积分商城

最新搜索： KEA128 电源 路径规划 ide手册 传感器 跌倒
您现在的位置是：首页 > 技术资料 > 基于上下文相似度和社会网络的移动服务推荐方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于上下文相似度和社会网络的移动服务推荐方法

更新时间：2019-12-24 01:12:27 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：移动服务 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题,提出一种基于上下文相似度和社会网络的移动服务推荐方法(Context-similarity and Social-network based Mobile Service Recommendation,CSMSR).该方法将基于用户的上下文相似度引入个性化服务推荐过程,并挖掘由移动用户虚拟交互构成的社会关系网络,按照信任度选取信任用户;然后结合基于用户评分相似度计算发现的近邻,分别从相似用户和信任用户中选择相应的邻居用户,对目标用户进行偏好预测和推荐.实验表明,与已有的服务推荐方法 TNCF、SRMTC及CF-DNC相比,CSMSR方法有效地缓解数据稀疏性并提高推荐准确率,有利于发现用户感兴趣的服务,提升用户个性化服务体验.


部分文件列表

文件名 大小
基于上下文相似度和社会网络的移动服务推荐方法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
6
Vol． 45 No． 6  
Jun． 2017  
第
期
电
子
学
报
2017  
6
ACTA ELECTRONICA SINICA  
年
月
基于上下文相似度和社会网络的  
移动服务推荐方法  
1
1，2  
1
3
， ， ，  
俞春花 刘学军 李 斌 章 玮  
( 1．  
，
211816; 2．  
，
200433;  
南京工业大学计算机科学与技术学院 江苏南京  
复旦大学 上海  
， 210016)  
部队 江苏南京  
3． 73677  
中国人民解放军  
:
，
针对传统的基于协同过滤的移动服务推荐方法存在的数据稀疏性和用户冷启动问题 提出一种基于上  
摘
要
( Context-similarity and Social-network based Mobile Service Recommenda-  
下文相似度和社会网络的移动服务推荐方法  
tion，CSMSR) ．  
，
该方法将基于用户的上下文相似度引入个性化服务推荐过程 并挖掘由移动用户虚拟交互构成的社会  
， ; ，  
关系网络 按照信任度选取信任用户 然后结合基于用户评分相似度计算发现的近邻 分别从相似用户和信任用户中  
， ． ，  
选择相应的邻居用户 对目标用户进行偏好预测和推荐 实验表明 与已有的服务推荐方法  
TNCF、SRMTC CF-DNC  
及
，CSMSR  
， ，  
方法有效地缓解数据稀疏性并提高推荐准确率 有利于发现用户感兴趣的服务 提升用户个性化服务  
相比  
．
体验  
:
;
;
;
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
移动服务推荐 上下文 相似度计算 社会网络 协同过滤 稀疏性 冷启动问题  
TP301 0372-2112 ( 2017) 06-1530-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 06． 036  
:
:
A
:
文章编号  
文献标识码  
电子学报  
Mobile Service Recommendation Based on Context  
Similarity and Social Network  
1
1，2  
1
3
YU Chun-hua ，LIU Xue-jun ，LI Bin ，ZHANG Wei  
( 1． College of Computer Science and Technology，Nanjing Tech University，Nanjing，Jiangsu 211816，China;  
2． Fudan University，Shanghai 200433，China; 3． 73677 PLA Troops，Nanjing，Jiangsu 210016，China)  
Abstract: Concentrating on the data sparsity problem and the new user cold-start problem faced by traditional collab-  
orative filtering algorithm in mobile recommender system，an approach named CSMSR ( Context-similarity and Social-net-  
