基于移动用户上下文农家书屋阅读研究.docVIP

基于移动用户上下文农家书屋阅读研究 　　【摘要】该文面向快速发展的移动服务领域，将上下文信息的感知计算融入到农家书屋的数字化服务平台中，充分利用移动读者用户的上下文信息构建三维模型，再利用当前上下文信息进行预过滤，降维成二维，最后结合传统的协同过滤生成TOP-N的书目推荐列表，改善数据稀疏性问题，提升农民读者的阅读体验满意度。 　　【关键词】上下文，农家书屋，推荐系统 　　1引言 　　随着移动互联网的飞速发展，越来越多的移动用户通过移动手持设备访问网络，并享受信息服务。但移动设备的CPU处理能力相对于台式PC较低，电池续航不足，输入输出受限，严重影响着移动用户的体验满意度。然而移动用户所处的上下文信息是动态变化的，使其在不同的情境下具有不同的信息需求。这点在农家书屋数字化服务平台中也同样存在。有的农民读者喜欢在上午读书，有的喜欢在睡前。有的喜欢静止时阅读，有的喜欢乘车时看书。因此，如何帮助移动农民读者发现其感兴趣的，且满足当前上下文条件约束的移动阅读推荐需求，显得尤为重要。阅读推荐通过识别和预测读者偏好，提供个性化服务，是缓解“信息过载”问题的有效途径之一。传统的阅读推荐较少考虑移动场景下影响读者偏好的上下文信息，不能完全适用于个性化的移动服务领域中。上下文感知计算是系统获取并有效利用上下文信息进行计算的一种普适计算模式，已被广泛应用于众多领域。上下文感知也叫情境感知，该类推荐系统是通过将上下文加入阅读推荐中，作为一个近几年升温的研究领域，仍有许多问题亟待解决，如上下文读者偏好的提取，高维数据稀疏性问题等，这点在移动服务中的应用也是逐步兴起的。 　　2协同过滤和上下文推荐 　　2.1协同过滤 　　协同过滤算法是当前推荐系统中应用最广泛，最成熟的算法。该算法的思想为通过相似性计算找到最近邻居用户，目标读者对书目的偏好可以通过邻居读者对该书目的偏好加权平均值逼近。其主要实现步骤包括相似性计算和读者偏好预测。相似性计算主要有三种：余弦相似性，Pearson相关系数和修正的余弦相似性。而其中的Pearson相关系数 的使用最多。 　　2.2上下文预过滤推荐 　　文献[1]基于上下文信息可将二维空间扩展成多维，并将OLAP处理多维矩阵的思想迁移到推荐系统中，提出多维信息推荐模型。Chen[2]借鉴普适计算中的思想，提出了一种基于情境感知的协同过滤推荐系统。该系统设计了基于项目资源的上下文相似度的计算公式和包含上下文信息的用户评分预测计算公式。依据上下文融入推荐系统的位置不同，大体可以分为三类上下文感知的推荐系统模式：包括上下文预过滤，上下文模型，上下文后过滤。其中的上下文预过滤模型是在生成推荐列表前，根据当前的上下文信息过滤掉无关的信息，从而构建满足当前约束条件的数据集，然后再利用传统的推荐方法处理筛选后的数据进行评分预测。其核心过程为将多维数据转化为二维数据后再进行处理。当前影响上下文预过滤的因素主要是具体实例的分类和粗细粒度，这也同样关系到数据稀疏性的问题。 　　3融入上下文感知的农家书屋阅读推荐 　　3.1数据模型 　　定义1 向量空间为由n个上下文信息组成，context={C1，C2，…，Ci，…Cn}，其中一个上下文实例为C=（c1，c2，…，cn），1in为Ci的一个具体属性值。如Ci为时间上下文，ci可以取上午，下午或晚上。定义2 “移动读者——书目资源——上下文信息”三维空间模型可记作U-B-C模型，该三维向量空间为{User，Book，Context}，三个维度分别是移动读者，书目资源和上下文信息，每个维度由各自的属性值构成。其中，将移动读者，书目资源，上下文信息，偏好值所构成的一条记录，称为一条偏好记录，偏好记录组成的集合称为偏好数据集。 　　3.2算法设计思想 　　本文在农家书屋数字化服务平台中融合上下文预过滤的思想，用移动读者当前上下文C的相似上下文集合N（c）替代C作为过滤条件，对“移动读者——书目资源——上下文信息”三维模型进行降维，以改善数据稀疏性问题。并非直接利用传统二维矩阵推荐算法进行读者的偏好预测。因此，必须设计一种基于农民读者的上下文信息相似度计算来构造N（c）。 　　3.3算法过程描述 　　输入：“移动读者——书目资源——上下文信息”三维模型，目标读者用户u和当前的上下文C，待推荐书目资源B。 　　输出：读者用户u在当前上下文C下，对B中偏好最大的TOP-N书目推荐列表。 　　算法的具体步骤可以分为五步：（1）取读者用户u的所有偏好数据，构造出上下文——书目资源的二维偏好矩阵。（2）利用Pearson公式计算当前上下文C和其他上下文间的相似度，构造相似上下文集合N（c）。（3）如果数据稀疏性过大，可选择与当前上下文相似的邻居上下文来填充。（4）将三维矩阵降维