邰淳亮，謝 怡，孫知信,2

(1.南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210003；2.南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院，江蘇 南京 210003)

一種基于用戶(hù)興趣的位置服務(wù)推薦算法

邰淳亮1，謝 怡1，孫知信1,2

(1.南京郵電大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 南京 210003；2.南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院，江蘇 南京 210003)

隨著移動(dòng)網(wǎng)絡(luò)經(jīng)濟(jì)用戶(hù)數(shù)、商戶(hù)數(shù)和覆蓋范圍的擴(kuò)大，基于用戶(hù)位置的商家信息推送勢(shì)必會(huì)經(jīng)歷“信息爆炸”和“信息過(guò)載”，而解決因信息過(guò)載導(dǎo)致用戶(hù)與商家之間的信息迷失的最有效辦法是基于用戶(hù)興趣的用戶(hù)位置服務(wù)(LBS)推薦。為此，在分別從位置服務(wù)技術(shù)、用戶(hù)的興趣模型，以及個(gè)性化推薦算法三個(gè)方面深入研究移動(dòng)位置服務(wù)的個(gè)性化推薦系統(tǒng)、分析個(gè)性化推薦研究現(xiàn)狀以及對(duì)比分析各種推薦算法的基礎(chǔ)上，基于貝葉斯理論，提出了一種適用于移動(dòng)位置服務(wù)的個(gè)性化推薦算法。該算法能準(zhǔn)確地預(yù)測(cè)用戶(hù)在某一情景下消費(fèi)的興趣偏好。為驗(yàn)證所提出算法的有效性和可行性，基于所構(gòu)建的推薦系統(tǒng)進(jìn)行了實(shí)驗(yàn)驗(yàn)證測(cè)試。實(shí)驗(yàn)結(jié)果表明，所提出的算法能夠有效地向移動(dòng)用戶(hù)提供個(gè)性化推薦服務(wù)。

位置服務(wù)；用戶(hù)建模；個(gè)性化推薦；用戶(hù)興趣

0 引 言

自20世紀(jì)末誕生以來(lái)，推薦系統(tǒng)在互聯(lián)網(wǎng)領(lǐng)域發(fā)揮著重要作用，電子商務(wù)、音樂(lè)、視頻等推薦系統(tǒng)不斷服務(wù)著人們的生活。隨著移動(dòng)網(wǎng)絡(luò)經(jīng)濟(jì)用戶(hù)數(shù)、商戶(hù)數(shù)和覆蓋范圍的擴(kuò)大，基于用戶(hù)位置的商家信息推送勢(shì)必會(huì)經(jīng)歷“信息爆炸”和“信息過(guò)載”，而解決因信息過(guò)載導(dǎo)致用戶(hù)與商家之間的信息迷失的最有效辦法是基于用戶(hù)興趣的用戶(hù)位置服務(wù)(LBS)推薦。相比較于傳統(tǒng)的PC設(shè)備，移動(dòng)設(shè)備的特點(diǎn)是隨身攜帶方便，但是頁(yè)面承載的信息量十分有限，此特點(diǎn)決定了信息的展現(xiàn)需要更精準(zhǔn)地符合用戶(hù)的個(gè)體需求，這些因素推動(dòng)著基于LBS推薦系統(tǒng)研究的深入[1]。

為此，在分別從位置服務(wù)技術(shù)、用戶(hù)興趣模型，以及個(gè)性化推薦算法三個(gè)方面深入研究移動(dòng)位置服務(wù)的個(gè)性化推薦系統(tǒng)、分析個(gè)性化推薦研究現(xiàn)狀以及對(duì)比分析各種推薦算法的基礎(chǔ)上，基于貝葉斯理論，提出了一種適用于移動(dòng)位置服務(wù)的個(gè)性化推薦算法。該算法利用貝葉斯方法預(yù)測(cè)用戶(hù)在某一情景下消費(fèi)的概率，設(shè)計(jì)并實(shí)現(xiàn)了基于用戶(hù)興趣的位置服務(wù)推薦系統(tǒng)，并對(duì)系統(tǒng)進(jìn)行了實(shí)驗(yàn)驗(yàn)證測(cè)試，以驗(yàn)證該算法的有效性和可行性。

1 相關(guān)技術(shù)研究

1.1位置服務(wù)

