對於移動社會網路中基於位置的個性化餐館推薦建模研究論文
對於移動社會網路中基於位置的個性化餐館推薦建模研究論文
截至2015年12月底，全國行動電話使用者數達13.06億，日益增長的智慧機和搜尋服務對使用者的移動服務體驗產生了重要影響。為滿足使用者不斷增長的隨時隨地獲取如美食等資訊的需求，更加個性化和與位置有關的移動服務成為未來主要方向。移動環境下基於位置的推薦系統(Location-BasedSystem，LBS)是一種有效的解決方案，它運用現代行動通訊、計算機、GPS等技術，提供與位置有關的資訊服務。隨著基於位置的服務產生資訊過載問題，推薦系統依據使用者行為和偏好，提供個性化需求推薦被廣泛應用。移動終端具有螢幕小及處理能力弱等缺點，而使用者注重高實時和方便性體驗，對有用資訊的提取提出了更高要求，基於位置的推薦系統具有位置敏感性和實時性，可以結合使用者當前位置及情景資訊進行個性化推薦。
本文建立了一個移動社會網路中基於位置的個性化餐館推薦模型，分析了移動環境下基於位置的個性化推薦系統的特點和需求，並根據這些特徵，比較現有推薦演算法的優缺點，選擇合適的推薦方法，結合情境、時間和地理等因素提出了分階段的推薦系統模型架構。
1 移動環境中基於位置的推薦系統
移動環境中LBS系統從運營商提供的位置服務及WIFI定位技術，透過移動手機GPS功能獲取使用者當前資訊。與傳統電子商務系統相比，LBS移動應用更注重資訊的動態性、多樣性和基於使用者位置的實時需求。LBS系統與傳統電子商務系統相比具有明顯差異，導致現有推薦技術不能直接用於基於位置的服務。移動應用程式“Foursquare”基於地理位置，對使用者進行定位，隨機構成一個實地的SNS社交網路。“大眾點評網”是一個典型的、廣泛使用LBS移動應用服務的例子，使用者可以獲取各種各樣的生活服務資訊。
以“Foursquare”和“大眾點評網”分析LBS推薦系統的特徵：
(1)位置敏感和實時性。使用者可基於位置搜尋資訊，獲得實時期望的服務內容。並能立即獲得一些迫切的資訊服務。
(2)明確的使用者資訊。基於位置的系統中使用者通常具有真實、可靠的身份特徵，易識別和收集使用者資訊。移動使用者在網上註冊時，便可同步獲得他們的統計資料。
(3)融入情景資訊，適應使用者偏好變化。將情景資訊如位置、天氣、時間等加入LBS推薦系統，可快速響應不同情形下使用者興趣的變化，獲取使用者短期興趣，區分使用者長期偏好和短期偏好，進行更有效的推薦。
(4)冷啟動問題。移動推薦系統冷啟動包括新使用者、新物品和新系統的問題。冷啟動發生在一個新的推薦系統的初始階段，此時沒有使用者及其行為，缺乏資料導致推薦結果不準確。如何贏得使用者和提高其忠誠度，解決冷啟動問題是有價值的。
(5)隱私保護。由於涉及個人隱私和資訊保安，使用者不願提供完整和準確的資料，透過記錄不同時間點移動使用者所在位置，獲取使用者場所，分析其資訊、行為和位置，提高推薦準確性。
2 推薦演算法設計
根據不同的推薦演算法將推薦系統劃分為：協同過濾、基於內容過濾和基於規則的推薦。協同過濾推薦的基本思想是，假設使用者之前具有相同的偏好，則他們在以後也有相似的偏好，根據“使用者—評分”矩陣計算不同使用者或專案之間的相似性，然後根據相似程度，找出與當前使用者過去興趣類似的其他使用者即最近鄰相似性。基於最近鄰使用者或專案評分集計算目標使用者對物品的預測值，最終形成推薦。基於內容的推薦是推薦與使用者過去已購買的商品或興趣相似的專案，利用資源和使用者興趣的相似性獲取資訊並過濾資訊。透過獲取使用者評價過的專案特徵和使用者記錄資料，根據這些資料計算相似性，建立使用者興趣模型，開始推薦過程。然後，系統選擇出與使用者偏好高度相似的那些物品。基於規則的推薦演算法通常基於預先定義的規則進行推薦，由於推薦系統建立時，沒有使用者行為資料，物品資訊也少，因此，通常利用專家進行標註，或根據關聯規則的挖掘技術，這些規則用IF-THEN語句表示，主要使用使用者的靜態屬性來建立。
不同推薦演算法具有各自的優缺點，在移動環境中推薦系統不僅具有上述推薦演算法的特徵需求，還具有餐館物件推薦的一些特性，即餐館數量多，各式菜餚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，基於位置的推薦系統需要使用推薦演算法處理多個離散屬性。選擇未對專案內容進行分析的演算法以提高推薦餐館的準確性。協同過濾推薦具有冷啟動問題，考慮冷啟動問題，首先選擇基於規則的推薦演算法;當系統收集到足夠的資料，採用協同過濾推薦演算法。
