吳明禮，楊雙亮

(北方工業(yè)大學，北京 100144)

基于移動特征數(shù)據(jù)的內(nèi)容推送技術(shù)研究與應用

吳明禮，楊雙亮

(北方工業(yè)大學，北京 100144)

隨著移動互聯(lián)網(wǎng)的快速發(fā)展以及移動設備的普及，移動信息內(nèi)容推送已經(jīng)成為當前的熱點之一。根據(jù)移動終端用戶的行為習慣確定內(nèi)容推送，提高內(nèi)容推送的性能和用戶滿意度，已成為移動內(nèi)容推送的主要任務之一。為此，在概括分析傳統(tǒng)推送技術(shù)及自動推送技術(shù)優(yōu)勢的基礎上，根據(jù)移動數(shù)據(jù)的動態(tài)特征，提出了一種基于移動特征數(shù)據(jù)變化的內(nèi)容推送模型。該模型根據(jù)用戶所處位置和時間的變化，通過支持向量機(Support Vector Machine,SVM)算法來預測用戶的類別標簽偏好，并從內(nèi)容庫中選取相應的內(nèi)容，推送給用戶，并通過實驗的方式對基于移動特征數(shù)據(jù)變化的內(nèi)容推送模型的推送效果進行了驗證。實驗驗證結(jié)果表明，所提出的模型有效、可行且適用性好。

移動特征數(shù)據(jù);支持向量機;內(nèi)容庫;用戶畫像;推送模型

0 引 言

隨著移動互聯(lián)網(wǎng)的迅速發(fā)展，移動互聯(lián)用戶的數(shù)量得到迅速增長。據(jù)2016年互聯(lián)網(wǎng)數(shù)據(jù)中心(IDC)最新研究報告顯示：2016年全球互聯(lián)網(wǎng)用戶數(shù)將達到32億，約占總?cè)丝诘?4%，其中移動互聯(lián)用戶總數(shù)將達到20億，再者由于移動終端設備的應用普及以及軟硬件方面的不斷改進，使得移動互聯(lián)網(wǎng)成為人們獲取信息的一個絕佳平臺。用戶可以根據(jù)需求在移動的過程中獲取Internet的服務,例如天氣預報、娛樂資訊、股票投資等最新的服務內(nèi)容信息。但是隨著信息量的不斷暴增，使得用戶手機經(jīng)常收到一些對自己無用的內(nèi)容信息或者難以搜索到自己感興趣的信息，嚴重影響了用戶體驗，致使大量用戶的流失。如何有效地根據(jù)移動用戶需求，自動為用戶推送其感興趣的內(nèi)容，吸引新用戶，留住老用戶，成為亟待解決的重要問題。移動個性化服務是解決該問題的有效途徑，其目標是創(chuàng)新服務模式，用智能、主動的、信息找人的推送模式，代替陳舊的、被動的、人找信息的搜索模式[1]。

目前個性化服務研究領域用戶需求獲取技術(shù)的研究還處于探索階段[2],而移動用戶需求獲取技術(shù)方面的研究則更少。與傳統(tǒng)網(wǎng)絡相比，移動通訊網(wǎng)絡有其自身特點：帶寬有限，連接穩(wěn)定性差，延遲長；與電腦相比，移動終端有屏幕相對較小，CPU處理能力較低，電池續(xù)航能力較短等不足；而且在移動網(wǎng)絡環(huán)境下，用戶周圍的上下文復雜多變，對用戶需求的影響更加明顯[3]。因此如何結(jié)合這些特點，實時、準確獲取用戶在不同上下文(例如位置、時間等)影響下用戶的需求，推送用戶感興趣的內(nèi)容，實現(xiàn)服務按需提供，內(nèi)容按需推送，將有助于實現(xiàn)以用戶為中心的服務模式，提高用戶的滿意度。

為此，在研究分析用戶需求獲取技術(shù)及推送技術(shù)的基礎上，提出了基于移動特征數(shù)據(jù)變化的內(nèi)容推送模型。該模型包含移動用戶需求的獲取、內(nèi)容庫的設計及內(nèi)容的選擇、內(nèi)容自動推送等。實驗證明了該模型的適用性和有效性。

1 相關(guān)技術(shù)及其原理

1.1用戶需求獲取技術(shù)

