[發(fā)明專利]一種移動(dòng)時(shí)空感知下動(dòng)態(tài)即時(shí)推薦服務(wù)模型建立方法

有效

• 申請?zhí)枺?/td>: 201710883100.7
• 申請日: 2017-09-26
• 公開（公告）號: CN107562947B
• 公開（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 崔琳;汪材印;張志偉;宋啟祥;吳孝銀;李玉林;戚溪溪
• 申請（專利權(quán)）人: 宿州學(xué)院
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F16/36;G06F16/18;G06Q30/06
• 代理公司: 西安銘澤知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 李振瑞

1.一種移動(dòng)時(shí)空感知下動(dòng)態(tài)即時(shí)推薦服務(wù)模型建立方法，其特征在于，包括：

采集移動(dòng)用戶情景日志數(shù)據(jù)集，搭建Hadoop并行分布式處理環(huán)境，對所采集的移動(dòng)用戶情景日志數(shù)據(jù)集進(jìn)行預(yù)處理，并根據(jù)預(yù)先設(shè)定的HDFS中每個(gè)數(shù)據(jù)塊大小對移動(dòng)用戶情景日志數(shù)據(jù)集進(jìn)行分割；

使用每個(gè)Map處理一個(gè)劃分好的數(shù)據(jù)塊，在每一個(gè)Map下，按照等時(shí)段劃分預(yù)處理好的移動(dòng)用戶情景日志數(shù)據(jù)集，進(jìn)行鍵值對映射，采用CIT-LDA主題模型，抽取每個(gè)時(shí)間片下的移動(dòng)時(shí)空感知信息和用戶行為偏好變化信息進(jìn)行語義建模；

所述CIT-LDA主題模型，包括：

用戶u在時(shí)刻t選擇服務(wù)v的概率，通過下式確定：

P(v|θ,β,u,t,θ′,C,λ)＝λP(v|θ,β,u,t)+(1-λ)P(v|θ′,C,t)

其中，P(v|θ,β,u,t)表示用戶u根據(jù)自身在時(shí)刻t的興趣分布θ和主題分布β選擇服務(wù)v的概率；P(v|θ′,C,t)表示服務(wù)v被時(shí)刻t的移動(dòng)情景C和移動(dòng)情景分布θ′生成的概率，t表示當(dāng)前時(shí)間片；參數(shù)λ為CIT-LDA模型的混合權(quán)重，表示用戶自身行為偏好影響的概率，1-λ表示用戶受當(dāng)時(shí)移動(dòng)時(shí)空情景影響的概率；

對于當(dāng)前時(shí)間片t，以時(shí)間片t-1中子主題分布和服務(wù)分布的加權(quán)作為時(shí)間片t中相應(yīng)分布的先驗(yàn)；時(shí)間片t中用戶興趣子主題分布和服務(wù)分布的Dirichlet先驗(yàn)滿足下式：

φ_t＝φ_t-1w

其中，φ_t中的每一列對應(yīng)時(shí)間片t-1中的一個(gè)興趣子主題-服務(wù)分布，w為權(quán)重矩陣；

通過Shuffle對鍵值對執(zhí)行排序，并合并具有相同主題鍵的多個(gè)記錄；通過Reduce對鍵值對執(zhí)行最后一次合并操作；采用對稱KL散度計(jì)算用戶興趣主題的漂移概率，確定用戶興趣變化點(diǎn)；

根據(jù)用戶興趣子主題與前向關(guān)聯(lián)子主題和后向關(guān)聯(lián)子主題間的關(guān)系，將用戶興趣子主題漂移軌跡的演化分為新興趣產(chǎn)生、興趣保持和興趣消失三種類型；當(dāng)用戶行為偏好發(fā)生變化時(shí)，分析所對應(yīng)的用戶興趣變化點(diǎn)，挖掘用戶所具有的長期興趣和短期興趣；

前向關(guān)聯(lián)用戶興趣子主題為：滑窗內(nèi)各時(shí)間片t′中與相似度最大的用戶興趣子主題，記作其中，t′＝t-N,…,t-1，N為整數(shù)；

后向關(guān)聯(lián)用戶興趣子主題為：滑窗內(nèi)各時(shí)間片t′中與相似度最大的用戶興趣子主題，記作其中，t′＝t+1,…,t+N，N為整數(shù)；

所述新興趣產(chǎn)生，包括：對于用戶興趣子主題若不存在前向關(guān)聯(lián)興趣子主題T_l^m使得和T_l^m的相似度大于閾值ε，即不滿足則是在時(shí)間片t中產(chǎn)生的新興趣主題；

所述興趣保持，包括：對于用戶興趣子主題若存在前向關(guān)聯(lián)興趣子主題使得和T_l^m的相似度大于閾值ε，即并且也是T_l^m的后向關(guān)聯(lián)興趣子主題，即則是T_l^m的后繼，用戶的興趣沒有發(fā)生太大變化；

所述興趣消失，包括：對于用戶興趣子主題若不存在后向關(guān)聯(lián)子主題T_l^m使得和T_l^m的相似度大于閾值ε，即不滿足則主題在時(shí)間片t中消亡，用戶已不再具有此興趣；

計(jì)算用戶行為偏好在整個(gè)生命周期中絕對強(qiáng)度和相對強(qiáng)度，構(gòu)建用戶行為偏好變化軌跡的強(qiáng)度走勢，挖掘每個(gè)興趣所具有的權(quán)重；

所述絕對強(qiáng)度包括：設(shè)d_i＝{d_i1…d_iM}表示移動(dòng)用戶情景日志d_i的單詞序列，M表示用戶情景日志d_i所包含的單詞個(gè)數(shù)，i表示用戶情景日志d_i所表達(dá)的用戶興趣主題；用戶興趣主題i在時(shí)間片t的絕對強(qiáng)度采用如下公式：

所述相對強(qiáng)度包括：用戶興趣主題i在時(shí)間片t的相對強(qiáng)度采用如下公式：

其中，t′為t-N與t-1之間的任一時(shí)間片，K為用戶興趣主題的個(gè)數(shù)，p為用戶興趣主題K中的其中任意一個(gè)主題；

根據(jù)用戶的長期興趣、短期興趣以及每個(gè)興趣所具有的權(quán)重，確定用戶行為偏好變化模型；

根據(jù)用戶行為偏好變化模型，結(jié)合移動(dòng)時(shí)空感知信息，確定基于Top-K的個(gè)性化動(dòng)態(tài)即時(shí)推薦服務(wù)模型。