LBS(Location-Based Service，基于位置的服務(wù))在物流、導(dǎo)航、娛樂(lè)、電子商務(wù)等領(lǐng)域都有廣泛的應(yīng)用。O2O就是LBS典型的應(yīng)用方向。一個(gè)LBS應(yīng)用主要由四個(gè)方面構(gòu)成：移動(dòng)終端、定位技術(shù)、通信網(wǎng)絡(luò)、服務(wù)和內(nèi)容，這四部分相互配合，為用戶(hù)提供基于位置的信息服務(wù)。定位技術(shù)是LBS的實(shí)現(xiàn)基礎(chǔ)，只有解決好了定位問(wèn)題，才能為用戶(hù)提供高質(zhì)量的位置服務(wù)。目前定位技術(shù)可以分為三類(lèi)：基于網(wǎng)絡(luò)的定位技術(shù)、基于衛(wèi)星的定位技術(shù)和感知定位技術(shù)。位置服務(wù)開(kāi)發(fā)平臺(tái)(LBS平臺(tái))根據(jù)LBS應(yīng)用的特點(diǎn)，從不同類(lèi)型的LBS應(yīng)用中抽象出它們的共性，進(jìn)而把這些共性封裝在一個(gè)平臺(tái)上，使LBS平臺(tái)成為一個(gè)通用的和易于擴(kuò)展的位置服務(wù)開(kāi)發(fā)平臺(tái)，在此平臺(tái)的基礎(chǔ)上開(kāi)發(fā)出具備各種功能的LBS應(yīng)用系統(tǒng)[2]。

1.2用戶(hù)興趣建模

個(gè)性化推薦系統(tǒng)是以用戶(hù)需求、興趣或者偏好為基礎(chǔ)，結(jié)合信息特征，建立起用戶(hù)與信息對(duì)象之前的聯(lián)系，提供針對(duì)性的信息服務(wù)。所以，在推薦系統(tǒng)中，首先要解決用戶(hù)興趣模型建立的問(wèn)題，即用戶(hù)興趣模型如何表示與更新，其次是如何利用用戶(hù)興趣模型進(jìn)行個(gè)性化推薦。用戶(hù)興趣模型是關(guān)于用戶(hù)興趣、特征和活動(dòng)知識(shí)的表示模型[3]。用戶(hù)興趣建模過(guò)程主要分為：用戶(hù)識(shí)別、用戶(hù)信息獲取和用戶(hù)建模[4-7]。

1.3個(gè)性化推薦算法

內(nèi)容過(guò)濾推薦系統(tǒng)是基于內(nèi)容過(guò)濾算法(Content-Based Filtering，CBF)，對(duì)于某一項(xiàng)目，假如在內(nèi)容上與該用戶(hù)之前感興趣的信息項(xiàng)目相似，那么可以推斷用戶(hù)也對(duì)該項(xiàng)目感興趣。所以該算法的重點(diǎn)在于評(píng)估用戶(hù)沒(méi)發(fā)現(xiàn)的物品與用戶(hù)之前喜歡的物品之間的相似程度。

CBF基于內(nèi)容推薦的依賴(lài)，使其無(wú)法對(duì)難以解析的信息對(duì)象實(shí)現(xiàn)推薦，比如音視頻等多媒體信息。另外該算法沒(méi)有充分利用用戶(hù)群體的知識(shí)，無(wú)法發(fā)現(xiàn)潛在的信息需求，很難實(shí)現(xiàn)具有聯(lián)想性的推薦。

協(xié)作過(guò)濾推薦(Collaborative Filtering，CF)源于“集體智慧”的思想，利用相關(guān)其他用戶(hù)的偏好來(lái)預(yù)測(cè)當(dāng)前用戶(hù)的偏好，也可以是當(dāng)前用戶(hù)與其他用戶(hù)在部分項(xiàng)目中的偏好數(shù)據(jù)來(lái)預(yù)測(cè)其潛在偏好，通過(guò)發(fā)現(xiàn)與用戶(hù)興趣相似的鄰居用戶(hù)，并將鄰居用戶(hù)感興趣的信息項(xiàng)目推薦給目標(biāo)用戶(hù)[8]。協(xié)同過(guò)濾推薦克服了基于內(nèi)容推薦的兩點(diǎn)不足：內(nèi)容分析能力有限以及無(wú)法挖掘用戶(hù)潛在興趣。

