對于移動社會網絡中基于位置的個性化餐館推薦建模研究論文
截至2015年12月底，全國移動電話用戶數達13.06億，日益增長的智能機和搜索服務對用戶的移動服務體驗產生了重要影響。為滿足用戶不斷增長的隨時隨地獲取如美食等信息的需求，更加個性化和與位置有關的移動服務成為未來主要方向。移動環境下基于位置的推薦系統(Location-BasedSystem，LBS)是一種有效的解決方案，它運用現代移動通信、計算機、GPS等技術，提供與位置有關的信息服務。隨著基于位置的服務產生信息過載問題，推薦系統依據用戶行為和偏好，提供個性化需求推薦被廣泛應用。移動終端具有屏幕小及處理能力弱等缺點，而用戶注重高實時和方便性體驗，對有用信息的提取提出了更高要求，基于位置的推薦系統具有位置敏感性和實時性，可以結合用戶當前位置及情景信息進行個性化推薦。
本文建立了一個移動社會網絡中基于位置的個性化餐館推薦模型，分析了移動環境下基于位置的個性化推薦系統的特點和需求，并根據這些特征，比較現有推薦算法的優缺點，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 移動環境中基于位置的推薦系統
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，通過移動手機GPS功能獲取用戶當前信息。與傳統電子商務系統相比，LBS移動應用更注重信息的動態性、多樣性和基于用戶位置的實時需求。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于基于位置的服務。移動應用程序“Foursquare”基于地理位置，對用戶進行定位，隨機構成一個實地的SNS社交網絡。“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，用戶可以獲取各種各樣的生活服務信息。
以“Foursquare”和“大眾點評網”分析LBS推薦系統的特征：
(1)位置敏感和實時性。用戶可基于位置搜索信息，獲得實時期望的服務內容。并能立即獲得一些迫切的信息服務。
(2)明確的用戶信息。基于位置的系統中用戶通常具有真實、可靠的身份特征，易識別和收集用戶信息。移動用戶在網上注冊時，便可同步獲得他們的統計數據。
(3)融入情景信息，適應用戶偏好變化。將情景信息如位置、天氣、時間等加入LBS推薦系統，可快速響應不同情形下用戶興趣的變化，獲取用戶短期興趣，區分用戶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用戶、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，此時沒有用戶及其行為，缺乏數據導致推薦結果不準確。如何贏得用戶和提高其忠誠度，解決冷啟動問題是有價值的。
(5)隱私保護。由于涉及個人隱私和信息安全，用戶不愿提供完整和準確的數據，通過記錄不同時間點移動用戶所在位置，獲取用戶場所，分析其信息、行為和位置，提高推薦準確性。
2 推薦算法設計
根據不同的推薦算法將推薦系統劃分為：協同過濾、基于內容過濾和基于規則的推薦。協同過濾推薦的基本思想是，假設用戶之前具有相同的偏好，則他們在以后也有相似的偏好，根據“用戶—評分”矩陣計算不同用戶或項目之間的相似性，然后根據相似程度，找出與當前用戶過去興趣類似的其他用戶即最近鄰相似性。基于最近鄰用戶或項目評分集計算目標用戶對物品的預測值，最終形成推薦。基于內容的推薦是推薦與用戶過去已購買的商品或興趣相似的項目，利用資源和用戶興趣的相似性獲取信息并過濾信息。通過獲取用戶評價過的項目特征和用戶記錄數據，根據這些數據計算相似性，建立用戶興趣模型，開始推薦過程。然后，系統選擇出與用戶偏好高度相似的那些物品。基于規則的推薦算法通常基于預先定義的規則進行推薦，由于推薦系統建立時，沒有用戶行為數據，物品信息也少，因此，通常利用專家進行標注，或根據關聯規則的挖掘技術，這些規則用IF-THEN語句表示，主要使用用戶的靜態屬性來創建。
不同推薦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算法的特征需求，還具有餐館對象推薦的一些特性，即餐館數量多，各式菜肴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，基于位置的推薦系統需要使用推薦算法處理多個離散屬性。選擇未對項目內容進行分析的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，首先選擇基于規則的推薦算法;當系統收集到足夠的數據，采用協同過濾推薦算法。
