移动网络个性化信息推荐技术及影响因素研究.docVIP

移动网络个性化信息推荐技术及影响因素研究【摘要】介绍了了移动网络个性化推荐应用到的理论，技术知识；对当前使用的不同个性化推荐技术进行了概括分析；并且针对移动网络的特点分析了影响移动网络中个性化推荐技术应用的主要因素。 【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