文獻(xiàn)[9]發(fā)現(xiàn)，在實(shí)際應(yīng)用中，用戶(hù)一般只會(huì)評(píng)價(jià)比例很少的一部分物品，因此導(dǎo)致評(píng)分矩陣一般較為稀疏，所以協(xié)同過(guò)濾算法面臨的主要難題是用戶(hù)評(píng)分?jǐn)?shù)據(jù)稀疏性問(wèn)題。同時(shí)，用戶(hù)興趣和需求會(huì)隨著時(shí)間與空間的變化而發(fā)生變化，但是傳統(tǒng)的協(xié)同過(guò)濾并沒(méi)有考慮情景因素對(duì)用戶(hù)偏好的影響。目前，關(guān)于協(xié)同過(guò)濾算法的研究集中在數(shù)據(jù)稀疏性和情景因素方面。

盡管移動(dòng)推薦系統(tǒng)的基本思想與傳統(tǒng)互聯(lián)網(wǎng)推薦系統(tǒng)相似，但傳統(tǒng)的互聯(lián)網(wǎng)用戶(hù)的推薦方法不能直接用到移動(dòng)推薦中[10]。文獻(xiàn)[11]提出一種根據(jù)應(yīng)用類(lèi)型來(lái)確定不同的位置定位精度的方法，比如基于位置的廣告推薦和好友推薦所需的位置精度相對(duì)較低，而導(dǎo)航等服務(wù)則需要較高的精度，那么在不同的情景下使用合適的定位算法。文獻(xiàn)[12]利用貝葉斯分類(lèi)法，把當(dāng)前時(shí)間上下文進(jìn)行分類(lèi)，分為工作日和周末。文獻(xiàn)[13]在為智能設(shè)備推薦電影時(shí)，也考慮了上下文因素，包括位置、動(dòng)作、室內(nèi)室外、是否為節(jié)假日和時(shí)間。文獻(xiàn)[14]分析了用戶(hù)購(gòu)買(mǎi)時(shí)間和項(xiàng)目上架時(shí)間的關(guān)系，將用戶(hù)的購(gòu)買(mǎi)記錄按購(gòu)買(mǎi)時(shí)間分成不同的購(gòu)買(mǎi)組，如早期、當(dāng)前、后期等，該方法考慮了時(shí)間推移對(duì)用戶(hù)興趣變化的影響。

在移動(dòng)位置服務(wù)推薦中，不少文獻(xiàn)把內(nèi)容過(guò)濾推薦和協(xié)作過(guò)濾推薦組合在一起，解決單一推薦方法存在的問(wèn)題，或者重點(diǎn)考慮用戶(hù)的上下文環(huán)境，忽略了用戶(hù)評(píng)分這一因素。因此將從用戶(hù)評(píng)分中發(fā)現(xiàn)用戶(hù)偏好，并且考慮用戶(hù)情景對(duì)推薦結(jié)果的影響，設(shè)計(jì)一種基于用戶(hù)興趣的位置服務(wù)推薦算法。

2 基于用戶(hù)興趣的位置服務(wù)推薦算法

2.1用戶(hù)評(píng)分特征

用戶(hù)在商家消費(fèi)完后，對(duì)商家的特色、服務(wù)產(chǎn)生直觀的看法，此時(shí)用戶(hù)對(duì)商家的評(píng)分可以反映出對(duì)商家的喜愛(ài)程度，進(jìn)而可以推廣為對(duì)這一類(lèi)商家的喜愛(ài)程度。為了能量化用戶(hù)對(duì)商家的評(píng)分特征，評(píng)分量表使用五分制，覆蓋從“非常不喜歡”到“非常喜歡”，由于商家信息經(jīng)過(guò)標(biāo)簽化處理，用戶(hù)可以對(duì)每個(gè)標(biāo)簽關(guān)鍵詞進(jìn)行評(píng)分，細(xì)化了用戶(hù)對(duì)商家的評(píng)價(jià)。

