论文部分内容阅读
移动互联网的快速发展为人们的生活带来了巨大改变，特别是LBS（LocationBased Services，基于位置服务）的不断深入更是带来了诸多便利。但同时，移动互联网同样面临着信息过载，以及移动设备无法高效地处理和展示信息等问题，因而研究如何为用户推荐满足其个性化需求的服务成为应对这些问题的热点。目前对移动互联网环境下的个性化推荐研究还不够深入，传统推荐方法也很少考虑移动互联网所具备的特性：如移动性、位置相关性、快速响应性以及可识别性等。而这些正是移动互联网环境下个性化推荐的需要，即需要满足以下要求：位置敏感，可以处理用户突发需求，以及可以有效缓解冷启动问题。根据移动互联网的相关要求，本文通过融入位置情境构建基于LBS的用户兴趣模型，并在预测用户下一个位置的基础上，获得用户在当前及预测的位置情境下可能具有的兴趣，通过推荐移动生活服务资源类目，再到推荐服务资源实例，完成对移动生活服务的个性化推荐，本文的主要工作如下：（1）构建了移动生活服务本体模型，建立领域知识的基本概念，概念的属性以及层次关系等，并将移动生活服务与兴趣概念结合起来；（2）构建了U-C-I用户兴趣模型（User-Context-Interest，用户-位置情境-兴趣模型），该模型是个三维矩阵，融入了位置情境信息，记录的是用户在特定位置情境下对兴趣类别的兴趣度；（3）预测用户下一个位置，通过拓展用户的位置，使推荐不再局限于用户当前所处的位置情境，进而可以为用户提供更多的选择以满足其潜在需求；（4）设计了“下一个位置→兴趣→服务资源类目→服务资源实例集”的四步推荐机制，在满足用户需求的前提下保持推荐项的多样性，其中兴趣→服务资源类目是基于移动生活服务本体模型，而服务资源类目→服务资源实例集则是通过用户偏好相似度计算得到。本文通过结合位置情境信息与用户兴趣，可以满足移动互联网下个性化推荐的位置敏感和用户突发需求的要求；另外，服务资源实例的推荐不依赖于其是否拥有评分或交易记录，新用户也可以利用相同位置情境下其他用户的特征得到推荐，可以有效缓解冷启动问题。通过对推荐流程和算法的研究，以及实证结果的分析，证实了算法的可行性和有效性，可以满足用户在移动互联网环境下对个性化推荐的要求。