用戶需求獲取技術(shù)是指在復雜、融合、協(xié)作、泛在的移動網(wǎng)絡環(huán)境下,通過跟蹤、學習用戶的興趣、偏好以及性格特征等信息,實時、準確地發(fā)現(xiàn)不同用戶對各種移動網(wǎng)絡服務的需求,并對其變化做出適應和調(diào)整[4]。所涉及的用戶需求是包含用戶偏好、興趣在內(nèi)的，是廣義上的業(yè)務需求。傳統(tǒng)的用戶需求獲取技術(shù)一般有以下幾種：

(1)TF-IDF方法。Yeung等[5]將用戶感興趣的文檔，通過分詞，表示成關(guān)鍵詞的向量，然后計算出用戶對各個關(guān)鍵詞的權(quán)重。

(2)聚類方法。常慧君等[6]運用聚類的方法對用戶行為進行聚類，獲取各個人群的行為規(guī)律。

(3)決策樹歸納。范琳等[7]將用戶偏好的獲取過程表達成一棵決策樹，用戶從根節(jié)點開始，被引導來回答一系列問題。一旦達到葉子節(jié)點，可得到對用戶偏好的完整描述。

(4)樸素貝葉斯分類。

隨著時間的推移，用戶需求會發(fā)生變化，如何監(jiān)測這些變化并進行適應，對個性化服務具有重要價值。用戶模型更新技術(shù)主要分為三類：信息增補技術(shù)[5]；神經(jīng)網(wǎng)絡技術(shù)：用戶的興趣偏好發(fā)生變化時，神經(jīng)網(wǎng)絡的連接權(quán)重也會跟著變化，最終導致不同的輸出結(jié)果；如周樸雄等結(jié)合情景的用戶偏好模型，運用BP神經(jīng)網(wǎng)絡方法來預測不同情景下的用戶偏好[8]。

1.2推送技術(shù)

所謂的推送技術(shù)就是一種基于客戶端/服務器端(C/S)的機制，服務器端主動將內(nèi)容信息發(fā)送到客戶端的技術(shù)。其優(yōu)點在于內(nèi)容信息發(fā)送的主動性和及時性，可隨時將信息推送到用戶面前(客戶端)[9]。那么如何使客戶端能夠接收到服務器端的內(nèi)容，主要有兩種方式：

(1)Pull(拉):它是客戶端每過一定的時間間隔到服務器端獲取消息，通過比較信息是否有更新，這是一種偽推送方式，因為并不是服務器主動向客戶端發(fā)送內(nèi)容消息，而是客戶端每隔一定的間隔向服務器端發(fā)送一次查詢來獲取新的內(nèi)容消息[10]。

(2)Push(推送)：服務器端有新信息后，就自動將最新的內(nèi)容信息Push到客戶端[11]。

目前主要的推送技術(shù)有:簡單輪詢、SMS(Short Message Service，短信群發(fā)系統(tǒng))、持久連接方式。而這些推送技術(shù)都有其不足之處，而且都是主動進行推送，當有新的內(nèi)容需要推送時，才進行手動操作，沒有考慮到用戶需求。因此結(jié)合移動數(shù)據(jù)的特點，運用移動用戶獲取技術(shù)，獲取移動用戶的需求，然后從內(nèi)容庫中選取移動用戶感興趣的內(nèi)容，并推送給用戶。這種自動推送的方式既具有傳統(tǒng)推送技術(shù)的優(yōu)點，又考慮了用戶需求，并且節(jié)省了大量的人力資源。例如鄭小雪為了使政府部門快速且正確處理公眾的訴求和意見，提出了基于知識地圖的政府訴求文件自動推送模型，從而減少了人工分揀文件的作業(yè)，提高了政府的行政效率[12]。

2 推送模型

2.1系統(tǒng)架構(gòu)

圖1為整體的系統(tǒng)架構(gòu)。

圖1 系統(tǒng)整體架構(gòu)

首先通過移動終端的APP軟件，獲取移動終端用戶的相關(guān)信息，包含靜態(tài)信息和動態(tài)信息等，然后經(jīng)過一系列的數(shù)據(jù)抽取(Extract)、轉(zhuǎn)換(Transform)、加載(Load)(簡稱ETL),用于上一層的數(shù)據(jù)建模，預測出用戶的需求，從而自動從內(nèi)容庫中選擇用戶可能感興趣的內(nèi)容服務，推送給用戶。

2.2移動特征數(shù)據(jù)

