论文部分内容阅读
移动通信技术发展日益成熟,智能化的移动终端设备得到普及,各种移动应用程序也呈爆炸式增加,用户无法在海量应用中快速准确地定位和获取喜欢的应用,大量出色的应用也被掩盖在热门移动应用之下。为帮助用户有效快速地发现感兴趣的移动应用,给用户提供更加精准化的应用服务,使长尾应用能得到更多的曝光机会,移动应用个性化推荐应运而生。现有的移动应用推荐算法主要依赖于用户对移动应用的使用行为,没有充分考虑用户复杂的上下文环境。同时,上下文信息的引入使推荐系统的稀疏性问题更加严重。针对以上问题,本文提出了一种基于用户上下文相似度的移动应用推荐算法UCA-TF(User-Context-Application Tensor Factorization),将完整的上下文表示融入推荐模型,重新构建用户上下文相似度模型,并通过张量分解方法处理高维稀疏上下文数据,帮助用户快速发现感兴趣的移动应用,提高推荐精度并有效缓解数据稀疏性。根据移动应用推荐系统参考模型,提出基于UCA-TF算法的移动应用推荐原型系统的总体设计与实现方案。本文主要工作包括:(1)对移动推荐系统和上下文感知推荐进行文献综述研究,总结提出移动应用推荐的特点、关键技术和亟待解决的关键科学问题,并阐述了移动应用推荐的研究背景与意义。(2)针对移动应用推荐中数据稀疏性和用户上下文环境复杂多变问题,提出一种基于用户上下文相似度的移动应用推荐算法(UCA-TF算法),该算法组合用户间的多维上下文相似度和上下文相似可信度,建立用户上下文相似度模型,再对目标用户的K个邻居用户建立移动用户-上下文-移动应用三维张量分解模型,获得目标用户的移动应用预测值,生成移动推荐结果。实验结果表明,UCA-TF算法相比其它算法具有更高的推荐精度,能有效缓解上下文稀疏性的影响,提高用户满意度。(3)在UCA-TF算法研究基础上,提出了基于用户上下文相似度的移动应用推荐原型系统的设计与实现方案。移动应用推荐客户端展示应用推荐信息,实时对用户的请求进行响应,并将在线采集的行为数据和上下文信息上传至服务器;服务器端获取用户历史信息,进行离线数据计算,生成预推荐列表以备调用,同时管理和维护用户信息和移动应用信息,使移动端和服务器端内容能得到及时更新和调整。