對于移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置的個(gè)性化餐館推薦建模研究論文
截至2015年12月底，全國移動(dòng)電話(huà)用戶(hù)數達13.06億，日益增長(cháng)的智能機和搜索服務(wù)對用戶(hù)的移動(dòng)服務(wù)體驗產(chǎn)生了重要影響。為滿(mǎn)足用戶(hù)不斷增長(cháng)的隨時(shí)隨地獲取如美食等信息的需求，更加個(gè)性化和與位置有關(guān)的移動(dòng)服務(wù)成為未來(lái)主要方向。移動(dòng)環(huán)境下基于位置的推薦系統(Location-BasedSystem，LBS)是一種有效的解決方案，它運用現代移動(dòng)通信、計算機、GPS等技術(shù)，提供與位置有關(guān)的信息服務(wù)。隨著(zhù)基于位置的服務(wù)產(chǎn)生信息過(guò)載問(wèn)題，推薦系統依據用戶(hù)行為和偏好，提供個(gè)性化需求推薦被廣泛應用。移動(dòng)終端具有屏幕小及處理能力弱等缺點(diǎn)，而用戶(hù)注重高實(shí)時(shí)和方便性體驗，對有用信息的提取提出了更高要求，基于位置的推薦系統具有位置敏感性和實(shí)時(shí)性，可以結合用戶(hù)當前位置及情景信息進(jìn)行個(gè)性化推薦。
本文建立了一個(gè)移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置的個(gè)性化餐館推薦模型，分析了移動(dòng)環(huán)境下基于位置的個(gè)性化推薦系統的特點(diǎn)和需求，并根據這些特征，比較現有推薦算法的優(yōu)缺點(diǎn)，選擇合適的推薦方法，結合情境、時(shí)間和地理等因素提出了分階段的推薦系統模型架構。
1 移動(dòng)環(huán)境中基于位置的推薦系統
移動(dòng)環(huán)境中LBS系統從運營(yíng)商提供的位置服務(wù)及WIFI定位技術(shù)，通過(guò)移動(dòng)手機GPS功能獲取用戶(hù)當前信息。與傳統電子商務(wù)系統相比，LBS移動(dòng)應用更注重信息的動(dòng)態(tài)性、多樣性和基于用戶(hù)位置的實(shí)時(shí)需求。LBS系統與傳統電子商務(wù)系統相比具有明顯差異，導致現有推薦技術(shù)不能直接用于基于位置的服務(wù)。移動(dòng)應用程序“Foursquare”基于地理位置，對用戶(hù)進(jìn)行定位，隨機構成一個(gè)實(shí)地的SNS社交網(wǎng)絡(luò )�！按蟊婞c(diǎn)評網(wǎng)”是一個(gè)典型的、廣泛使用LBS移動(dòng)應用服務(wù)的例子，用戶(hù)可以獲取各種各樣的生活服務(wù)信息。
以“Foursquare”和“大眾點(diǎn)評網(wǎng)”分析LBS推薦系統的特征：
(1)位置敏感和實(shí)時(shí)性。用戶(hù)可基于位置搜索信息，獲得實(shí)時(shí)期望的服務(wù)內容。并能立即獲得一些迫切的信息服務(wù)。
(2)明確的用戶(hù)信息�；谖恢玫南到y中用戶(hù)通常具有真實(shí)、可靠的身份特征，易識別和收集用戶(hù)信息。移動(dòng)用戶(hù)在網(wǎng)上注冊時(shí)，便可同步獲得他們的統計數據。
(3)融入情景信息，適應用戶(hù)偏好變化。將情景信息如位置、天氣、時(shí)間等加入LBS推薦系統，可快速響應不同情形下用戶(hù)興趣的變化，獲取用戶(hù)短期興趣，區分用戶(hù)長(cháng)期偏好和短期偏好，進(jìn)行更有效的推薦。
(4)冷啟動(dòng)問(wèn)題。移動(dòng)推薦系統冷啟動(dòng)包括新用戶(hù)、新物品和新系統的問(wèn)題。冷啟動(dòng)發(fā)生在一個(gè)新的推薦系統的初始階段，此時(shí)沒(méi)有用戶(hù)及其行為，缺乏數據導致推薦結果不準確。如何贏(yíng)得用戶(hù)和提高其忠誠度，解決冷啟動(dòng)問(wèn)題是有價(jià)值的。
(5)隱私保護。由于涉及個(gè)人隱私和信息安全，用戶(hù)不愿提供完整和準確的數據，通過(guò)記錄不同時(shí)間點(diǎn)移動(dòng)用戶(hù)所在位置，獲取用戶(hù)場(chǎng)所，分析其信息、行為和位置，提高推薦準確性。