采用的數(shù)據(jù)來源于智能終端的APP軟件，它能夠自動收集用戶的一些顯式信息和隱式反饋數(shù)據(jù)。相比于顯式信息，隱式反饋數(shù)據(jù)的使用具有更多優(yōu)勢，其采集成本更低，對用戶的干擾更小，擁有豐富的數(shù)據(jù)量[13]。顯式信息包含用戶的性別和年齡，由用戶注冊，隱式信息包含用戶的位置信息、使用手機的信息、使用手機APP軟件的信息以及用戶上網(wǎng)瀏覽的網(wǎng)址信息等，用戶的主要信息分為兩種：

(1)用戶的靜態(tài)信息：一般是指用戶的信息不發(fā)生變化的，或者很長時間內(nèi)不會發(fā)生變化的信息。例如用戶的性別、年齡等信息，一般情況下是由用戶自己注冊的，因此這些信息的獲取相比而言較為困難。

(2)用戶的動態(tài)信息：移動用戶在長期使用智能終端的基礎上形成的行為習慣信息。

①用戶的位置信息。

位置信息是由經(jīng)度屬性LON和緯度屬性LAT以及當前的時間點兩部分組成,即LOCATION=,其含義就是用戶U在T時刻處于這個位置。歷史軌跡數(shù)據(jù)集記錄了用戶在不同時間點上所處的地理位置點，是由一系列的連續(xù)位置序列組成[14]。用戶在不同的時間點，所處的位置可能不同，那么用戶周圍的位置語義也是不同的，用戶在不同的位置、不同的時間點所需要的內(nèi)容信息也不盡相同。

②用戶使用手機信息。

移動通信可以通過無處不在的移動通信網(wǎng)絡，在任何地點任何時間介入到網(wǎng)絡中。只要有移動網(wǎng)絡覆蓋的區(qū)域就可以隨時隨地使用移動智能終端。通過獲取智能終端開關(guān)屏的信息，來表示用戶使用手機的情況，其使用智能終端的信息用表示，其中STATE有兩種狀態(tài)：0代表智能終端屏幕關(guān)閉，1代表智能終端屏幕打開。那么用戶使用智能終端一次的信息，就可以用兩條記錄表示，即,，那么就可以用T2-T1表示該用戶這次使用手機的時間長短，那么也可以通過這些記錄來獲取用戶使用智能終端的頻次。

根據(jù)人的日常行為規(guī)律進行離散化分析，將每天二十四小時分成不同的時間段(T來代表)，每個時間段的時長不等(見表1)，這種方式能夠得到用戶在各個時段的興趣愛好。

針對時間信息，Yuan等發(fā)現(xiàn)用戶在某些給定時段里的行為具有一定的規(guī)律[15]，而且呈現(xiàn)出一定的峰段。在此基礎上，研究了用戶在一天24小時內(nèi)使用智能終端的情況，如圖2所示。對連續(xù)的時間，采用離散化方式進行分析，研究其規(guī)律。

表1 時間段劃分

圖2 用戶每天使用手機情況

無論是使用頻次，還是使用時長，在T3、T5、T8時段都會出現(xiàn)相應的峰值，在T7時段也會出現(xiàn)較高的次數(shù)。從圖中可以看出，這些也都符合人們的作息規(guī)律，T3、T7為上下班時間段，T5為中午吃飯時間段，T8為晚上時間段，這些時間段用戶有更多的時間使用手機。那么這些時間段對于內(nèi)容提供者而言就是一種很好的即時推送時刻，如果能在用戶經(jīng)常使用智能終端的時間段里，為用戶推送感興趣的內(nèi)容，那么將會起到事半功倍的效果。

③用戶使用APP信息。

移動智能終端上，用戶還安裝了很多APP軟件，用戶的每次啟動都會在智能終端的操作系統(tǒng)上啟動相應的進程，可以通過該進程來獲取用戶使用智能終端上APP的情況，以及相應APP軟件每次使用所消耗的流量，可以通過來表示。其中flow代表用戶該次使用所消耗的流量。通過記錄用戶所有使用APP的記錄，可以知道用戶對哪種APP軟件更為感興趣。

