9 下一代移动推荐系统

偏好 ， 提供个性化服务 ， 是缓解 “ 信息过载 ” 问题的 重 要 手 段 之 一 ． 移动环境下推荐系统的一 例如 ， 出租车公司每天通过车 个重要特色是可以进行带有时间或者位置约束的个性化推荐 ． 载系统搜集到大量的出租车驾驶的路径信息 ， 旅游公司掌握了丰富的游客旅行线路及开销 信息 ． 移动推荐系统利用出租车的 Ｇ 对驾驶员进行合理的载 客线路 推荐 ， Ｐ Ｓ 地理位置信息 ， 提高了出租车驾驶员的载客率 ． 旅游公司利用其历史信息 ， 在满足时间 、 开销等约束下 ， 对游 客进行由一系列景点组成的具有吸引力的旅游包推荐 ． 利用地理位置信息的移动推荐系统 ， 可以将传统推荐系统的单点推荐推广到序列推荐 ， 从而可以最大限度发挥移动用户的移动 并满足用户提供适时适地的推荐请求 ． 性和可定位性 ， 本文将主要针对移动互联网环境下的应用 需 求 ， 对比分析移动推荐问题面临的巨大挑 讨论在传统推荐系统的基础上推荐算法的 设 计 ， 充 分 考 虑 移 动 环 境 下 用 户 的 可 移 动、 可 战，
（ １． 犛 狅 狋 狑 犪 狉 犲犈 狀 犻 狀 犲 犲 狉 犻 狀 狀 狊 狋 犻 狋 犪 狋 犲， 犈 犪 狊 狋犆 犺 犻 狀 犪犖 狅 狉 犿 犪 犾犝 狀 犻 狏 犲 狉 狊 犻 狋 犛 犺 犪 狀 犺 犪 犻 ０ ０ ０ ６ ２， 犆 犺 犻 狀 犪； ２ 犳 犵 犵犐 狔， 犵 ２． 犚 狌 狋 犲 狉 狊犅 狌 狊 犻 狀 犲 狊 狊犛 犮 犺 狅 狅 犾， 犚 狌 狋 犲 狉 狊犝 狀 犻 狏 犲 狉 狊 犻 狋 犖 犲 狑犑 犲 狉 狊 犲 犝 犛 犃） 犵 犵 狔， 狔，
０ 引 言
随着传感器 、 无线网 络 等 移 动 通 信 技 术 以 及 智 能 手 机 等 移 动 终 端 的 发 展 ， 通过 Ｇ Ｐ Ｓ、
２ ０ １ ３ ０ ３ 收稿日期 ： 国家自然科学基 金 重 点 项 目 （ ； 国家自然科学基金（ ； 武汉大学开放基金 ６ １ ２ ３ ２ ０ ０ ２） ６ １ １ ０ ３ ０ ３ ９） 基金项目 ： （ ） Ｓ Ｋ Ｌ Ｓ Ｅ ２ ０ １ ２ ０ ９ １ ６ 宋乐怡 ， 女， 硕士研究生 ， 研究方向为 Ｗ ： ｅ ｂ数据管理与数据挖掘 ． Ｅ ｍ ａ ｉ ｌ ｓ ｏ ｎ ｌ ｅ ｉ ｃ ｎ ｕ ． ｅ ｄ ｕ ． ｃ ｎ ． 第一作者 ： ＠ｅ ｇ ｙ 熊辉 ， 男， 教授 ， 博士生导师 ， 研究方向为数据挖掘 ． ： Ｅ ｍ ａ ｉ ｌ ｘ ｉ ｏ ｎ ｈ ｕ ｉ ｍ ａ ｉ ｌ ． ｃ ｏ ｍ． 通信作者 ： ＠ｇ ｇ
］ ６ 定位特性 ， 实现能够提供符合用户上下文约束条件 （ 如时间 、 地点等 ） 、 更加个性化的推荐 ［ ．
全文内容安排如下 ： 第 １ 节对传统推荐系统和推荐算法进行介绍 ， 第 ２ 节给出移动环境推荐 还总结了移动推荐系统设计面临的挑战 ， 第３节 系统的研究现状以及移动计算广告的应用 ， 针对出租车线路推荐和旅游包推荐两个案例 ， 分别讨论其移动推荐系统的问题解决框架 ， 最 后第 ４ 节总结全文 ．
