[發(fā)明專利]基于用戶偏好與服務(wù)變化雙向感知的移動(dòng)服務(wù)推薦方法

有效

• 申請?zhí)枺?/td>: 201910407619.7
• 申請日: 2019-05-16
• 公開（公告）號: CN110134878B
• 公開（公告）日: 2022-12-16
• 發(fā)明（設(shè)計(jì)）人: 涂志瑩;段兵華;劉星焜;王忠杰;徐曉飛
• 申請（專利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類號: G06F16/9536
• 分類號: G06F16/9536
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

1.一種基于用戶偏好與服務(wù)變化雙向感知的移動(dòng)服務(wù)推薦方法，其特征在于所述方法包括如下步驟：

步驟一、部署數(shù)據(jù)采集系統(tǒng)，監(jiān)控應(yīng)用市場里六種類型下的所有移動(dòng)服務(wù)，每天定時(shí)采集這些移動(dòng)服務(wù)的前端數(shù)據(jù)，并對采集的數(shù)據(jù)進(jìn)行處理，生成服務(wù)的新增與退出、服務(wù)的受歡迎度以及服務(wù)的更新功能集合信息，其中：

數(shù)據(jù)采集系統(tǒng)監(jiān)控的移動(dòng)服務(wù)所屬的六種類型分別是便捷生活、影音播放、社交網(wǎng)絡(luò)、新聞資訊、學(xué)習(xí)辦公以及網(wǎng)購支付；

移動(dòng)服務(wù)的前端數(shù)據(jù)包括六種類型下所有移動(dòng)服務(wù)的統(tǒng)一資源定位符URL、移動(dòng)服務(wù)的下載量DOWNLOAD、好評率LIKERATE以及最新版本更新內(nèi)容UPDATECONTENT；

步驟二、收集用戶的移動(dòng)服務(wù)使用記錄，計(jì)算各個(gè)移動(dòng)服務(wù)的活躍度，形成用戶的移動(dòng)服務(wù)軌道數(shù)據(jù)，具體步驟如下：

假設(shè)用戶的相關(guān)移動(dòng)服務(wù)有S₁,S₂,…S_n，移動(dòng)服務(wù)的活躍度指的是一段時(shí)間內(nèi)用戶花費(fèi)在該移動(dòng)服務(wù)的總時(shí)長，假設(shè)該段時(shí)間內(nèi)活躍度最高的是移動(dòng)服務(wù)S_i，活躍度值為LT，活躍度最低的是移動(dòng)服務(wù)S_j，活躍度值為ST，則將區(qū)間[LT，ST]劃分成10個(gè)等長區(qū)間[LT₁，ST₁],…,[LT₁₀,ST₁₀]，每個(gè)區(qū)間稱之為一個(gè)軌道，每個(gè)移動(dòng)服務(wù)根據(jù)其使用時(shí)長劃分到相應(yīng)的軌道，用戶使用的所有移動(dòng)服務(wù)及其軌道(S₁,TRACK₁),(S₂,TRACK₂),…,(S_n,TRACK_n)匯集起來形成用戶的移動(dòng)服務(wù)軌道數(shù)據(jù)；

步驟三、選擇某個(gè)歷史時(shí)間段HISTORY，獲取在HISTORY時(shí)間段內(nèi)P個(gè)用戶，總計(jì)V個(gè)移動(dòng)服務(wù)的軌道數(shù)據(jù)TRACK_DATA以及HISTORY時(shí)間內(nèi)這V個(gè)移動(dòng)服務(wù)的更新功能集合UDATEFUNCTION_HISTORY，構(gòu)建TRACK_DATA與UDATEFUNCTION_HISTORY之間的關(guān)系模型，其中：

TRACK_DATA與UPDATEFUNCTION_HISTORY之間關(guān)系的構(gòu)建主要采用集成學(xué)習(xí)方法中的梯度上升回歸樹模型，具體包括以下分步驟：

①對于TRACK_DATA中每個(gè)移動(dòng)服務(wù)S_i的軌道序列[TRACK_i1,…TRACK_im]，提取其統(tǒng)計(jì)特征x_i1、熵特征x_i2以及分段特征x_i3，將這三類特征連接成一維的特征向量X_i＝[x_i1,x_i2,x_i3]；

所述統(tǒng)計(jì)特征x_i1包括最小值MIN、最大值MAX、均值MEAN、方差VAR，熵特征x_i2包括BINNEDENTROPY、APPROXIMATE ENTROPY，分段特征x_i3包括分段聚合逼近PAA；

所述BINNED ENTROPY、APPROXIMATE ENTROPY、PAA的計(jì)算方法分別如下：

a、BINNED ENTROPY：

從熵的定義出發(fā)，把序列T的取值進(jìn)行分桶操作，將[MIN(T),MAX(T)]等分為MAXBIN個(gè)桶，根據(jù)等距分桶的情況，計(jì)算出概率分布的熵：

其中，P_k表示序列T的取值落在第k個(gè)桶的概率，MAXBIN表示桶的個(gè)數(shù)，LEN(T)表示序列T的長度；

b、APPROXIMATE ENTROPY：

假設(shè)序列T:{t₁,…t_N}的長度為N，同時(shí)APPROXIMATE ENTROPY擁有兩個(gè)參數(shù)q和r，計(jì)算APPROXIMATE ENTROPY的步驟如下：

Step1：固定兩個(gè)參數(shù)，正整數(shù)q和整數(shù)r，r是表示兩個(gè)序列之間距離的參數(shù)，為了對序列進(jìn)行一個(gè)片段的提取，構(gòu)造新的q維向量如下：

Step2：通過新的向量T₁(q),…T_N-q+1(q)，計(jì)算哪些向量與T_i相似：

C_i^q＝(number of T_j(q)such that d(T_i(q),T_j(q)≤r))/(N-q+1)；

在這里，距離d選擇L²范數(shù)；

Step3：考慮函數(shù)

Step4：APPROXIMATE ENTROPY的值為：

APPROXIMATE ENTROPY(q,r)＝Φ^m(r)-Φ^m+1(r)；

c、PAA：

假設(shè)序列T:{t₁,…t_N}是原始序列，產(chǎn)生的PAA序列為其中，

式中，N表示原始序列的長度，w表示產(chǎn)生的PAA序列的長度；

②使用LDA主題模型對UPDATEFUNCTION_HISTORY的每一個(gè)移動(dòng)服務(wù)S_i的更新功能集合UF_i抽象表示，形成主題分布向量TS_i，將該向量作為目標(biāo)變量Y_i的值；

③將上述①、②兩個(gè)步驟中得到的移動(dòng)服務(wù)S_i的特征向量X_i以及其對應(yīng)的目標(biāo)變量Y_i作為第i條訓(xùn)練樣例，V個(gè)移動(dòng)服務(wù)總共構(gòu)成大小為V條訓(xùn)練樣例的訓(xùn)練集，輸入GBRT模型進(jìn)行訓(xùn)練，并將訓(xùn)練結(jié)束后的模型持久化到磁盤；

步驟四、使用步驟三建立的關(guān)系模型，根據(jù)當(dāng)前時(shí)間段CURRENT用戶的移動(dòng)服務(wù)軌道數(shù)據(jù)，預(yù)測用戶期望的更新功能集合，并從數(shù)據(jù)采集系統(tǒng)在CURRENT時(shí)間段內(nèi)監(jiān)控的移動(dòng)服務(wù)中選擇契合用戶期望的移動(dòng)服務(wù)推薦給用戶。