work based Mobile Service Recommendation) is proposed． The approach integrates mobile users’context information and  
social network information into collaborative filtering recommendation process． Firstly，it imports the user-based context sim-  
ilarities into the personalized service recommendation process． Secondly，it searches the corresponding nearest neighbors for  
each mobile user according to the given mobile users’ratings and the mining social network． Finally，it predicts unknown  
mobile users’preferences and generates recommendations． The experimental results show that CSMSR outperforms the ex-  
isting service recommendation methods，such as TNCF，SRMTC and CF-DNC in terms of MAE ( Mean Absolute Error) and  
P@ N，and it performs well in finding out the interested services of users and enhancing the user experience．  
Key words: mobile service recommendation; context; similarity measure; social network; collaborative filtering; data  
sparsity; cold-start problem  
．
让人们可以随时随地获取移动网络服务和信息内容  
1
引言  
、
然而移动互联网服务和信息传递颇受上下文信息 移  
，
随着移动通信技术的飞速发展 移动设备已成为  
，
动社会化网络的影响 如何从浩瀚的移动信息海洋中  
．
人们获取信息的主要平台之一 移动设备拥有移动性  
， ，  
发现用户感兴趣的服务 提升用户个性化服务体验 成  
［1］  
、 、 、  
强 上下文感知能力强 可携带性好 入网方便等特点  
，
．
为移动推荐系统亟待解决的难题  
: 2015-09-15;  
: 2016-02-03;  
:
收稿日期  
修回日期  
责任编辑 覃怀银  
) ( No． BE2015697)  
江苏省重点研发计划 社会发展  
:
基金项目 国家自然科学基金  
( No． 61203072) ;  
(
1531  
6
:
俞春花 基于上下文相似度和社会网络的移动服务推荐方法  
第
期
［2］  
，
移动用户使用移动互联网时 大多与上下文环境  
、 、 、  
聚类技术 潜在语义技术 概率  
用贝叶斯网络技术  
［6 ～ 8］  
(
、 、 、 、 )  
如时间 位置 周围人员 活动状态 网络条件等 密  
， ，  
等机器学习方法 再用此模型进行预测 但其  
模型  
、 ．  
计算复杂性较高 模型训练时间较长 基于用户的推荐  
． “ ” “  
切相关 如有的移动用户喜欢 早上 而不是 下午  
”
， ，  
算法能够挖掘用户的潜在兴趣 简单易于实现 推荐个  
， “ ” “  
浏览新闻 有 的 喜 欢 在 公 交 车 上 而 不 是 在 办 公  
、 ， ，  
性化 自动化程度高 并能针对推荐结果进行合理解释  
” ．  
室 玩游戏 只有将用户本身的动态上下文信息充分  
，
．
得到广泛应用 也是本文的研究对象  
基于用 户 的 协 同 过 滤 推 荐 算法 的基 本 思想 是  
; ( 2)  
，
融入移动推荐系统 才能更好地生成移动推荐结果  
．
［2］  
:
;
Park  
、 、  
等人 通过贝叶斯网络模型构建地点 时间 天  
( 1)  
建立用户数 据模 型  
用 户 偏 好 相 似 度计算  
、 ，  
气 温度等上下文对移动用户的影响 使用  
EM  
算法  
( 3)  
; ( 4)  
．
产生预测 其主要实现过程包  
近邻用户选择  
括相似度计算和用户偏好预测 相似性的度量方法主  
、Pearson  
，
学习在不同上下文中的条件概率 提高推荐准确度  
．
［3］  
．
高全力等人 分析各种上下文信息对用户认知行为  
3
:
要包括 种 余弦相似性  
相关系数和修正的  
，
的影响 提出了基于用户认知行为的上下文偏好获取  
．
余弦相似性 其中  
Pearson  
，
相关系数使用最多 计算公  
，
算法 有效挖掘用户的认知行为与其偏好之间的关联  
:
式如下  