3 移動社會網絡中基于位置的推薦模型
3.1 系統分析
3.1.1 用戶偏好模型
用戶偏好模型是推薦系統的重要組成部分，它為每個用戶提供個性化服務。可以使用不同的方法進行用戶偏好建模，用戶模型的類型也不同，本文根據用戶需求的變化將用戶偏好分為短期偏好和長期偏好。
(1)用戶短期偏好模型。基于位置服務系統中的用戶總是處在不斷變化的情景中，不同的情景將使用戶的興趣改變。用戶短期偏好指的是由用戶當前所處的特定上下文信息影響而表現出的臨時偏好，以及與用戶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、地點和其他上下文信息，用戶可能選擇不同類型的餐館。例如冬季用戶選擇火鍋的概率要大得多。將用戶在二級分類的偏好可以看作是短期偏好。
(2)用戶長期偏好模型。用戶長期偏好是在分析大量歷史數據的基礎上，基于不變的習慣得出的一種偏好，例如用戶可接受的價格范圍、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用戶的長期偏好。
3.1.2 情景信息集成
情景信息也稱上下文信息，指能對用戶的需求表達產生影響的'環境因素。其中主觀因素與用戶自身個人喜好、習慣等特性相關;客觀因素主要是指當前位置、時間、天氣等。上下文信息會對用戶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，傳統的推薦算法只考慮了用戶和資源2個維度信息。在移動情景下，用戶的環境信息不固定將影響用戶對信息的搜索，用戶和資源2個維度就需要擴大到三維，即用戶、推薦內容、上下文信息。選擇預先過濾的情境信息并適當地修改，首先基于用戶的位置，去除遠遠大于客戶可接受范圍的餐館，過濾掉未在營業時間內的餐館。其次，融合當前情景信息區分用戶的短期和長期偏好，獲取餐館類型和屬性的用戶偏好概率，計算每個餐館推薦的概率。最后，執行基于用戶和上下文信息的協同過濾推薦，顯示向當前用戶推薦在相同情境下與其他用戶有共同偏好的餐館列表。
3.2 系統模型
系統框架使用歷史數據為新用戶進行推薦，在冷啟動階段將少量的甚至沒有用戶數據及行為的新用戶保留下來，降低移動用戶操作的復雜性。此外，系統框架融合豐富的情景信息，如位置、天氣條件、季節等，基于用戶的短期和長期的偏好向用戶提供最有效的推薦。當系統收集到大量的數據，采用混合的協同過濾推薦算法提高推薦結果。
(1)用戶信息。用戶信息包括諸如性別、年齡和其他人口統計的手機注冊信息、移動設備信息等。
(2)情景信息。情景信息包括用戶當前的位置、天氣、時間、季節等情境信息。(3)餐館信息。餐館信息包括餐館類型、特征及其他的基本信息。餐館類型有西餐店、火鍋店、燒烤等;餐館特征有環境、口味、價格、無線網絡等;餐館基本信息有餐館位置、營業時間、聯系電話等。
(4)用戶日志。用戶日志指用戶的歷史瀏覽記錄，包括用戶等級和交互數據等，以便在冷啟動階段更新規則庫，并為協同過濾推薦提供數據支持。
3.3 用戶行為數據分析
冷起動階段后，收集的大量的用戶歷史反饋數據和交互數據可用于數據挖掘和分析用戶行為。在這一階段，推薦流程設計如下：首先，修改規則庫，通過分析歷史數據提高冷啟動階段推薦的精度和有效性，尋找關聯規則并重新計算規則庫中每一規則的概率。其次，基于用戶和基于上下文的協同過濾推薦，將協同過濾推薦引入到該框架中，采用基于用戶和基于上下文的協同過濾推薦算法，確定與目標用戶偏好最相似的鄰居用戶，獲取與目標用戶相同情景下鄰居用戶對餐館的選擇，進行有效和可靠的推薦。最后進行混合推薦。結合基于規則的算法和協同過濾推薦獲得的結果，得出目標用戶最終推薦結果。
4 結語
移動社會網絡中基于位置服務的餐館推薦系統可基于用戶當前的情景信息和偏好實時地為用戶提供精確、有效的餐館信息。本文分析了基于位置服務推薦系統的特性，并比較不同推薦系統的特點和功能。結合在冷啟動階段基于規則的推薦算法，以及用戶行為數據分析階段基于用戶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用戶的信任，并有效和精確地推薦。
【對于移動社會網絡中基于位置的個性化餐館建模研究論文】相關文章：
淺談移動社會網絡中基于位置的個性化餐館推薦建模研究論文10-31
移動設備對于網絡教育的意義論文08-09
移動網絡優化流程研究論文11-07
基于移動Agent系統的安全技術研究論文11-06
網絡社會研究管理的論文10-17
基于功能建模及過程建模制造系統的建模框架與方法的論文07-11
基于網絡的企業資源邊界厘定研究論文10-22
論文：淺談基于IP網絡的Qos策略研究06-23