2.3需求預測模型

用戶信息影響用戶自身標簽的形成，也影響用戶在特定情景下的意圖，尤其移動端用戶，因為用戶可以隨時隨地地使用移動終端來搜索自己需要的內(nèi)容。相應移動終端用戶的因素可能會有很多，如位置、時間、天氣等，而在這些因素中，時間、位置是最重要的因素，因此在情景信息主要考慮時間、位置這兩個因素。

約定1：情景信息Context用C表示，C={Lon,Lat,T}，其中T表示預先約定好的時間段，Lon,Lat分別表示用的經(jīng)緯度。不同的T，或者不同的經(jīng)緯度，都代表著不同的情景。那么U={C1,C2,…,Cn}表示用戶的N個不同的情景信息。

約定2：用戶的情景偏好用四元組表示為UCP={U,C,P,W}。其中，U表示具體的用戶，C表示情景，P表示某一特定領域本體中的類別標簽，W表示用戶U在C情景下，對于P標簽的偏好的權(quán)重大小，該值是通過該用戶的歷史數(shù)據(jù)計算出來的。

在四元組的基礎上，首先通過用戶每天的行為數(shù)據(jù)，計算出用戶在各個情景下對于各個類別標簽的權(quán)重即W，那么就組成了用戶在不同時間，不同地點，對于不同的類別標簽，擁有不同的喜好程度。由于時間和位置兩個特征屬性的多樣性，使得對于多分類問題的求解較為困難。

首先將用戶分為兩類：一類是有用戶行為數(shù)據(jù)的用戶；另一類是沒有任何行為數(shù)據(jù)的用戶，即新用戶。對于不同的用戶應當擁有不同的處理方式。

1)有行為數(shù)據(jù)的用戶。用戶擁有相應歷史行為數(shù)據(jù)，首先根據(jù)用戶的歷史數(shù)據(jù)計算出每個用戶對應場景下類別標簽的權(quán)重大小，即W。然后根據(jù)用戶不斷使用所產(chǎn)生的歷史行為數(shù)據(jù)，采用支持向量機模型(Support Vector Machine,SVM)預測用戶在未來某個場景下用戶的類別標簽偏好。之所以選用SVM,是因為移動用戶所處的位置特征和時間特征太多樣化了，而SVM能很好地處理多分類問題。

SVM是一種新的統(tǒng)計學習算法，其學習原則是使結(jié)構(gòu)風險最小化，通過二次規(guī)劃問題需將數(shù)據(jù)分為兩類的最佳超平面[16]。核心內(nèi)容為：對于輸入空間中的非線性可分問題，選擇適當?shù)挠成?，將映射空間中的樣本點映射到一個高維特征空間，使得樣本點在該空間線性可分，而且通過核函數(shù)使其計算在原空間進行，降低映射高維特征空間計算的復雜性。SVM算法步驟如下：

(1)已知訓練集T={(x1,y1),(x2,y2),…,(xn,yn)},其中xi∈X,yi∈Y,i=1,2,…,N。首先假設樣本集z={(xi,yi),i=1,2,…,k},其中，輸入向量xi=(x(1),x(2),…,x(n))∈Rn代表不同的屬性或指標；yi代表樣本類別。對于二分類問題，所有的樣本被分成A、B兩類，以yi∈{-1,+1},i=1,2,…,k來表示，每一個樣本對應一個yi，若xi=+1，則將xi分到A類，若xi=-1,則將xi分到B類。

對于yi=+1，對于yi=-1，可以得到：

yi[wTφ(xi)+b]≥1,i=1,2,…,k

其中，Rn→Rd表示映射函數(shù)，可將低維的樣本集映射到高維空間，從而實現(xiàn)線性可分，等號成立的樣本點xi被稱為支持向量。

由最佳超平面可以計算出兩類樣本的分類間隔2/‖w‖2，要保證分類間隔最大，等價于使‖w‖2/2最小。另外，在利用核函數(shù)進行分類時，假定數(shù)據(jù)是線性可分的，雖然說將原始數(shù)據(jù)映射到高維空間后，能夠使線性可分的概率大大增加，但并非所有的數(shù)據(jù)都是線性可分的，因為數(shù)據(jù)有噪音，即使在映射后的高維空間也會判別錯誤。因此，支持向量機模型在優(yōu)化問題中引入了松弛變量，即使映射在高維空間也會被判別錯誤的可能性。因此，支持向量機模型加上一個松弛變量，且ε>0,最終的模型為：