2 推薦算法設計
根據不同的推薦算法將推薦系統劃分為：協(xié)同過(guò)濾、基于內容過(guò)濾和基于規則的推薦。協(xié)同過(guò)濾推薦的基本思想是，假設用戶(hù)之前具有相同的偏好，則他們在以后也有相似的偏好，根據“用戶(hù)—評分”矩陣計算不同用戶(hù)或項目之間的相似性，然后根據相似程度，找出與當前用戶(hù)過(guò)去興趣類(lèi)似的其他用戶(hù)即最近鄰相似性�；谧罱徲脩�(hù)或項目評分集計算目標用戶(hù)對物品的預測值，最終形成推薦�；趦热莸耐扑]是推薦與用戶(hù)過(guò)去已購買(mǎi)的商品或興趣相似的項目，利用資源和用戶(hù)興趣的相似性獲取信息并過(guò)濾信息。通過(guò)獲取用戶(hù)評價(jià)過(guò)的項目特征和用戶(hù)記錄數據，根據這些數據計算相似性，建立用戶(hù)興趣模型，開(kāi)始推薦過(guò)程。然后，系統選擇出與用戶(hù)偏好高度相似的那些物品�；谝巹t的推薦算法通�；陬A先定義的規則進(jìn)行推薦，由于推薦系統建立時(shí)，沒(méi)有用戶(hù)行為數據，物品信息也少，因此，通常利用專(zhuān)家進(jìn)行標注，或根據關(guān)聯(lián)規則的挖掘技術(shù)，這些規則用IF-THEN語(yǔ)句表示，主要使用用戶(hù)的靜態(tài)屬性來(lái)創(chuàng )建。
不同推薦算法具有各自的優(yōu)缺點(diǎn)，在移動(dòng)環(huán)境中推薦系統不僅具有上述推薦算法的特征需求，還具有餐館對象推薦的一些特性，即餐館數量多，各式菜肴口味品種等有很大差異，且餐館屬性是離散的。為了向用戶(hù)推薦適合的餐館，基于位置的推薦系統需要使用推薦算法處理多個(gè)離散屬性。選擇未對項目?jì)热葸M(jìn)行分析的算法以提高推薦餐館的準確性。協(xié)同過(guò)濾推薦具有冷啟動(dòng)問(wèn)題，考慮冷啟動(dòng)問(wèn)題，首先選擇基于規則的推薦算法;當系統收集到足夠的數據，采用協(xié)同過(guò)濾推薦算法。
3 移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置的推薦模型
3.1 系統分析
3.1.1 用戶(hù)偏好模型
用戶(hù)偏好模型是推薦系統的重要組成部分，它為每個(gè)用戶(hù)提供個(gè)性化服務(wù)�？梢允褂貌煌姆椒ㄟM(jìn)行用戶(hù)偏好建模，用戶(hù)模型的類(lèi)型也不同，本文根據用戶(hù)需求的變化將用戶(hù)偏好分為短期偏好和長(cháng)期偏好。
(1)用戶(hù)短期偏好模型�；谖恢梅⻊�(wù)系統中的用戶(hù)總是處在不斷變化的情景中，不同的情景將使用戶(hù)的興趣改變。用戶(hù)短期偏好指的是由用戶(hù)當前所處的特定上下文信息影響而表現出的臨時(shí)偏好，以及與用戶(hù)持續不變的偏好不同的偏好。在這樣的框架下，典型的推薦內容是餐館，餐館分為二級類(lèi)，分別是西餐、火鍋和燒烤店等。根據不同的時(shí)間、地點(diǎn)和其他上下文信息，用戶(hù)可能選擇不同類(lèi)型的餐館。例如冬季用戶(hù)選擇火鍋的概率要大得多。將用戶(hù)在二級分類(lèi)的偏好可以看作是短期偏好。
(2)用戶(hù)長(cháng)期偏好模型。用戶(hù)長(cháng)期偏好是在分析大量歷史數據的基礎上，基于不變的習慣得出的一種偏好，例如用戶(hù)可接受的價(jià)格范圍、服務(wù)質(zhì)量、環(huán)境和餐館其他特點(diǎn)等。將不隨上下文情景改變的偏好定義為用戶(hù)的長(cháng)期偏好。
3.1.2 情景信息集成
情景信息也稱(chēng)上下文信息，指能對用戶(hù)的需求表達產(chǎn)生影響的'環(huán)境因素。其中主觀(guān)因素與用戶(hù)自身個(gè)人喜好、習慣等特性相關(guān);客觀(guān)因素主要是指當前位置、時(shí)間、天氣等。上下文信息會(huì )對用戶(hù)短期偏好產(chǎn)生很大影響，做出完全不同的推薦結果。在推薦時(shí)，傳統的推薦算法只考慮了用戶(hù)和資源2個(gè)維度信息。在移動(dòng)情景下，用戶(hù)的環(huán)境信息不固定將影響用戶(hù)對信息的搜索，用戶(hù)和資源2個(gè)維度就需要擴大到三維，即用戶(hù)、推薦內容、上下文信息。選擇預先過(guò)濾的情境信息并適當地修改，首先基于用戶(hù)的位置，去除遠遠大于客戶(hù)可接受范圍的餐館，過(guò)濾掉未在營(yíng)業(yè)時(shí)間內的餐館。其次，融合當前情景信息區分用戶(hù)的短期和長(cháng)期偏好，獲取餐館類(lèi)型和屬性的用戶(hù)偏好概率，計算每個(gè)餐館推薦的概率。最后，執行基于用戶(hù)和上下文信息的協(xié)同過(guò)濾推薦，顯示向當前用戶(hù)推薦在相同情境下與其他用戶(hù)有共同偏好的餐館列表。
