基于移动互联网非活跃用户个性化研究.docVIP

基于移动互联网非活跃用户个性化研究 　　[摘 要] 随着移动互联网应用快速发展，移动用户面对所产生的大量商品信息选择越来越困难。通过对移动互联网中的非活跃用户冷启动问题分析，提出移动互联网的非活跃用户的个性化服务推荐的分类方法和推荐类型。在移动互联网的非活跃用户个性化推荐层面：一方面，移动APP网上商城要更加关注对应用程序内容的深度理解与分类，这样才能从海量的应用程序中找到最优质的应用推荐给用户；另一方面，移动APP网上商城也要更加了解用户的需求，利用大数据的海量数据挖掘，真正的把用户的多维属性利用起来，从而做到个性化推荐。 　　[关键词] 移动互联网；非活跃用户；冷启动；个性化推荐 　　[中图分类号] F725 [文献标识码] B 　　2016年第三季度中国移动互联网市场规模为2038.1亿元，同比增长78.1%，环比增长12.4%。在移动互联网与计算机网络逐渐融合的过程中，对互联网信息服务进行延伸，为用户提供了比传统通信业务更加丰富多彩的移动联网服务和信息内容，与此同时，智能移动设备日益普及促使信息资源的获取和推送可以发生在“任何时间、任何地点、以任何方式”，为用户提供无处不在的信息内容己经成为可能。在为大众提供便利获取信息资源的同时，移动互联网中的海量信息也给人们带来了选择困难，大量用户不需要的信息严重浪费了用户宝贵的时间，干扰用户做出正确的选择，快速有效的从繁杂的数据中获取有价值的信息变得越来越重要。 　　一、个性化推荐 　　个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。个性化推荐一直是研究者关注的热点领域。个性化推荐主要为背景不同的用户给出适合其自身特点的推荐。用户的背景不同其对相同关键词的期望查询结果也不同。用户的背景包括年龄、性别、职业、个人兴趣、收入、周围社交关系等情况。个性化推荐技术在电子商务领域中取得很大程度的发展和广泛应用，很多电子商务购物网站利用它不但增加了营业额和利润，而且靠其培养用户的消费习惯，使用户改变传统的消费方式。 　　个性化推荐的最大的优点在于，它能收集用户特征资料并根据用户特征，如兴趣偏好，为用户主动作出个性化的推荐。而且，系统给出的推荐是可以实时更新的，即当系统中的商品库或用户特征库发生改变时，给出的推荐序列会自动改变。这就大大提高了电子商务活动的简便性和有效性，同时也提高了企业的服务水平。 　　个性化推荐的本质是通过发掘用户的隐含信息给为用户推荐其最大概率采纳的信息。其难点在于：（1）挖掘用户隐含信息，对隐含信息挖掘的越全面越能很好的反馈用户的真实需求。（2）隐含信息的权重，隐含信息的权重越大，则对推荐的影响越大，因此准确的确定隐含信息的权重对推荐质量非常重要。 　　移动电子商务个性化推荐的主要算法包括（1）基于关联规则的推荐算法（Association Rule-based Recommendation）；（2）基于内容的推荐算法（Content-based Recommendation）；（3）协同过滤推荐算法（Collaborative Filtering Recommendation）。移动电子商务个性化推荐面临的问题包括（1）稀疏性问题：如果用户对商品的评价数据非常稀疏，这样基于用户的评价所得到的用户间的相似性不够准确；（2）可扩展性问题：随着用户和商品的增多，推荐系统的性能会逐渐降低；（3）冷启动问题：如果从来没有用户对某一商品加以评价，则这个商品被推荐的可能性极小；（4）长尾问题：对小微市场的推荐。 　　为了充分挖掘数据价值，缓解信息过载问题，以及提高推荐质量，满足移动用户个性化的推荐需求，基于用户的行为感知用户的偏好。通常移动用户的偏好通过用户的行为表现，移动用户的行为是用户偏好的显式表现。移动用户偏好和用户的行为存在一定的因果关系，因此，通过挖掘移动用户行为信息，建立用户行为和偏好的模型，可以为移动用户给出个性化的推荐。在为移动用户给出个性化推荐的过程中，如果为每个用户都建立一个用户行为和偏好的模型，则在实际应用过程中的效率可能会非常低，因此，研究高效、准确的基于行为感知的非活跃移动用户个性化推荐具有非常好的实际应用价值。 　　二、非活跃用户冷启动问题 　　移动互联网中存在相当数量的非活跃用户，这些用户的历史行为信息、历史记录都非常稀少，很难得到推荐的依据，因此对这类用户的推荐是推荐领域的难点、热点之一。对非活跃用户的推荐又称为移动用户冷启动问题。冷启动是数据挖掘领域的一个专业术语，指的是数据挖掘需要数据的积累，而产品初期数据为空或者数据量太少导致所需的数据量达不到要求。 　　冷启动问题包括：（1）如何向还没给任何商品评分的新用户推荐；（2）如何处理从未被评过分或购买过的商品。这两类问题都可以通过混合方法来解决