其中，C(>0)表示樣本點被錯誤分類時的懲罰系數(shù)，C值越大，代表對錯誤懲罰越嚴重。

2)無行為數(shù)據(jù)的用戶。

對于沒有任何歷史行為數(shù)據(jù)的用戶來說，可以通過用戶的靜態(tài)屬性信息，例如性別、年齡，對用戶進行聚類分析，從而得到與用戶同性別、同年齡段的用戶群體較為感興趣的內(nèi)容，然后再從該群體的興趣愛好中選擇Top-k作為推薦列表。

2.4內(nèi)容庫設計

內(nèi)容庫用于存儲要推送給用戶的內(nèi)容，推送系統(tǒng)可以根據(jù)用戶所處的位置、使用手機的習慣等，從內(nèi)容庫中選取相應的推送內(nèi)容，進而推送給用戶。一般來說，內(nèi)容類別標簽都是以層級的形式組織的，可以有一級維度、二級維度等。其主要來源有已有內(nèi)容的標簽、網(wǎng)絡抓取流行標簽、對運營內(nèi)容進行關(guān)鍵詞的提取。

(1)基于位置的內(nèi)容庫。

由于移動終端的便捷性，移動終端設備(智能手機)便于攜帶，現(xiàn)有的GPS等技術(shù)可以方便、快速地定位移動終端用戶，而相同的用戶在不同的位置具有不同的愛好，那么就應當根據(jù)用戶的具體位置來為用戶推送相應服務。推送的內(nèi)容庫是基于位置的內(nèi)容庫，它是根據(jù)中國的行政單位來劃分的，在最低級的行政單位下，要推送相應的具體內(nèi)容序列。

(2)基于圖片偏好的內(nèi)容庫。

圖3為圖片的愛好內(nèi)容庫，總共十七個大類，每個大類下平均十幾個二級分類，每個二級分類下，擁有多組的要推送的內(nèi)容序列。如圖所示，體育、財經(jīng)為一級分類，足球、籃球等為體育下的二級分類，籃球下的CBA、NBA為事先編輯好的有一定意義的內(nèi)容序列。

圖3 圖片愛好庫

(3)基于APP偏好的內(nèi)容庫。

表2為APP分類，總共十九大的分類，每種下又有多種二級分類，然后以樹狀的形式進行組織。這種APP分類的類別都是網(wǎng)絡爬蟲從APPStore上爬下來的，從而保持APP分類的更新。

表2 App偏好內(nèi)容庫

3 自動推送機制

前面分析了用戶使用手機的時間情景、位置情景，二者都會影響手機內(nèi)容是否被用戶所接受，并且用戶使用手機在時間上具有一定的規(guī)律性，如果能夠在用戶經(jīng)常使用手機的時段，為用戶推送感興趣的內(nèi)容，那么就能被用戶即時地接觸到；當然對于處在不同位置的用戶，如果能夠根據(jù)用戶的不同位置，為用戶推送附近用戶感興趣的內(nèi)容，也能達到增強內(nèi)容的效果。因此要基于這些動態(tài)特征數(shù)據(jù)，觸發(fā)相應的用戶感興趣的推送內(nèi)容。觸發(fā)方式可以是位置、動作、時間、環(huán)境屬性等，這里最重要的當然是位置和時間了。韓吉等提出了通過無線傳感器感知外界氣象的變化，實時地向Android手機端推送預警通知[15]。因此，基于位置情景和時間情景兩個維度的動態(tài)變化來觸發(fā)相應的推送內(nèi)容服務，并從相應的內(nèi)容庫中選取相應的內(nèi)容序列，進而推送給用戶。其基于動態(tài)特征數(shù)據(jù)變化的推送算法如下：

(1)獲取當前用戶的經(jīng)緯度以及當前的時間點，用四元組表示。

(2)判斷用戶的位置是否發(fā)生變化。以用戶的位置優(yōu)先，對于移動智能終端來說，由于其便捷性，用戶可以很方便地攜帶在身上，隨時記錄用戶的位置屬性。如果用戶的位置發(fā)生變化，則優(yōu)先根據(jù)用戶的當前所在位置，從內(nèi)容庫中選擇相應的推送內(nèi)容。使用中國的行政單位的邊界為界限，來判定用戶的位置是否發(fā)生變化。每個行政區(qū)邊界可以使用一組經(jīng)緯度表示：邊界=<，…>，可以根據(jù)需求來確定邊界的大小。那么就可以通過比較用戶的位置是否在相應的區(qū)域內(nèi)，來判定位置區(qū)域的變化。