S ，  
设用户 和用户 共同评分过的服务集合为  
，
关系 提高偏好获取准确度和推荐精度  
．
a
b
Web 2. 0  
，
的发展 人们之间的虚拟交互变得  
随着  
a，b  
a b  
则用户 和用户 的相似度  
sim( a，b)  
:
为
， ，  
愈发频繁 为了解决冷启动问题 学者们提出了社会  
［4］  
sim( a，b) =  
( social recommendation)  
，
根据用户之间  
化
推荐方法  
．
的社会关系信息构建用户之间的社会化关系网络 文  
( r －r ) ( r －r )  
珋
b
珋
a
∑
a，s  
b，s  
s S  
∈
a，b  
， | S  
|
2
H 0  
≠
［5］  
，
将信任社会化网络与协同过滤算法结合 用户  
≥
且
献
a，b  
2
2
( r －r )  
珋
a，s a  
( r －r )  
珋
b
∑
∑
b，s  
，
间的相似性不仅与用户对项目的评分相关 也与用户  
s
S
∈
槡
s S  
∈
a，b  
a，b  
槡
，
间的信任关系相关 将两者融合作为用户间相似的最  
0，  
| S | ＜ 2 H = 0  
或
a，b  
，
终权重 避免传统协同过滤算法的稀疏性和冷启动问  
( 1)  
， ． ［6 ～ 8］  
题 提高推荐准确性 文献 对用户间信任关系  
2
2
，H =  
( r － r )  
珋
a，s a  
( r － r ) ，r  
珋 表示  
a，s  
其中  
∑
∑
b，s  
b
，
的传播现象进行建模 并给出了一种能够将社会关系  
s S  
∈
槡
s
S
∈
a，b  
a，b  
槡
，
信息进行整合的概率矩阵分解框架 提高推荐方法的  
a s ，r r a  
用户 对服务 的评分 珋和 珋分别表示用户 和用户  
b
a
．
性能  
b
．
对共同评分服务的平均评分 据式  
( 1)  
，a  
b
的
可知  
和
，
针对以上背景 本文提出  
CSMSR  
，
方法 首先计算基  
－ 1 sim( a，b) 1，－ 1  
≤ ≤  
相似度满足  
表示两个用户完全  
，
于移动用户的上下文相似度 构造当前上下文的相似  
，0 ，1 ． ，sim  
负相关 表示无关 表示完全正相关 一般认为  
， “ -  
上下文集合 再采用相似上下文预过滤方法将 用户 服  
( a，b)  
，
的值越大 两个用户的评分行为越相似  
．
- ” ， “ - ”  
务 上下文 三维模型降维 得到 用户 服务 二维模型  
;
，
根据用户间的相似度大小 选取相似度较大的前  
K
然后利用移动用户的通信行为构建出的信任网络计算  
．
个近邻用户作为目标用户的推荐近邻 考虑到不同用  
， ;  
用户之间的信任度 按照信任度选取信任用户 再结合  
，
户有不同的评分尺度 采用式  
( 2)  
:
进行评分预测  
，
基于用户评分相似度计算发现的近邻 分别从相似用  
sim( u，p) × ( r － r )  
珋
p，s p  
∑
p
NB  
∈
，
户和信任用户中选择相应的邻居用户 对目标用户进  
R
= r +  
珋
u
( 2)  
u，s  
sim( u，p)  
∑
．
行偏好预测和推荐  
p
NB  
∈
，R  
u s ，NB  
为目标用户 在目标服务 上的预测评分  
其中  
u，s  
2
协同过滤算法简介  
u
，p ．  
的近邻集合 为最近邻居集合中任一用户  
为
［9］  
Breese  
，
根据  
法包括基于内存  
( model-based methods)  
等人 的分类方法 协同过滤推荐算  
3
本文算法  
( memory-based algorithms)  
和基于模型  
． ，  
两种方法 其中 基于内存的方  
3. 1  
上下文相似度计算  
( user-based) ( item-  
法又可分为基于用户 和基于项目  
的算法 基于用户的协同过滤通过寻找邻居向用  
，
在移动社交网络服务环境中 上下文环境动态变  
based)  
．
，
化 用户消费行为也会因环境中上下文信息的变化而  
;
户推荐其可能感兴趣的物品 基于项目的协同过滤通  
． :  
改变 移动社交网络可以获取的用户上下文很丰富 用  
;
过用户曾经评过分的物品寻找相似物品向用户推荐  
为避免协同过滤技术中稀疏矩阵和处理大量数据时无  
(
户位置信息 通过手机  
GPS ) 、  
或者移动网络定位获得  
( presence) (  
、 、 ) 、  
如在线 离线 开会等 手机  
用户状态信息  
，
法满足时效性等问题 提出了基于模型的协同过滤技  
/ 、 、 ．  
日历 日程信息 天气温度信息 好友评价信息等 为找  
， ，  
术 该方法先用历史数据得到一个模型 模型的建立使  
，
出和当前上下文相关联的评价 需要对上下文之间的  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号