移動環(huán)境下序列推薦的研究.pdf

1、近年來,隨著互聯(lián)網(wǎng)數(shù)據(jù)呈現(xiàn)出爆炸式的增長趨勢,推薦技術(shù)已成為解決互聯(lián)網(wǎng)信息過載問題的一種有效途徑,并已成為人工智能、數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等領(lǐng)域內(nèi)的一個熱門科研課題。另一方面,伴隨著移動互聯(lián)網(wǎng)通信技術(shù)的興起和移動設(shè)備的普及,將傳統(tǒng)的推薦技術(shù)應(yīng)用于移動互聯(lián)網(wǎng)環(huán)境逐漸成為了一個新興的研究方向。然而,由于移動環(huán)境的特殊性,給傳統(tǒng)的推薦技術(shù)提出了新的挑戰(zhàn)。特別的,在移動環(huán)境下,人們的行為活動往往帶有序列的屬性,在許多應(yīng)用場景中序列將成為一些決策問題

2、的重要因素。本文就以此問題作為切入點,并取出租車載客地點序列推薦這一場景作為研究對象,詳細(xì)對移動環(huán)境下的序列推薦技術(shù)進(jìn)行了不同角度的研究,具體有以下3個方面:
　　首先,我們對多點序列推薦展開研究。具體的,我們將基于出租車GPS軌跡數(shù)據(jù)集,建立出租車載客地點多點序列推薦的馬爾科夫決策過程模型,并給出算法進(jìn)行求解。仿真實驗表明,與經(jīng)典的推薦前TopK收益地點的方法相比,該模型給出的推薦結(jié)果有著更加優(yōu)異的推薦性能,能使得出租車司機(jī)取得

3、更多的期望收益。
　　其次,我們對基于偏好和上下文的個性化序列推薦展開研究。具體的,我們將分析數(shù)據(jù)集中收益較高的“專家”司機(jī)的數(shù)據(jù),并利用逆向增強(qiáng)學(xué)習(xí)和學(xué)徒學(xué)習(xí)的方法,挖掘出這些專家做出決策時的知識,從而還原出每個專家各自所對應(yīng)的回報函數(shù)R。為了測試推薦結(jié)果的準(zhǔn)確性,我們在實驗中測試3項不同的預(yù)測任務(wù),并與別的文獻(xiàn)的方法進(jìn)行對比。實驗結(jié)果表明,本文的方法的預(yù)測精度具有顯著的提高。
　　最后,我們對多agent環(huán)境下的序列推薦

4、展開研究。具體的,我們將基于出租車GPS軌跡數(shù)據(jù)集,估算出不同的轉(zhuǎn)移速率,從而建立起司機(jī)和乘客行為的連續(xù)時間馬爾科夫鏈模型。同時,我們將建立出租車司機(jī)載客行為的隨機(jī)博弈模型,并基于上述的速率求出隨機(jī)博弈中的狀態(tài)轉(zhuǎn)移函數(shù),最后給出算法求解出納什均衡策略,以反映出不同司機(jī)之間對乘客需求的競爭特性。仿真實驗結(jié)果表明,在真實的環(huán)境下,本文給出的納什均衡策略比未考慮多agent競爭的原策略更能減小等待乘客所需的時間,從而提高出租車司機(jī)的期望收益。