： 犃 犫 狊 狋 狉 犪 犮 狋 ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒｓ ｓ ｔ ｅ ｍ ｓ ａ ｉ ｍｔ ｏ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｏ ｎ ｔ ｅ ｎ ｔ ｏ ｆ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ｆ ｒ ｏ ｍｏ ｖ ｅ ｒ ｌ ｏ ａ ｄ ｅ ｄ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｒ ｙ ｙｃ ｂ ｘ ｌ ｏ ｉ ｔ ｉ ｎ ｈ ｅｏ ｉ ｎ ｉ ｏ ｎ ｓｏ ｆ ａｃ ｏ ｍｍ ｕ ｎ ｉ ｔ ｆｕ ｓ ｅ ｒ ｓ ． Ｄ ｕ ｅ ｔ ｏ ｔ ｈ ｅ ｃ ｏ ｍ ｌ ｅ ｘ ｉ ｔ ｆ ｓ ａ ｔ ｉ ａ ｌ ｄ ａ ｔ ａａ ｎ ｄｔ ｈ ｅ ｙｅ ｐ ｇｔ ｐ ｙｏ ｐ ｙｏ ｐ ， ｄ ｅ ｖ ｅ ｌ ｏ ｉ ｎ ｅ ｒ ｓ ｏ ｎ ａ ｌ ｉ ｚ ｅ ｄｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒ ｓ ｓ ｔ ｅ ｍ ｓ ｉ ｎｍ ｏ ｕ ｎ ｃ ｌ ｅ ａ ｒ ｒ ｏ ｌ ｅ ｓｏ ｆ ｃ ｏ ｎ ｔ ｅ ｘ ｔ ａ ｗ ａ ｒ ｅ ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ｐ ｇｐ ｙ ｂ ｉ ｌ ｅａ ｎ ｄｐ ｅ ｒ ｖ ａ ｓ ｉ ｖ ｅｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍ ｅ ｎ ｔ ｓ ｉ ｓｍ ｏ ｒ ｅｃ ｈ ａ ｌ ｌ ｅ ｎ ｉ ｎ ｈ ａ ｎｄ ｅ ｖ ｅ ｌ ｏ ｉ ｎ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒｓ ｓ ｔ ｅ ｍ ｓｆ ｒ ｏ ｍ ｇ ｇｔ ｐ ｇｒ ｙ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｄ ｏ ｍ ａ ｉ ｎ ｓ ．Ｔ ｈ ｉ ｓｐ ａ ｅ ｒｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄｃ ｌ ａ ｓ ｓ ｉ ｃｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎｔ ｅ ｃ ｈ ｎ ｉ ｕ ｅ ｓａ ｎ ｄｕ ｎ ｉ ｕ ｅｆ ｅ ａ ｐ ｑ ｑ ， ｔ ｕ ｒ ｅ ｓ ｉ ｎｍ ｏ ｂ ｉ ｌ ｅｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒｓ ｓ ｔ ｅ ｍ ｓ ａ ｓｗ ｅ ｌ ｌ ａ ｓ ｔ ｈ ｅｃ ｈ ａ ｌ ｌ ｅ ｎ ｅ ｓ ｉ ｎｍ ｏ ｂ ｉ ｌ ｅｅ ｎ ｖ ｉ ｒ ｏ ｍ ｅ ｎ ｔ ． Ｂ ａ ｓ ｅ ｄｏ ｎ ｙ ｇ ， ， ｔ ａ ｘ ｉ ｄ ｒ ｉ ｖ ｉ ｎ ｏ ｕ ｔ ｅｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎａ ｎ ｄｐ ｅ ｒ ｓ ｏ ｎ ａ ｌ ｉ ｚ ｅ ｄｔ ｒ ａ ｖ ｅ ｌｐ ａ ｃ ｋ ａ ｅｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎ ｔ ｗ ｏｃ ａ ｓ ｅ ｓ ｇｒ ｇ ｒ ｏ ｂ ｌ ｅ ｍａ ｎ ｄｃ ｏ ｎ ｓ ｔ ｒ ａ ｉ ｎ ｅ ｄ ｔ ｒ ａ ｖ ｅ ｌ ｒ ｅ ｃ ｗ ｅ ｆ ｏ ｒ ｍ ｕ ｌ ａ ｔ ｅ ｄｔ ｈ ｅｍ ｏ ｂ ｉ ｌ ｅ ｓ ｅ ｕ ｅ ｎ ｔ ｉ ａ ｌ ｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎ（ Ｍ Ｓ Ｒ） ｐ ｑ ， ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎ． Ｆ ｉ ｎ ａ ｌ ｌ ｗ ｅｇ ａ ｖ ｅ ａｂ ｒ ｉ ｅ ｆ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎｏ ｆ ｔ ｈ ｅｍ ｏ ｂ ｉ ｌ ｅ ｒ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒ ｒ ｏ ｂ ｌ ｅ ｍｒ ｅ ｓ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ． ｙ ｐ ｐ ｙ ： ； 犓 犲 狅 狉 犱 狊 ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ｅ ｒ ｓ ｓ ｔ ｅ ｍ； ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ａ ｄ ｖ ｅ ｒ ｔ ｉ ｓ ｉ ｎ ｏ ｂ ｉ ｌ ｅ ｓ ｅ ｕ ｅ ｎ ｔ ｉ ａ ｌ ｒ ｅ ｃ ｏ ｍ ｍ ｅ ｎ ｄ ｅ ｒ ｒ ｍ ｙ ｐ ｇ ｑ 狔狑
３ ８
华东师范大学学报 （ 自然科学版 ）
２ ０ １ ３年
［］ 、 移动互联 Ｗ ｉ Ｆ ｉ Ｒ Ｆ Ｉ Ｄ 等信息基础设施 已 能 够 收 集 到 大 量 的 地 理 位 置 等 用 户 相 关 信 息 １ ， 网也随之产生了大量的新型应用 ， 移动推荐系统应运而生 ， 如基于移动设备当前位置进行美 ２］ ３］ 食推荐 ［ 、 购物推荐 ［ 等． 推荐系统的目的 是 在 互 联 网 带 来 的 信 息 过 载 情 况 下 ， 帮助用户进 ］ ４， ５ 行信息过滤 ， 使其能快速找到符合个人需求的 信息 ． 推 荐 系 统［ 能够通过识别和预测用户
］ ７， ９ ， 简称 Ｔ 模型 ［ 表示 ， 定义为关 键字权 重的 Ｆ ｒ ｅ ｕ ｅ ｎ ｃ Ｉ ｎ ｖ ｅ ｒ ｓ ｅＤ ｏ ｃ ｕ ｍ ｅ ｎ ｔＦ ｒ ｅ ｕ ｅ ｎ ｃ Ｆ Ｉ Ｄ Ｆ） ｑ ｙ ｑ ｙ 向量 ． 用户 ｃ资料的偏好特征 Ｃ （ ） 通常也 可以表示为关键字 对用户 ｃ 的 ｏ ｎ ｔ ｅ ｎ ｔ Ｂ ａ ｓ ｅ ｄ Ｐ ｒ ｏ ｆ ｉ ｌ ｅ ｃ ［１］ １ ０］ 一个权重向量 ， 可采用贝叶斯分类算法 ［ 、 等得到 ． 最 终需要 计算的效 用函 Ｗ ｉ ｎ ｎ ｏ ｗ 算法 １
］ ４ 于内容推荐算法 、 协同过滤算法 、 混合算法模型 ［ ．
１． ２ 推荐算法研究 １． ２． １ 基于内容的推荐
［ ８］ 基于内容的推荐 （ 是 根 据 用 户 过 去 选 择 的 对 象， 推 Ｃ ｏ ｎ ｔ ｅ ｎ ｔ Ｂ ａ ｓ ｅ ｄＲ ｅ ｃ ｏ ｍｍ ｅ ｎ ｄ ａ ｔ ｉ ｏ ｎ）
下一代移动推荐系统
２ １ 宋乐怡１， 熊 辉 ， 张 蓉