(3)對于推送內(nèi)容該如何選擇。每個位置區(qū)域下又有多個事先編輯好的具有一定意義的內(nèi)容，可以使用Item=表示。對于內(nèi)容的選取采用輪詢算法，從中選取用戶感興趣的，又與當前位置相關(guān)的內(nèi)容服務。

(4)如果用戶的位置不發(fā)生變化，則會基于用戶的時間情景來觸發(fā)用戶的內(nèi)容推送服務。對于移動終端用戶而言，如果用戶不使用移動終端，那么即使為用戶推送了內(nèi)容，用戶也看不到，當然如果能夠在用戶使用移動終端的時刻為用戶推送感興趣的內(nèi)容，那么內(nèi)容被看到的次數(shù)增多，內(nèi)容被接受的概率就會提高。

(5)有了觸發(fā)推送的時刻，使得用戶有更大的機會看到推送的內(nèi)容，然后就是要推送用戶感興趣的東西了，這個要根據(jù)用戶需求預測的結(jié)果來為用戶提供個性化推送，使得推送的內(nèi)容為用戶感興趣的內(nèi)容。圖4的UTP庫代表用戶在不同的情景下，用戶對某一類別標簽的偏好程度。

在用戶頻繁使用移動終端的基礎上，為用戶推送該時間段下用戶感興趣的類別標簽，類別標簽可能有多個，而每個標簽又占有不同的權(quán)重。如用戶U感興趣的類別標簽為：B=,用戶對每個類別標簽的權(quán)重分別記為W=,采用加權(quán)輪詢算法，該算法首先根據(jù)列表標簽相應的權(quán)重，生成對應的一組新序列：。其中這組序列中有w1個c1，有w2個c2，有w3個c3，有w4個c4，那么選取的時候，就會從新生成的這組序列中選取。這樣使得占有權(quán)重較大的標簽被選中的概率更大，而且讓該類別下的所有內(nèi)容序列都可以無重復地推送給用戶。

圖4 推送流程

4 實驗結(jié)果及分析

實驗一：針對SVM算法懲罰因子C以及核函數(shù)中σ的確定。采用從200多位移動端用戶收集來的近400 000條行為數(shù)據(jù)，300 000條用戶使用APP軟件數(shù)據(jù)。將數(shù)據(jù)的80%作為訓練集，剩余的20%作為測試集。通過預測的準確率來確定C和σ的值，見表3。

表3 因子與準確率的關(guān)系

實驗二：測試推送效果。使用兩種方式來測試推送服務的效果，一種是模擬仿真，模擬真實的用戶；另一種是以用戶為中心的方式，讓真實用戶參與到實驗中[16]。采用第二種方式來進行測試，邀請了8位同學作為此次實驗的真實用戶，給他們的手機上安裝該款APP軟件，并注冊使用一個月的時間，在這一個月的時間中，用戶的生活和平常一樣，分別為其推送相應的圖片序列；然后下一個月將其切換為傳統(tǒng)的推送技術(shù)進行圖片推送。用如下公式評估推送的內(nèi)容被用戶接受的情況。

其中，Numslide表示推送后用戶瀏覽觀看的類別標簽數(shù)；Numpush表示推送系統(tǒng)為用戶推送的類別標簽數(shù)。

八位用戶對于推送內(nèi)容的瀏覽情況如圖5所示。與傳統(tǒng)的內(nèi)容推送相比，這種自動推送方式被用戶所瀏覽的次數(shù)普遍要高。由此可見，基于移動特征數(shù)據(jù)變化的推送更加高效。

圖5 瀏覽情況

5 結(jié)束語

為解決提高移動終端推送準確性的問題，提出了一種基于移動特征數(shù)據(jù)的內(nèi)容推送模型。該模型針對移動特征數(shù)據(jù)進行分析，預測移動用戶需求，并根據(jù)移動特征數(shù)據(jù)的動態(tài)變化，動態(tài)地為用戶推送感興趣的內(nèi)容，使得內(nèi)容推送服務更加及時和準確。當然，推送內(nèi)容是否精準更多地取決于用戶需求預測的準確性，預測得越準確，推送內(nèi)容也就越精準，用戶瀏覽和接受的概率就越大。

[1] Pan B,Wang X,Song E,et al.Camspf:cloud-assisted mobile service provision framework supporting personalized user demands in pervasive computing environment[C]//9th international wireless communications and mobile computing conference.[s.l.]:IEEE,2013:649-654.