2.1.1 建立用戶(hù)評(píng)分標(biāo)簽

用戶(hù)通過(guò)對(duì)商家的標(biāo)簽關(guān)鍵詞給予評(píng)分來(lái)表達(dá)對(duì)商家的喜愛(ài)程度。每個(gè)商家含有多個(gè)標(biāo)簽關(guān)鍵詞，每個(gè)用戶(hù)可以對(duì)多個(gè)商家的多個(gè)標(biāo)簽關(guān)鍵詞進(jìn)行評(píng)分，分?jǐn)?shù)范圍為1至5，1分表示不喜歡，5分表示很喜歡，分?jǐn)?shù)高低反映出用戶(hù)對(duì)商家的喜愛(ài)程度。由于標(biāo)簽還可以自由組合，形成新的商家信息，因此分析用戶(hù)對(duì)商家的評(píng)分信息，其重點(diǎn)不在于發(fā)現(xiàn)哪些商家獲得較高的評(píng)分值，而主要是找到被用戶(hù)賦予較高分值的是哪些標(biāo)簽，把這些標(biāo)簽提取出來(lái)，并進(jìn)行相關(guān)組合，那么可以得到其他含有此類(lèi)標(biāo)簽的商家，這些商家將作為推薦候選。圖1是用戶(hù)-商家-標(biāo)簽-評(píng)分之間的關(guān)系。

圖1 用戶(hù)-商家-標(biāo)簽-評(píng)分之間的關(guān)系

標(biāo)簽可以看作是項(xiàng)目的內(nèi)容，基于標(biāo)簽的推薦從本質(zhì)上可以視為基于內(nèi)容過(guò)濾的推薦，維護(hù)好每個(gè)物品特征的詳細(xì)列表，將這些信息保存在數(shù)據(jù)庫(kù)中，根據(jù)用戶(hù)不同的興趣，用這些特征描述他們的偏好，推薦要做的就是將物品特征和用戶(hù)偏好匹配起來(lái)，而這也正是分析用戶(hù)-商家-標(biāo)簽-評(píng)分間關(guān)系的目的，進(jìn)而發(fā)現(xiàn)用戶(hù)的評(píng)分特征。文獻(xiàn)[15]在電影領(lǐng)域利用基于標(biāo)簽的推薦，方法是組合兩種數(shù)據(jù)源，分別是奈飛評(píng)分?jǐn)?shù)據(jù)庫(kù)和互聯(lián)網(wǎng)電影數(shù)據(jù)庫(kù)。

同樣地，在本地生活領(lǐng)域的服務(wù)推薦中也可以利用評(píng)分標(biāo)簽云，每個(gè)商家可以視為一組特征關(guān)鍵詞。通過(guò)分析用戶(hù)的歷史評(píng)分信息，建立起用戶(hù)不同評(píng)分等級(jí)所包含的標(biāo)簽關(guān)鍵詞。例如，從歷史評(píng)分記錄中發(fā)現(xiàn)用戶(hù)A經(jīng)常評(píng)5分的商家通常會(huì)有標(biāo)簽“火鍋”、“川湘菜”或“環(huán)境優(yōu)雅”等，那么根據(jù)這些信息，可以找出用戶(hù)A沒(méi)有評(píng)分但含有標(biāo)簽“火鍋”、“川湘菜”和“環(huán)境優(yōu)雅”這樣關(guān)鍵詞的商家，并猜測(cè)這些商家會(huì)被用戶(hù)A評(píng)5分。

設(shè)某個(gè)特定用戶(hù)u∈U，U是所有用戶(hù)的集合；某個(gè)商家m∈M，M是所有商家的集合；評(píng)分值記為r∈R，R是可能評(píng)分值的集合，且R={1，2，…，5}。

定義Mu為用戶(hù)u評(píng)分的商家集合，用戶(hù)u∈U對(duì)商家m∈Mu的評(píng)分值記為fu(m)∈R。K是所有標(biāo)簽關(guān)鍵詞的全集，Km為與商家m有關(guān)的標(biāo)簽關(guān)鍵詞集合。

根據(jù)以上條件，定義nk(u,r)表示用戶(hù)u評(píng)分為r的商家中，標(biāo)簽關(guān)鍵詞k出現(xiàn)的頻次。其中，用戶(hù)u的評(píng)分值為r，k∈K代表關(guān)鍵詞，因此nk(u,r)可以定義為：

nk(u,r)=

|{m|m∈Mu∧k∈Km∧fu(m)=r}|

(1)

這一數(shù)值反映了用戶(hù)將評(píng)分等級(jí)設(shè)為r時(shí)，在這一分值等級(jí)下，標(biāo)簽k的分布情況，間接體現(xiàn)了用戶(hù)的偏好。

