到的信息来完成筛选过程。在众多资源中筛选出适合学习者的学习资源,然后通过GPS定位、手机的型号特点和网络类型等获知情境信息。其次,是个性化推送阶段。该阶段是个性化推荐系统向每一位学习者用户推送个性化学习资源的阶段。经过信息筛选阶段,个性化推荐系统向每一位学习者推送符合学习者个人需求的学习资源,然后把学习资源发送到学习者用户的应用界面上。最后,反馈更新阶段。该阶段是根据用户的行为轨迹变化和用户的评价来收集每一位用户的最新进展信息,并将其反馈到最开始的收集资源阶段。

(四)个性化推荐模型的优点

个性化的学习资源推荐模型是基于学习情境、学习者特点、学习者兴趣爱好、学习目标和反馈更新5个维度来考虑的个性化资源推荐模型。依据用户实际应用中所遇到的实际情况而推出适合学习者的学习资源。综合考虑了学习者的情境信息、学习者的特点、学习者的兴趣爱好、学习者特点和用户的个人反馈等维度,更加综合全面地给学习者推荐用户喜欢的学习资源。

四、有待进一步研究的问题

本文对移动学习环境下学习资源的个性化推送模型进行了具体的阐述,提出了适用于不同情境下的个性化资源推送模型。在教育学习方面,个性化资源推荐能够帮助学习者更快地选择自己有效的信息资源,但关于该学习资源的个性化推荐的相关研究还有待继续深入,如用户信息的安全性问题、如何推荐真正适合用户的资源信息和基础学习资源数据库的建设问题。

参考文献

[1]Jane Yin-Kim Yau,Mike Joy.A Context-Aware Personalised M-learning Application Based on M-learning Preferences[J].International Journal of Mobile Learning and Organisation,2011,(01):1-14.

[2]孙歆,王永固,邱飞岳.基于协同过滤技术的在线学习资源个性化推荐系统研究[J].中国远程教育,2012,(08):78-82.

[3]查英华,朱其慎.基于个性化推荐的移动学习模式探究——以高职学生为例[J].职教论坛,2015,(23):57-60.

[4]牟智佳,武法提.电子书包中基于学习者模型的个性化学习资源推荐研究[J].电化教育研究,2015,(01):69-76.

[5]王小军,王运,郝.个性化推荐系统在移动学习中的应用研究[J].中国教育信息化,2015,(23):20-23.

移动推荐 篇10

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。