（ 上海 ２ 新泽西州立大学 商学院 ， 美国 新泽西州 ） １．华东师范大学 软件学院 ， ０ ０ ０ ６ ２； ２．罗格斯 摘要 ： 推荐系统的目的是通过利用用户的评价信息 ， 实现从过载的信息中识 别 出 用 户 感 兴 趣 的 移动环境下的空间数据复杂性较高 ， 并且用户的上下文信息更加模糊 ， 从而使得移动个性 内容 ． 本文通过介绍传统推荐算法和移动环 境 下 个 性 化 推 荐 化推荐相比于传统领域面临更大的挑战 ． 的特性 ， 给出了移动推荐的挑战 ； 在基于 Ｇ Ｐ Ｓ 信息的出租车 线 路 推 荐 和 旅 游 包 推 荐 两 个 移 动 案 例基础上 ， 提出了移动序列推荐问题及基于约束的旅游推荐问题 ， 并给出了相应的解决方案 ． 关键词 ： 推荐系统 ； 计算广告 ； 移动序列推荐 中图分类号 ：Ｔ ： ／ Ｐ ３ ９ １ 文献标识码 ：Ａ 犇 犗 犐 １ ０． ３ ９ ６ ９ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ０ ５ ６ ４ １． ２ ０ １ ３． ０ ３． ０ ０ ４ ｊ
犜ຫໍສະໝຸດ Baidu狅 狑 犪 狉 犱 狊 狋 犺 犲狀 犲 狓 狋 犲 狀 犲 狉 犪 狋 犻 狅 狀狅 犳犿 狅 犫 犻 犾 犲 狉 犲 犮 狅 犿犿 犲 狀 犱 犲 狉 狊 狊 狋 犲 犿 狊 犵 狔
１ ２ １ ， ， Ｓ ＯＮＧ Ｌ ｅ ｉ Ｉ ＯＮＧ Ｈ ｕ ｉ ＨＡＮＧ Ｒ ｏ ｎ Ｘ Ｚ ｙ ｇ
荐相关属性与之相似度最高的对象 ， 这样就能给出最符合用户偏好的推荐 ． 这类算法通常源 于信息检索方法 ： 对象通过特征提取的方法得到对象内容的特征来表示 ， 系统基于用户所评
］ ４ 价对象的特征 ， 学习用户的兴趣 ， 从而考察用户资料与待预测项目的匹配程度 ［ ．
对象内容特征 （ （ ） ） 可 采 用 信 息 检 索 中 最 经 典 的 词 频—倒 排 文 档 频 率 （ Ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｓ Ｔ ｅ ｒ ｍ
第３期 ２ ０ １ ３年５月
华东师范大学学报 （ 自然科学版 ）
） Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆＥ ａ ｓ ｔＣ ｈ ｉ ｎ ａＮ ｏ ｒ ｍ ａ ｌＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ Ｎ ａ ｔ ｕ ｒ ａ ｌＳ ｃ ｉ ｅ ｎ ｃ ｅ ｙ（
Ｎ ｏ ． ３ Ｍ ａ ０ １ ３ ｙ２
文章编号 ： （ ） １ ０ ０ ０ ５ ６ ４ １ ２ ０ １ ３ ０ ３ ０ ０ ３ ７ ０ ９
１ 传统推荐系统
１． １ 传统推荐系统 ［］ “ 推荐系统是利用电子商务网站向客 户提供 商品 Ｒ ｅ ｓ ｎ ｉ ｃ ｋ和 Ｖ ａ ｒ ｉ ａ ｎ在１ ９ ９ ７ 年 ７ 指出 ： 帮助用户决定应该购买什么产品 ， 模拟销售人员帮助客户完成购买过程 ． ” 信息和建议 ， 传统推荐利用个人兴趣或者社交网络中朋友的兴趣 ， 进行评分预测或 Ｔ 如， ｏ ｐ犖 推 荐 ， 音乐或电影网站进行相关产品 推荐 ， Ａｍ ａ ｚ ｏ ｍ． ｃ ｏ ｍ 进行产品推荐 ， Ｆ ａ ｃ ｅ ｂ ｏ ｏ ｋ 进行用户推荐 ， 超市根据商品购买量进行预测等 ． 可以将其总结 为 一 个 用 户 与 商 品 对 应 的 评 分 或 无 打 分 矩 阵的分解问题 ， 通过多种算法实现对特定用户 的 产 品 预 测 和 推 荐 ． 通 常 有 三 种 实 现 算 法： 基