对于移动社会网络中基于位置的个性化餐馆推荐建模研究.docVIP

对于移动社会网络中基于位置的个性化餐馆推荐建模研究 　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-BasedSystem，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。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。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。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