淺談移動社會網(wǎng)絡中基于位置的個性化餐館推薦建模研究論文
截至2015年12月底，全國移動電話用戶數(shù)達13.06億，日益增長的智能機和搜索服務對用戶的移動服務體驗產(chǎn)生了重要影響。為滿足用戶不斷增長的隨時隨地獲取如美食等信息的需求，更加個性化和與位置有關(guān)的移動服務成為未來主要方向。移動環(huán)境下基于位置的推薦系統(tǒng)(Location-BasedSystem，LBS)是一種有效的解決方案，它運用現(xiàn)代移動通信、計算機、GPS等技術(shù)，提供與位置有關(guān)的信息服務。隨著基于位置的服務產(chǎn)生信息過載問題，推薦系統(tǒng)依據(jù)用戶行為和偏好，提供個性化需求推薦被廣泛應用。移動終端具有屏幕小及處理能力弱等缺點，而用戶注重高實時和方便性體驗，對有用信息的提取提出了更高要求，基于位置的推薦系統(tǒng)具有位置敏感性和實時性，可以結(jié)合用戶當前位置及情景信息進行個性化推薦。
本文建立了一個移動社會網(wǎng)絡中基于位置的個性化餐館推薦模型，分析了移動環(huán)境下基于位置的個性化推薦系統(tǒng)的特點和需求，并根據(jù)這些特征，比較現(xiàn)有推薦算法的優(yōu)缺點，選擇合適的推薦方法，結(jié)合情境、時間和地理等因素提出了分階段的推薦系統(tǒng)模型架構(gòu)。
1 移動環(huán)境中基于位置的推薦系統(tǒng)
移動環(huán)境中LBS系統(tǒng)從運營商提供的位置服務及WIFI定位技術(shù)，通過移動手機GPS功能獲取用戶當前信息。與傳統(tǒng)電子商務系統(tǒng)相比，LBS移動應用更注重信息的動態(tài)性、多樣性和基于用戶位置的實時需求。LBS系統(tǒng)與傳統(tǒng)電子商務系統(tǒng)相比具有明顯差異，導致現(xiàn)有推薦技術(shù)不能直接用于基于位置的服務。移動應用程序“Foursquare”基于地理位置，對用戶進行定位，隨機構(gòu)成一個實地的SNS社交網(wǎng)絡�！按蟊婞c評網(wǎng)”是一個典型的、廣泛使用LBS移動應用服務的例子，用戶可以獲取各種各樣的生活服務信息。
以“Foursquare”和“大眾點評網(wǎng)”分析LBS推薦系統(tǒng)的特征：(1)位置敏感和實時性。用戶可基于位置搜索信息，獲得實時期望的服務內(nèi)容。并能立即獲得一些迫切的信息服務。(2)明確的用戶信息�；谖恢玫南到y(tǒng)中用戶通常具有真實、可靠的身份特征，易識別和收集用戶信息。移動用戶在網(wǎng)上注冊時，便可同步獲得他們的統(tǒng)計數(shù)據(jù)。(3)融入情景信息，適應用戶偏好變化。將情景信息如位置、天氣、時間等加入LBS推薦系統(tǒng)，可快速響應不同情形下用戶興趣的變化，獲取用戶短期興趣，區(qū)分用戶長期偏好和短期偏好，進行更有效的.推薦。(4)冷啟動問題。移動推薦系統(tǒng)冷啟動包括新用戶、新物品和新系統(tǒng)的問題。冷啟動發(fā)生在一個新的推薦系統(tǒng)的初始階段，此時沒有用戶及其行為，缺乏數(shù)據(jù)導致推薦結(jié)果不準確。如何贏得用戶和提高其忠誠度，解決冷啟動問題是有價值的。(5)隱私保護。由于涉及個人隱私和信息安全，用戶不愿提供完整和準確的數(shù)據(jù)，通過記錄不同時間點移動用戶所在位置，獲取用戶場所，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(jù)不同的推薦算法將推薦系統(tǒng)劃分為：協(xié)同過濾、基于內(nèi)容過濾和基于規(guī)則的推薦。