基于移动用户行为的智能应用推荐算法和框架的研究

• 作 者: 杨凡超
• 出 处: 电子科技大学
• 发表日期: 2016年01期
• 关键词: 移动应用 推荐系统 用户模型 行为迁移

随着移动互联网产业的飞速发展,移动应用市场出现了爆炸性增长。不断增长的应用数量在带来商业机遇的同时,也造成了移动应用的信息过载问题。推荐系统作为经典的信息过载解决方案,已经在其它商品领域中取得了显著的成效。然而,在移动应用推荐领域,传统推荐系统面临着两大困难:其一,由于隐私、用户惰性和商业保护的限制,协同过滤推荐系统所需要的高质量评分数据难以采集;其二,缺乏从用户群体角度描述用户行为迁移和演化的机制,导致当前对移动用户行为模式分析算法难以被用于改善移动应用推荐系统的效果。为此,本文针对上述困难对基于移动用户行为的应用推荐算法进行了研究,提出了基于用户行为的隐性评分算法和基于自组织网络坐标的行为迁移分析算法。本文还实现了一套分布式离线推荐系统原型框架为上述两种算法提供大数据内存运算和分布式存储支持。本文的研究重点之一是基于移动用户行为日志的隐性评分生成算法。该算法旨在利用可以广泛采集的移动用户行为日志生成可被推荐系统高效利用的应用评分,从而解决缺乏评分数据的问题。该算法基于无监督的混合高斯模型进行设计,分为行为模型和评分算法两部分。行为模型通过混合高斯模型分析并捕获用户群体使用应用的行为模式。评分算法则利用行为模型的输出,生成用户对应用的隐性评分。本文的另一项研究重点是基于自组织网络坐标的行为迁移分析算法。该算法的设计目的是提供关于用户群体间行为迁移的描述方案,在此基础上,利用已经成熟的序列挖掘算法,可以有效地对移动用户关于智能应用的行为迁移进行分析,分析结果有助于改善推荐系统的推荐效果。此外,为了能够支撑上述算法的高效运行,本文还提供了一套包括存储模型和混合推荐算法模块在内的推荐系统框架原型。最后,本文分别针对上述推荐算法研究的准确性指标、新颖度指标和运行效率进行了测试,同时对框架的存储模型和混合推荐模块进行了测试。实验结果表明隐性评分算法较监督学习评分算法有更稳定的输出,且在无标签数据集上的F1指标有平均13%的提升;行为迁移算法相较其它随机推荐算法在相同准确率损失的量度下,新颖度增益更高;存储模型的效率和混合推荐模块的推荐效果均略高于同类实现。