基于移動(dòng)用戶行為的智能應(yīng)用推薦算法和框架的研究.pdf

1、隨著移動(dòng)互聯(lián)網(wǎng)產(chǎn)業(yè)的飛速發(fā)展，移動(dòng)應(yīng)用市場(chǎng)出現(xiàn)了爆炸性增長(zhǎng)。不斷增長(zhǎng)的應(yīng)用數(shù)量在帶來(lái)商業(yè)機(jī)遇的同時(shí)，也造成了移動(dòng)應(yīng)用的信息過(guò)載問(wèn)題。推薦系統(tǒng)作為經(jīng)典的信息過(guò)載解決方案，已經(jīng)在其它商品領(lǐng)域中取得了顯著的成效。然而，在移動(dòng)應(yīng)用推薦領(lǐng)域，傳統(tǒng)推薦系統(tǒng)面臨著兩大困難：其一，由于隱私、用戶惰性和商業(yè)保護(hù)的限制，協(xié)同過(guò)濾推薦系統(tǒng)所需要的高質(zhì)量評(píng)分?jǐn)?shù)據(jù)難以采集；其二，缺乏從用戶群體角度描述用戶行為遷移和演化的機(jī)制，導(dǎo)致當(dāng)前對(duì)移動(dòng)用戶行為模式分析算法難

2、以被用于改善移動(dòng)應(yīng)用推薦系統(tǒng)的效果。為此，本文針對(duì)上述困難對(duì)基于移動(dòng)用戶行為的應(yīng)用推薦算法進(jìn)行了研究，提出了基于用戶行為的隱性評(píng)分算法和基于自組織網(wǎng)絡(luò)坐標(biāo)的行為遷移分析算法。本文還實(shí)現(xiàn)了一套分布式離線推薦系統(tǒng)原型框架為上述兩種算法提供大數(shù)據(jù)內(nèi)存運(yùn)算和分布式存儲(chǔ)支持。
　　本文的研究重點(diǎn)之一是基于移動(dòng)用戶行為日志的隱性評(píng)分生成算法。該算法旨在利用可以廣泛采集的移動(dòng)用戶行為日志生成可被推薦系統(tǒng)高效利用的應(yīng)用評(píng)分，從而解決缺乏評(píng)分?jǐn)?shù)據(jù)的

3、問(wèn)題。該算法基于無(wú)監(jiān)督的混合高斯模型進(jìn)行設(shè)計(jì)，分為行為模型和評(píng)分算法兩部分。行為模型通過(guò)混合高斯模型分析并捕獲用戶群體使用應(yīng)用的行為模式。評(píng)分算法則利用行為模型的輸出，生成用戶對(duì)應(yīng)用的隱性評(píng)分。
　　本文的另一項(xiàng)研究重點(diǎn)是基于自組織網(wǎng)絡(luò)坐標(biāo)的行為遷移分析算法。該算法的設(shè)計(jì)目的是提供關(guān)于用戶群體間行為遷移的描述方案，在此基礎(chǔ)上，利用已經(jīng)成熟的序列挖掘算法，可以有效地對(duì)移動(dòng)用戶關(guān)于智能應(yīng)用的行為遷移進(jìn)行分析，分析結(jié)果有助于改善推薦系統(tǒng)

4、的推薦效果。
　　此外，為了能夠支撐上述算法的高效運(yùn)行，本文還提供了一套包括存儲(chǔ)模型和混合推薦算法模塊在內(nèi)的推薦系統(tǒng)框架原型。
　　最后，本文分別針對(duì)上述推薦算法研究的準(zhǔn)確性指標(biāo)、新穎度指標(biāo)和運(yùn)行效率進(jìn)行了測(cè)試，同時(shí)對(duì)框架的存儲(chǔ)模型和混合推薦模塊進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明隱性評(píng)分算法較監(jiān)督學(xué)習(xí)評(píng)分算法有更穩(wěn)定的輸出，且在無(wú)標(biāo)簽數(shù)據(jù)集上的F1指標(biāo)有平均13％的提升；行為遷移算法相較其它隨機(jī)推薦算法在相同準(zhǔn)確率損失的量度下，新穎度