協(xié)同過濾推薦的基本思想是，假設用戶之前具有相同的偏好，則他們在以后也有相似的偏好，根據(jù)“用戶—評分”矩陣計算不同用戶或項目之間的相似性，然后根據(jù)相似程度，找出與當前用戶過去興趣類似的其他用戶即最近鄰相似性�；谧罱徲脩艋蝽椖吭u分集計算目標用戶對物品的預測值，最終形成推薦�；趦�(nèi)容的推薦是推薦與用戶過去已購買的商品或興趣相似的項目，利用資源和用戶興趣的相似性獲取信息并過濾信息。通過獲取用戶評價過的項目特征和用戶記錄數(shù)據(jù)，根據(jù)這些數(shù)據(jù)計算相似性，建立用戶興趣模型，開始推薦過程。然后，系統(tǒng)選擇出與用戶偏好高度相似的那些物品�；谝�(guī)則的推薦算法通�；陬A先定義的規(guī)則進行推薦，由于推薦系統(tǒng)建立時，沒有用戶行為數(shù)據(jù)，物品信息也少，因此，通常利用專家進行標注，或根據(jù)關(guān)聯(lián)規(guī)則的挖掘技術(shù)，這些規(guī)則用IF-THEN語句表示，主要使用用戶的靜態(tài)屬性來創(chuàng)建。
不同推薦算法具有各自的優(yōu)缺點，在移動環(huán)境中推薦系統(tǒng)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(shù)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。為了向用戶推薦適合的餐館，基于位置的推薦系統(tǒng)需要使用推薦算法處理多個離散屬性。選擇未對項目內(nèi)容進行分析的算法以提高推薦餐館的準確性。協(xié)同過濾推薦具有冷啟動問題，考慮冷啟動問題，首先選擇基于規(guī)則的推薦算法;當系統(tǒng)收集到足夠的數(shù)據(jù)，采用協(xié)同過濾推薦算法。
3 移動社會網(wǎng)絡中基于位置的推薦模型
3.1 系統(tǒng)分析
3.1.1 用戶偏好模型
用戶偏好模型是推薦系統(tǒng)的重要組成部分，它為每個用戶提供個性化服務�？梢允褂貌煌姆椒ㄟM行用戶偏好建模，用戶模型的類型也不同，本文根據(jù)用戶需求的變化將用戶偏好分為短期偏好和長期偏好。
(1)用戶短期偏好模型。基于位置服務系統(tǒng)中的用戶總是處在不斷變化的情景中，不同的情景將使用戶的興趣改變。用戶短期偏好指的是由用戶當前所處的特定上下文信息影響而表現(xiàn)出的臨時偏好，以及與用戶持續(xù)不變的偏好不同的偏好。在這樣的框架下，典型的推薦內(nèi)容是餐館，餐館分為二級類，分別是西餐、火鍋和燒烤店等。根據(jù)不同的時間、地點和其他上下文信息，用戶可能選擇不同類型的餐館。例如冬季用戶選擇火鍋的概率要大得多。將用戶在二級分類的偏好可以看作是短期偏好。
(2)用戶長期偏好模型。用戶長期偏好是在分析大量歷史數(shù)據(jù)的基礎上，基于不變的習慣得出的一種偏好，例如用戶可接受的價格范圍、服務質(zhì)量、環(huán)境和餐館其他特點等。將不隨上下文情景改變的偏好定義為用戶的長期偏好。
3.1.2 情景信息集成