3.2 系統模型
系統框架使用歷史數據為新用戶(hù)進(jìn)行推薦，在冷啟動(dòng)階段將少量的甚至沒(méi)有用戶(hù)數據及行為的新用戶(hù)保留下來(lái)，降低移動(dòng)用戶(hù)操作的復雜性。此外，系統框架融合豐富的情景信息，如位置、天氣條件、季節等，基于用戶(hù)的短期和長(cháng)期的偏好向用戶(hù)提供最有效的推薦。當系統收集到大量的數據，采用混合的協(xié)同過(guò)濾推薦算法提高推薦結果。
(1)用戶(hù)信息。用戶(hù)信息包括諸如性別、年齡和其他人口統計的手機注冊信息、移動(dòng)設備信息等。
(2)情景信息。情景信息包括用戶(hù)當前的位置、天氣、時(shí)間、季節等情境信息。(3)餐館信息。餐館信息包括餐館類(lèi)型、特征及其他的基本信息。餐館類(lèi)型有西餐店、火鍋店、燒烤等;餐館特征有環(huán)境、口味、價(jià)格、無(wú)線(xiàn)網(wǎng)絡(luò )等;餐館基本信息有餐館位置、營(yíng)業(yè)時(shí)間、聯(lián)系電話(huà)等。
(4)用戶(hù)日志。用戶(hù)日志指用戶(hù)的歷史瀏覽記錄，包括用戶(hù)等級和交互數據等，以便在冷啟動(dòng)階段更新規則庫，并為協(xié)同過(guò)濾推薦提供數據支持。
3.3 用戶(hù)行為數據分析
冷起動(dòng)階段后，收集的大量的用戶(hù)歷史反饋數據和交互數據可用于數據挖掘和分析用戶(hù)行為。在這一階段，推薦流程設計如下：首先，修改規則庫，通過(guò)分析歷史數據提高冷啟動(dòng)階段推薦的精度和有效性，尋找關(guān)聯(lián)規則并重新計算規則庫中每一規則的概率。其次，基于用戶(hù)和基于上下文的協(xié)同過(guò)濾推薦，將協(xié)同過(guò)濾推薦引入到該框架中，采用基于用戶(hù)和基于上下文的協(xié)同過(guò)濾推薦算法，確定與目標用戶(hù)偏好最相似的鄰居用戶(hù)，獲取與目標用戶(hù)相同情景下鄰居用戶(hù)對餐館的選擇，進(jìn)行有效和可靠的推薦。最后進(jìn)行混合推薦。結合基于規則的算法和協(xié)同過(guò)濾推薦獲得的結果，得出目標用戶(hù)最終推薦結果。
4 結語(yǔ)
移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置服務(wù)的餐館推薦系統可基于用戶(hù)當前的情景信息和偏好實(shí)時(shí)地為用戶(hù)提供精確、有效的餐館信息。本文分析了基于位置服務(wù)推薦系統的特性，并比較不同推薦系統的特點(diǎn)和功能。結合在冷啟動(dòng)階段基于規則的推薦算法，以及用戶(hù)行為數據分析階段基于用戶(hù)和上下文的協(xié)同過(guò)濾推薦，提出兩階段的推薦系統模型，實(shí)驗表明該模型在應用中能贏(yíng)得新用戶(hù)的信任，并有效和精確地推薦。
【對于移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置的個(gè)性化餐館建模研究論文】相關(guān)文章：
淺談移動(dòng)社會(huì )網(wǎng)絡(luò )中基于位置的個(gè)性化餐館推薦建模研究論文10-31
移動(dòng)設備對于網(wǎng)絡(luò )教育的意義論文08-09
移動(dòng)網(wǎng)絡(luò )優(yōu)化流程研究論文11-07
基于移動(dòng)Agent系統的安全技術(shù)研究論文11-06
網(wǎng)絡(luò )社會(huì )研究管理的論文10-17
基于功能建模及過(guò)程建模制造系統的建�？蚣芘c方法的論文07-11
基于網(wǎng)絡(luò )的企業(yè)資源邊界厘定研究論文10-22