定義Nu,r為元組(k,nk(u,r))的集合，那么Nu,r表示被用戶(hù)u評(píng)分為r的所有關(guān)鍵詞標(biāo)簽，以及這些標(biāo)簽出現(xiàn)的次數(shù)。所以用Nu,r可以刻畫(huà)在不同的評(píng)分等級(jí)下用戶(hù)的標(biāo)簽評(píng)分特征。由此也可以推出，找到用戶(hù)評(píng)分為5時(shí)出現(xiàn)次數(shù)最多的標(biāo)簽關(guān)鍵詞，假如某一商家的標(biāo)簽恰好與這些標(biāo)簽重合，也就可以認(rèn)為用戶(hù)對(duì)該商家的評(píng)分為5，用戶(hù)非常喜歡該商家。

2.1.2 基于用戶(hù)評(píng)分特征的匹配

由上一節(jié)可知，Nu,r刻畫(huà)了用戶(hù)的標(biāo)簽評(píng)分特征，反映出用戶(hù)對(duì)某一類(lèi)型商家的偏好程度。為了預(yù)測(cè)用戶(hù)對(duì)某一沒(méi)有消費(fèi)過(guò)商家的評(píng)分，只需將商家的標(biāo)簽與用戶(hù)的標(biāo)簽評(píng)分特征Nu,r進(jìn)行匹配，當(dāng)交集最大時(shí)，就可以得到預(yù)測(cè)評(píng)分。

σ(u,m*,r)=|{(k,nk)∈Nu,r|k∈Km*}|

(2)

當(dāng)用戶(hù)評(píng)分特征Nu,r與商家m*相關(guān)的標(biāo)簽集合交集最大時(shí)，就能得到評(píng)分r*。如果預(yù)測(cè)評(píng)分越高，說(shuō)明用戶(hù)對(duì)該商家越滿意，應(yīng)加入到推薦列表中。

2.2用戶(hù)情景需求

移動(dòng)位置服務(wù)的一大特點(diǎn)是用戶(hù)的位置環(huán)境處于實(shí)時(shí)變化中，因此對(duì)位置服務(wù)的需求也在時(shí)刻變化。把用戶(hù)需求作為用戶(hù)興趣模型的重要一部分，把季節(jié)、時(shí)間和節(jié)假日之間的組合進(jìn)行分類(lèi)，得到每種類(lèi)別下用戶(hù)消費(fèi)某一類(lèi)標(biāo)簽商家的概率。

2.2.1 用戶(hù)情景分類(lèi)

所描述的用戶(hù)情景需求包括季節(jié)、時(shí)間和節(jié)假日三個(gè)屬性，用三元組Cs表示如下：

Cs=,Season∈(S={Si|i=1,2,3,4}),Time∈(T={Ti|i=1,2,3}),Holiday∈(H={Hi|i=0,1}

(3)

其中，Si表示第i種季節(jié)，依次對(duì)應(yīng)為春夏秋冬；T由三個(gè)時(shí)間段組成，分別對(duì)應(yīng)上午、中午和下午；H表示節(jié)假日，“1”表示節(jié)假日，“0”表示非節(jié)假日。

根據(jù)排列組合的規(guī)則，用戶(hù)情景有24種情況，例如C1=<1,1,0>，表示春天、上午和非節(jié)假日。系統(tǒng)需要記錄用戶(hù)在不同情景下的商家消費(fèi)情況，用戶(hù)的歷史消費(fèi)記錄可以表示為情景信息與商家標(biāo)簽信息的組合，定義record為用戶(hù)歷史消費(fèi)記錄，則可表示為：

record=

(4)

例如，用戶(hù)u在12月5號(hào)中午在一家環(huán)境優(yōu)雅的西餐廳點(diǎn)了一份價(jià)格適中的西冷牛排，那么該條記錄可以表示為：

recordu=<冬天，中午，非節(jié)假日|西餐，牛排，價(jià)格合理，環(huán)境優(yōu)雅>

(5)