情景信息也稱上下文信息，指能對用戶的需求表達產(chǎn)生影響的環(huán)境因素。其中主觀因素與用戶自身個人喜好、習慣等特性相關(guān);客觀因素主要是指當前位置、時間、天氣等。上下文信息會對用戶短期偏好產(chǎn)生很大影響，做出完全不同的推薦結(jié)果。在推薦時，傳統(tǒng)的推薦算法只考慮了用戶和資源2個維度信息。在移動情景下，用戶的環(huán)境信息不固定將影響用戶對信息的搜索，用戶和資源2個維度就需要擴大到三維，即用戶、推薦內(nèi)容、上下文信息。選擇預先過濾的情境信息并適當?shù)匦薷模紫然谟脩舻奈恢�，去除遠遠大于客戶可接受范圍的餐館，過濾掉未在營業(yè)時間內(nèi)的餐館。其次，融合當前情景信息區(qū)分用戶的短期和長期偏好，獲取餐館類型和屬性的用戶偏好概率，計算每個餐館推薦的概率。最后，執(zhí)行基于用戶和上下文信息的協(xié)同過濾推薦，顯示向當前用戶推薦在相同情境下與其他用戶有共同偏好的餐館列表。
3.2 系統(tǒng)模型
系統(tǒng)框架使用歷史數(shù)據(jù)為新用戶進行推薦，在冷啟動階段將少量的甚至沒有用戶數(shù)據(jù)及行為的新用戶保留下來，降低移動用戶操作的復雜性。此外，系統(tǒng)框架融合豐富的情景信息，如位置、天氣條件、季節(jié)等，基于用戶的短期和長期的偏好向用戶提供最有效的推薦。當系統(tǒng)收集到大量的數(shù)據(jù)，采用混合的協(xié)同過濾推薦算法提高推薦結(jié)果。
(1)用戶信息。用戶信息包括諸如性別、年齡和其他人口統(tǒng)計的手機注冊信息、移動設備信息等。
(2)情景信息。情景信息包括用戶當前的位置、天氣、時間、季節(jié)等情境信息。
(3)餐館信息。餐館信息包括餐館類型、特征及其他的基本信息。餐館類型有西餐店、火鍋店、燒烤等;餐館特征有環(huán)境、口味、價格、無線網(wǎng)絡等;餐館基本信息有餐館位置、營業(yè)時間、聯(lián)系電話等。
(4)用戶日志。用戶日志指用戶的歷史瀏覽記錄，包括用戶等級和交互數(shù)據(jù)等，以便在冷啟動階段更新規(guī)則庫，并為協(xié)同過濾推薦提供數(shù)據(jù)支持。
3.3 基于規(guī)則的推薦系統(tǒng)
冷啟動階段缺少歷史數(shù)據(jù)和用戶的反饋評分，且餐館的屬性數(shù)量龐大、離散，用戶偏好使用不那么復雜的操作系統(tǒng)，選擇基于規(guī)則的推薦算法來展示用戶冷啟動階段的推薦結(jié)果。如用戶喜好的餐館類型可以是西餐、燒烤店等，選擇何種餐館與用戶當前所處情景有關(guān)。如用戶今天想去吃火鍋，明天更喜歡去燒烤店，相應地把用戶對餐館類型的偏好定義為用戶短期口味偏好。對餐館特征屬性的偏好，如價格范圍，服務質(zhì)量和環(huán)境等，通常不隨情景信息改變，將這些特征屬性定義為用戶長期偏好。
初始階段，用戶短期偏好建立在共有認識上，當用戶與系統(tǒng)交互時實時修正;長期偏好通過分析數(shù)據(jù)確定。區(qū)分用戶的人口統(tǒng)計特點、手機屬性和餐館信息之間的關(guān)系，建立IFTHEN表示的規(guī)則庫，當用戶與系統(tǒng)交互，通過匹配規(guī)則進行匹配，計算每家餐館的推薦概率，得出最終的推薦列表。傳統(tǒng)的基于規(guī)則推薦算法未記錄用戶的反饋評分，本文將用戶對推薦結(jié)果的反饋記錄到數(shù)據(jù)庫，供協(xié)同過濾推薦使用。
【淺談移動社會網(wǎng)絡中基于位置的個性化餐館建模研究論文】相關(guān)文章：
對于移動社會網(wǎng)絡中基于位置的個性化餐館推薦建模研究論文10-31
論文：淺談基于IP網(wǎng)絡的Qos策略研究06-23
淺談歌唱中的位置與方法論文03-30
基于移動Agent系統(tǒng)的安全技術(shù)研究論文11-06
網(wǎng)絡社會研究管理的論文10-17