3 移動社會網路中基於位置的推薦模型
3.1 系統分析
3.1.1 使用者偏好模型
使用者偏好模型是推薦系統的重要組成部分，它為每個使用者提供個性化服務。可以使用不同的方法進行使用者偏好建模，使用者模型的型別也不同，本文根據使用者需求的變化將使用者偏好分為短期偏好和長期偏好。
(1)使用者短期偏好模型。基於位置服務系統中的使用者總是處在不斷變化的情景中，不同的情景將使使用者的興趣改變。使用者短期偏好指的是由使用者當前所處的特定上下文資訊影響而表現出的臨時偏好，以及與使用者持續不變的偏好不同的偏好。在這樣的框架下，典型的推薦內容是餐館，餐館分為二級類，分別是西餐、火鍋和燒烤店等。根據不同的時間、地點和其他上下文資訊，使用者可能選擇不同型別的餐館。例如冬季使用者選擇火鍋的機率要大得多。將使用者在二級分類的偏好可以看作是短期偏好。
(2)使用者長期偏好模型。使用者長期偏好是在分析大量歷史資料的基礎上，基於不變的習慣得出的一種偏好，例如使用者可接受的價格範圍、服務質量、環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使用者的長期偏好。
3.1.2 情景資訊整合
情景資訊也稱上下文資訊，指能對使用者的需求表達產生影響的'環境因素。其中主觀因素與使用者自身個人喜好、習慣等特性相關;客觀因素主要是指當前位置、時間、天氣等。上下文資訊會對使用者短期偏好產生很大影響，做出完全不同的推薦結果。在推薦時，傳統的推薦演算法只考慮了使用者和資源2個維度資訊。在移動情景下，使用者的環境資訊不固定將影響使用者對資訊的搜尋，使用者和資源2個維度就需要擴大到三維，即使用者、推薦內容、上下文資訊。選擇預先過濾的情境資訊並適當地修改，首先基於使用者的位置，去除遠遠大於客戶可接受範圍的餐館，過濾掉未在營業時間內的餐館。其次，融合當前情景資訊區分使用者的短期和長期偏好，獲取餐館型別和屬性的使用者偏好機率，計算每個餐館推薦的機率。最後，執行基於使用者和上下文資訊的協同過濾推薦，顯示向當前使用者推薦在相同情境下與其他使用者有共同偏好的餐館列表。
3.2 系統模型
系統框架使用歷史資料為新使用者進行推薦，在冷啟動階段將少量的甚至沒有使用者資料及行為的新使用者保留下來，降低移動使用者操作的複雜性。此外，系統框架融合豐富的情景資訊，如位置、天氣條件、季節等，基於使用者的短期和長期的偏好向使用者提供最有效的推薦。當系統收集到大量的資料，採用混合的協同過濾推薦演算法提高推薦結果。
(1)使用者資訊。使用者資訊包括諸如性別、年齡和其他人口統計的手機註冊資訊、移動裝置資訊等。
(2)情景資訊。情景資訊包括使用者當前的位置、天氣、時間、季節等情境資訊。(3)餐館資訊。餐館資訊包括餐館型別、特徵及其他的基本資訊。餐館型別有西餐店、火鍋店、燒烤等;餐館特徵有環境、口味、價格、無線網路等;餐館基本資訊有餐館位置、營業時間、聯絡電話等。
(4)使用者日誌。使用者日誌指使用者的歷史瀏覽記錄，包括使用者等級和互動資料等，以便在冷啟動階段更新規則庫，併為協同過濾推薦提供資料支援。
3.3 使用者行為資料分析
冷起動階段後，收集的大量的使用者歷史反饋資料和互動資料可用於資料探勘和分析使用者行為。在這一階段，推薦流程設計如下：首先，修改規則庫，透過分析歷史資料提高冷啟動階段推薦的精度和有效性，尋找關聯規則並重新計算規則庫中每一規則的機率。其次，基於使用者和基於上下文的協同過濾推薦，將協同過濾推薦引入到該框架中，採用基於使用者和基於上下文的協同過濾推薦演算法，確定與目標使用者偏好最相似的鄰居使用者，獲取與目標使用者相同情景下鄰居使用者對餐館的選擇，進行有效和可靠的推薦。最後進行混合推薦。結合基於規則的演算法和協同過濾推薦獲得的結果，得出目標使用者最終推薦結果。
4 結語
移動社會網路中基於位置服務的餐館推薦系統可基於使用者當前的情景資訊和偏好實時地為使用者提供精確、有效的餐館資訊。本文分析了基於位置服務推薦系統的特性，並比較不同推薦系統的特點和功能。結合在冷啟動階段基於規則的推薦演算法，以及使用者行為資料分析階段基於使用者和上下文的協同過濾推薦，提出兩階段的推薦系統模型，實驗表明該模型在應用中能贏得新使用者的信任，並有效和精確地推薦。