近年来,科技的不断进步和移动智能设备的快速普及,极大地满足了人们在生产和生活方面的需求。但与此同时,人们也面临着越来越严重的信息过载问题。个性化推荐技术被认为是缓解这一问题的有效方法之一,并且已经在诸多领域得到了广泛的应用。通过分析用户历史数据,构建用户偏好模型,个性化推荐系统可以主动地向用户推荐最感兴趣的内容。目前,移动网络服务已经融入到人们生活的每一个角落,我们在习惯使用各种移动设备记录生活的点点滴滴的同时,也产生了大量带有时空属性的情景数据。这些情景数据具有来源广泛、数据规模大、蕴含信息丰富等特点。然而,传统的推荐技术只注重挖掘用户行为信息,往往忽略了用户现实世界的情景信息,因此在移动环境下无法提供更加精准的推荐服务。鉴于上述问题,本文主要对推荐系统中情境因素进行了深入的研究。考虑到传统二维推荐算法User-Based CF的不足,本文充分利用情景与用户行为信息,提出了两种改进的个性化推荐算法,并设计和实现了一个消息推送原型系统。本文主要包含以下四个部分:(1)通过引入两种处理情景信息的方法,本文结合情景预过滤的思想和改进的Pearson相关系数,提出了一种基于情景上下文的个性化推荐方法;(2)以情景的序列化特征作为切入点,本文通过挖掘用户生活模式,提出一种“用户—情景”相似度的计算方法;(3)采用情景建模的方法,深入挖掘“用户—项目—情景”三者的关系,提出一种基于情景序列的个性化推荐方法,并使用Brightkite数据集进行多组对比试验,证实了本文提出的两种算法的有效性;(4)设计并实现了一个集数据采集、分析、可视化和消息推送功能的原型系统,主要包括Android端SDK和数据分析中心两部分。……