2.2.2 用戶(hù)消費(fèi)傾向預(yù)估

用戶(hù)消費(fèi)情景，也可以表述為用戶(hù)消費(fèi)時(shí)的上下文環(huán)境。在特定的情景下，用戶(hù)的需求會(huì)比較確定。例如，用戶(hù)A喜歡在夏天吃冰淇淋，冬天喜歡吃火鍋，那么當(dāng)該用戶(hù)外出時(shí)，拿出手機(jī)查詢(xún)周?chē)纳碳視r(shí)，就應(yīng)該分析該用戶(hù)所處的季節(jié)，進(jìn)而推薦相應(yīng)的商家。文獻(xiàn)[12]通過(guò)分析用戶(hù)所處的上下文環(huán)境，為移動(dòng)用戶(hù)推薦合適的電影。文獻(xiàn)[13]對(duì)文獻(xiàn)[12]提出的算法進(jìn)行改進(jìn)，并且在上下文環(huán)境中增加了用戶(hù)動(dòng)作、設(shè)備是否在用戶(hù)手上、具體時(shí)間等，利用SVM、k值最近鄰等方法對(duì)上下文環(huán)境進(jìn)行識(shí)別，最后通過(guò)20名實(shí)驗(yàn)者來(lái)判斷推薦的電影是否滿意。由此可以看出，文獻(xiàn)[12]和文獻(xiàn)[13]在電影推薦領(lǐng)域運(yùn)用貝葉斯分類(lèi)法則，用一組特征關(guān)鍵詞表示電影信息，在用戶(hù)觀看記錄中，將電影信息和觀看時(shí)的上下文環(huán)境組合在一起，便于預(yù)測(cè)今后在某個(gè)情景下用戶(hù)觀影的傾向。

從上文的商家信息標(biāo)簽化處理可以得到，商家信息也能用一組特征標(biāo)簽向量表示，而且用戶(hù)的消費(fèi)情景也可以用季節(jié)、時(shí)間和節(jié)假日三個(gè)屬性表示，這三個(gè)屬性通過(guò)自由組合，能夠形成24種用戶(hù)情景，用戶(hù)消費(fèi)記錄中所要保存的是在每種情景下用戶(hù)消費(fèi)過(guò)的商家特征標(biāo)簽向量。所以，在移動(dòng)位置服務(wù)推薦領(lǐng)域，也可以運(yùn)用貝葉斯法則，給定用戶(hù)的消費(fèi)記錄，整理出每種情景下消費(fèi)某一類(lèi)標(biāo)簽商家的次數(shù)，由此預(yù)估用戶(hù)下次再遇到相似的情景時(shí)，選擇商家消費(fèi)的概率。

通過(guò)分析用戶(hù)的歷史消費(fèi)記錄，運(yùn)用貝葉斯法則，計(jì)算出用戶(hù)u在某一種情景下，消費(fèi)某一組標(biāo)簽向量商家的概率。

(6)

(7)

其中，n(fi,Cj)表示在消費(fèi)情景Cj下，選擇包含標(biāo)簽fi商家的次數(shù)；n(Cj)表示在Cj條件下所有標(biāo)簽的出現(xiàn)次數(shù)；|Vj|表示在Cj條件下出現(xiàn)標(biāo)簽的個(gè)數(shù)。

2.3個(gè)性化推薦

個(gè)性化商家推薦列表的生成綜合評(píng)估了用戶(hù)的實(shí)時(shí)地理位置，歷史評(píng)分特征和情景需求。通過(guò)用戶(hù)的地理位置，系統(tǒng)拉取了周?chē)鞣N類(lèi)型的商家信息，然后根據(jù)用戶(hù)的評(píng)分特征和情景需求，篩選出符合用戶(hù)興趣的商家。圖2顯示了個(gè)性推薦生成過(guò)程。

圖2 個(gè)性化推薦生成

對(duì)于用戶(hù)u，商家m*的加權(quán)預(yù)估評(píng)分值計(jì)算。

(8)

根據(jù)最后得出的加權(quán)預(yù)估評(píng)分值，分值越高的商家越值得向用戶(hù)推薦。

3 基于用戶(hù)興趣的位置服務(wù)推薦系統(tǒng)設(shè)計(jì)

3.1系統(tǒng)流程框架

用戶(hù)登錄系統(tǒng)，首先獲取的是用戶(hù)實(shí)時(shí)地理位置，然后是用戶(hù)歷史消費(fèi)記錄和用戶(hù)的評(píng)分?jǐn)?shù)據(jù)，基于這些信息能夠挖掘出用戶(hù)的興趣，構(gòu)建用戶(hù)興趣模型，而且商家的語(yǔ)句性描述信息也要進(jìn)行標(biāo)簽化處理，以便匹配用戶(hù)興趣，生成推薦列表。系統(tǒng)流程如圖3所示。

圖3 系統(tǒng)流程圖

3.2系統(tǒng)功能模塊設(shè)計(jì)