[2] Adomavicius G,Tuzhilin A.Context-aware recommender systems[M]//Recommender systems handbook.[s.l.]:Springer,2011:217-253.

[3] Ai D X,Zuo H,Yang J.Personalized mobile catering recommender system based on context ontology model and rule inference[C]//Advanced materials research.[s.l.]:Trans Tech Publications,2013:708-713.

[4] 孟祥武，王 凡，史艷翠，等.移動用戶需求獲取技術(shù)及其應用[J].軟件學報,2014,25(3):439-456.

[5] Yeung K F,Yang Y,Ndzi D.A proactive personalised mobile recommendation system using analytic hierarchy process and Bayesian network[J].Journal of Internet Services and Appli-cations,2012,3(2):195-214.

[6] 常慧君，單 洪，滿 毅.基于分段、聚類和時序關(guān)聯(lián)分析的用戶行為分析[J].計算機應用研究,2014,31(2):526-531.

[7] 范 琳,王忠民.穿戴位置無關(guān)的手機用戶行為識別模型[J].計算機應用研究,2015,32(1):63-66.

[8] 周樸雄,張兵榮,趙龍文.基于BP神經(jīng)網(wǎng)絡的情境化信息推薦服務研究[J].情報科學,2016,34(3):71-75.

[9] 倪紅軍.基于Android平臺的消息推送研究與實現(xiàn)[J].實驗室研究與探索,2014,33(5):96-100.

[10] 孫澤軍,常新峰.基于XMPP推送技術(shù)在移動OA中的應用研究[J].實驗室研究與探索,2015,34(7):130-134.

[11] 律智堅,吳廣財.消息推送在移動高級應用中的研究與實現(xiàn)[J].廣東電力，2014,27(2):117-120.

[12] 鄭小雪.基于知識地圖的政府訴求文件自動推送模型研究[J].現(xiàn)代情報,2015,35(8):43-46.

[13] 孟祥武，紀威宇，張玉潔.大數(shù)據(jù)環(huán)境下的推薦系統(tǒng)[J].北京郵電大學學報,2015,38(2):1-15.

[14] 章少平，梁雪春.優(yōu)化的支持向量集成分類器在非平衡數(shù)據(jù)集分類中的應用[J].計算機應用,2015,35(5):1306-1309.

[15] 韓 吉，周 杰，杜景林.基于Android的氣象WSN監(jiān)測系統(tǒng)設計與實現(xiàn)[J].計算機工程與設計,2014,35(8):2709-2714.

[16] Hawalah A,Fasli M.A multi-agent system using ontological user profiles for dynamic user modelling[C]//Proceedings of the 2011 IEEE/WIC/ACM international conferences on web intelligence and intelligent agent technology.[s.l.]:IEEE Computer Society,2011:430-437.

Research and Application on Content Push Technology with Mobile Feature Data

WU Ming-li，YANG Shuang-liang

(North China University of Technology,Beijing 100144,China)

With the rapid development of mobile Internet and the popularity of mobile devices,mobile content delivery has become one of the hottest topics in the pushing field.How to push content for users based on the behaviors of the mobile users has become the main task of mobile content push to improve its performance and user satisfaction.On the basis of analysis on traditional push technology and advantages of automatic push technology as well as the dynamic characteristics of mobile data,a content push model based on the changes of mobile feature data has been presented,which can predict the user’s category label preference by SVM and select the relevant content from the content library for commendation to the users according to the change of user’s location and time.The experiments for its verification is conducted,which show that it is effective and feasible with good applicability.

mobile feature data;SVM;content library;user profile;push model

2016-10-15

：2017-01-18 < class="emphasis_bold">網(wǎng)絡出版時間

時間：2017-07-11

北京市教育科技計劃面上項目(KM201510009008)

吳明禮(1978-)，男，博士，講師，研究方向為數(shù)據(jù)庫技術(shù)和數(shù)據(jù)挖掘;楊雙亮(1988-),男，碩士，研究方向為數(shù)據(jù)挖掘、推薦系統(tǒng)。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1455.058.html

TP39

:A

:1673-629X(2017)09-0155-06

10.3969/j.issn.1673-629X.2017.09.034