[發(fā)明專(zhuān)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(qǐng)?zhí)枺?/td>: 201710883100.7
• 申請(qǐng)日: 2017-09-26
• 公開(kāi)（公告）號(hào): CN107562947B
• 公開(kāi)（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(qǐng)（專(zhuān)利權(quán)）人: 宿州學(xué)院
• 主分類(lèi)號(hào): G06F16/35
• 分類(lèi)號(hào): G06F16/35;G06F16/36;G06F16/18;G06Q30/06
• 代理公司: 西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 李振瑞

本發(fā)明公開(kāi)了一種移動(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。該方法包括：對(duì)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；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(yǔ)義建模；采用對(duì)稱(chēng)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)；將用戶興趣子主題漂移軌跡的演化分為三種類(lèi)型；根據(jù)用戶的長(zhǎng)期興趣、短期興趣以及每個(gè)興趣所具有的權(quán)重，確定用戶行為偏好模型；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。本發(fā)明在Hadoop并行分布式計(jì)算環(huán)境下，使用CIT?LDA主題模型、構(gòu)建用戶行為偏好變化的模型和基于Top?K的個(gè)性化推薦方法對(duì)移動(dòng)互聯(lián)下基于情景感知和用戶興趣變化的個(gè)性化推薦服務(wù)進(jìn)行探索性研究。

技術(shù)領(lǐng)域

本發(fā)明涉及移動(dòng)互聯(lián)網(wǎng)領(lǐng)域，更具體的涉及一種移動(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。

背景技術(shù)

隨著移動(dòng)互聯(lián)網(wǎng)爆炸式增長(zhǎng)、電子商務(wù)的迅猛發(fā)展以及智能手機(jī)的快速普及，尤其是基于位置的社交網(wǎng)絡(luò)的盛行和O2O商業(yè)模式的出現(xiàn)，使“移動(dòng)互聯(lián)新生態(tài)”在全球范圍內(nèi)迅速成長(zhǎng)，極大地加快了移動(dòng)信息產(chǎn)業(yè)向社會(huì)經(jīng)濟(jì)各個(gè)層面、大眾日常生活的滲透。與傳統(tǒng)PC互聯(lián)網(wǎng)相比，移動(dòng)互聯(lián)網(wǎng)最大的區(qū)別在于“移動(dòng)”二字，而“移動(dòng)”所提供的信息服務(wù)，又因?yàn)槿说囊苿?dòng)而滲透到現(xiàn)實(shí)世界，與真實(shí)的社會(huì)形成了更強(qiáng)互動(dòng)，基于移動(dòng)設(shè)備的應(yīng)用和服務(wù)己經(jīng)成為用戶信息獲取、休閑娛樂(lè)的主要方式。與此同時(shí)，這些移動(dòng)應(yīng)用和服務(wù)也產(chǎn)生了海量的歷史數(shù)據(jù)，為深入探索移動(dòng)互聯(lián)環(huán)境下的潛在價(jià)值、開(kāi)發(fā)全新的移動(dòng)應(yīng)用和服務(wù)提供了充分的機(jī)遇。但是，如何從浩瀚的移動(dòng)網(wǎng)絡(luò)環(huán)境中發(fā)現(xiàn)用戶真正感興趣的信息資源，豐富并滿足移動(dòng)用戶對(duì)信息的個(gè)性化需求，逐漸成為移動(dòng)互聯(lián)網(wǎng)中個(gè)性化服務(wù)領(lǐng)域亟待解決的技術(shù)難題。

目前，對(duì)移動(dòng)環(huán)境下的個(gè)性化推薦問(wèn)題雖有一定程度的研究，但是，由于在移動(dòng)時(shí)空情景下，用戶的行為偏好會(huì)經(jīng)常隨時(shí)間發(fā)生變化，另外，移動(dòng)會(huì)帶來(lái)時(shí)空情景的切換，不同情景信息會(huì)對(duì)用戶需求產(chǎn)生不同的影響，而傳統(tǒng)推薦算法大都采用靜態(tài)的研究方法，忽略了用戶評(píng)分項(xiàng)目的時(shí)間因素，沒(méi)有考慮移動(dòng)時(shí)空下用戶行為偏好變化的問(wèn)題，并且針對(duì)移動(dòng)推薦過(guò)程中情景信息考慮不足，以及沒(méi)有充分考慮用戶行為偏好變化，從而不能準(zhǔn)確、迅速地從海量的移動(dòng)應(yīng)用和服務(wù)中找到用戶感興趣的內(nèi)容實(shí)現(xiàn)個(gè)性化推薦服務(wù)。

綜上所述，現(xiàn)有技術(shù)中，存在針對(duì)移動(dòng)推薦過(guò)程中情景信息考慮不足，以及沒(méi)有充分考慮用戶行為偏好變化，不能準(zhǔn)確、迅速地從海量的移動(dòng)應(yīng)用和服務(wù)中找到用戶感興趣的內(nèi)容實(shí)現(xiàn)個(gè)性化推薦服務(wù)的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種移動(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，用以解決現(xiàn)有技術(shù)中存在針對(duì)移動(dòng)推薦過(guò)程中情景信息考慮不足，以及沒(méi)有充分考慮用戶行為偏好變化，不能準(zhǔn)確、迅速地從海量的移動(dòng)應(yīng)用和服務(wù)中找到用戶感興趣的內(nèi)容實(shí)現(xiàn)個(gè)性化推薦服務(wù)的問(wèn)題。

本發(fā)明實(shí)施例提供一種移動(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，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(duì)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(duì)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(duì)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(yǔ)義建模；

通過(guò)Shuffle對(duì)鍵值對(duì)執(zhí)行排序，并合并具有相同主題鍵的多個(gè)記錄；通過(guò)Reduce對(duì)鍵值對(duì)執(zhí)行最后一次合并操作；采用對(duì)稱(chēng)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(lèi)型；當(dāng)用戶行為偏好發(fā)生變化時(shí)，分析所對(duì)應(yīng)的用戶興趣變化點(diǎn)，挖掘用戶所具有的長(zhǎng)期興趣和短期興趣；