設(shè)計(jì)的基于用戶(hù)興趣的位置服務(wù)推薦系統(tǒng)主要分為三個(gè)模塊：商家信息管理模塊、用戶(hù)興趣模型模塊和個(gè)性化推薦模塊，在每個(gè)模塊下面又做進(jìn)一步的細(xì)分，其中商家信息模塊負(fù)責(zé)提取商家的關(guān)鍵信息，并且用一組特征向量表示，便于后續(xù)個(gè)性化推薦中與用戶(hù)興趣進(jìn)行匹配，而用戶(hù)興趣模型則主要把用戶(hù)的興趣特征提取出來(lái)，也是為個(gè)性化推薦服務(wù)。圖4顯示了系統(tǒng)細(xì)分的模塊。

4 推薦系統(tǒng)的實(shí)現(xiàn)

該系統(tǒng)采用SSH2(Struts2+Spring+Hibernate)框架進(jìn)行開(kāi)發(fā)，將系統(tǒng)分為表現(xiàn)層、業(yè)務(wù)層、數(shù)據(jù)持久層。Struts2實(shí)現(xiàn)了MVC模型，首先利用攔截器獲取用戶(hù)的實(shí)時(shí)請(qǐng)求信息，充當(dāng)了控制層的作用，獲取用戶(hù)的請(qǐng)求信息之后，與業(yè)務(wù)層進(jìn)行交互，結(jié)果將返回到具體的表現(xiàn)層界面，最后表現(xiàn)層中包含的頁(yè)面信息將會(huì)返回到具體的客戶(hù)端。Android客戶(hù)端采用的是MVC(Model-View-Controller)模型，視圖層建立View視圖模型，以XML文件的方式進(jìn)行界面設(shè)計(jì)，用于接收消息，并對(duì)數(shù)據(jù)進(jìn)行展示和更新的操作，控制層Controller則通過(guò)控制器Activity，與用戶(hù)進(jìn)行交互，用于接收View視圖的操作請(qǐng)求，同時(shí)，對(duì)于處理完成的數(shù)據(jù)交給View層進(jìn)行數(shù)據(jù)更新，保證Model和View的同步。模型層Model接收來(lái)自Controller的數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行處理，同時(shí)完成程序的業(yè)務(wù)邏輯處理，將處理完成的數(shù)據(jù)通知Controller，保證視圖的實(shí)時(shí)更新。

圖4 系統(tǒng)細(xì)分模塊圖

測(cè)試系統(tǒng)依次實(shí)現(xiàn)登錄、獲取位置信息、添加標(biāo)簽、完成推薦等功能。系統(tǒng)測(cè)試如圖5所示。

圖5 基于用戶(hù)興趣的位置服務(wù)推薦系統(tǒng)測(cè)試圖

5 結(jié)束語(yǔ)

智能設(shè)備與移動(dòng)互聯(lián)網(wǎng)的發(fā)展普及，有效地促進(jìn)了移動(dòng)用戶(hù)對(duì)智能設(shè)備功能的多方面需求，促使其生活方式發(fā)生諸多變化。智能設(shè)備的應(yīng)用催生了基于用戶(hù)興趣的位置服務(wù)推薦系統(tǒng)。為此，圍繞時(shí)間因素，提出了基于用戶(hù)歷史評(píng)分和興趣消費(fèi)情景的用戶(hù)服務(wù)推薦系統(tǒng)。而作為推薦系統(tǒng)的算法，其效果多依賴(lài)于用戶(hù)主觀因素，仍缺乏其實(shí)際推薦效果的考察。為此，對(duì)提出算法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，該算法能夠有效地向移動(dòng)用戶(hù)提供個(gè)性化推薦服務(wù)。

移動(dòng)互聯(lián)網(wǎng)時(shí)代的到來(lái)，信息資源的獲取和推送可以以任何方式發(fā)生在任何時(shí)間和任何地點(diǎn)，移動(dòng)位置推薦系統(tǒng)利用移動(dòng)環(huán)境在信息推薦方面的優(yōu)勢(shì)，克服其不利因素，基于用戶(hù)偏好來(lái)預(yù)測(cè)和過(guò)濾不相關(guān)的信息，為移動(dòng)用戶(hù)提供個(gè)性化服務(wù)，為解決“移動(dòng)信息過(guò)載”提供了一種有效方式。

[1] Jannach D,Zanker M,Felfernig A,et al.推薦系統(tǒng)[M].蔣 凡,譯.北京:人民郵電出版社,2013.

[2] 盛 珍.基于Android平臺(tái)的LBS應(yīng)用系統(tǒng)開(kāi)發(fā)技術(shù)研究[D].昆明：云南大學(xué)，2012.

[3] Razmerita L.An ontology-based framework for modeling user behavior-a case study in knowledge management[J].IEEE Transaction on Systems and Humans,2011,41(4):772-783.

[4] 袁 柳，張龍波.個(gè)性化檢索中的用戶(hù)特征模型研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(15):19-24.

[5] Wetzker R,Zimmermann C,Bauckhage C,et al.I tag,you tag:translating tags for advanced user model[C]//Proceedings of the third ACM international conference on web search and data mining.[s.l.]:ACM,2010:71-80.

[6] 任 磊.推薦系統(tǒng)關(guān)鍵技術(shù)研究[D].上海：華東師范大學(xué)，2012.

[7] 孟祥武，王 凡，史艷翠,等.移動(dòng)用戶(hù)需求獲取技術(shù)及其應(yīng)用[J].軟件學(xué)報(bào)，2014,25(3)：439-456.

[8] 王立才，孟祥武，張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報(bào)，2012,23(1)：1-20.

[9] Bobadilla J,Ortega F,Hernando A,et al.A collaborative filtering approach to mitigate the new user cold start problem[J].Knowledge-Based System,2012,26:225-238.

[10] 孟祥武，胡 勛，王立才,等.移動(dòng)推薦系統(tǒng)及其應(yīng)用[J].軟件學(xué)報(bào)，2013,24(1)：91-108.

[11] Basiri A,Lohan E S.Overview of positioning technologies from fitness-to-purpose point of view[C]//International conference on localization and GNSS.Helsinki,Finland:IEEE,2014:1-7.

[12] Yu Z,Zhou X,Zhang D,et al.Supporting context-aw-are media recommendation for smart phones[J].IEEE Pervasive Computing,2006,5(3):68-75.

[13] Moradeyo A,Teresa M.Supporting context-aware cloud-based media recommendation for smartphones[C]//2nd IEEE international conference on mobile cloud computing,service and engineering.Oxford,England:IEEE,2014:109-117.

[14] Lee T Q,Park Y,Park Y T.A time-based approach to effective recommender systems using implicit feedback[J].Expert Systems with Applications,2008,34(4):3055-3062.

[15] Szomszor C,Cattuto H,Alani K,et al.Folksonomies,the semantic web,and movie recommendation[C]//Workshop on bridging the gap between semantic Web and Web 2.0.Innsbruck,Austria:Springer,2007:71-84.

A Recommendation Algorithm of Location Service Based on User Interest

TAI Chun-liang1，XIE Yi1，SUN Zhi-xin1,2

(1.School of Computer Science,Nanjing University of Posts and Telecommunications,Nanjing 210003,China；2.School of IOT,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

With the increase of consumers and merchants,information pushing services based on consumers’ localities are deemed to go through information explosion and communication overload.Locality service recommendation based on consumers’ interests is an effective method to deal with information misleading between consumers and merchants stemmed from the information overload.In order to solve the problem mentioned above,after the individual recommendation system based on mobile locality has been researched on three aspects,locality service technique,consumers’ interest model and individual recommendation algorithms respectively as well as the status of investigation on individual recommendation and contrast analysis on various recommendation algorithms.Based on Bayesian theory,an individual recommendation algorithm suitable for mobile location services is proposed,which can predict consumers’ consumption interest accurately in a certain scenario.In order to verify its effectiveness and feasibility,a series of simulation experiments for verification have been conducted with the established recommendation system,which show that it has provided efficient individual recommendation services to mobile consumers.

location-based service;user modeling;personalized recommendation;user interest

2016-08-13

：2016-11-24 < class="emphasis_bold">網(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-07-11

國(guó)家自然科學(xué)基金資助項(xiàng)目(60973140,61170276,61373135)；江蘇省產(chǎn)學(xué)研項(xiàng)目(BY2013011)；江蘇省科技型企業(yè)創(chuàng)新基金項(xiàng)目(BC2013027)；江蘇省高校自然科學(xué)研究重大項(xiàng)目(12KJA520003)

邰淳亮(1989-)，男，碩士研究生，研究方向?yàn)榛诰W(wǎng)絡(luò)的計(jì)算機(jī)軟件應(yīng)用技術(shù);孫知信，博士,教授，研究方向?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)與安全。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1452.006.html

TP301.6

:A

:1673-629X(2017)09-0064-06

10.3969/j.issn.1673-629X.2017.09.014