基于移動用戶行為的智能應(yīng)用推薦算法和框架的研究.pdf

1、隨著移動互聯(lián)網(wǎng)產(chǎn)業(yè)的飛速發(fā)展，移動應(yīng)用市場出現(xiàn)了爆炸性增長。不斷增長的應(yīng)用數(shù)量在帶來商業(yè)機(jī)遇的同時，也造成了移動應(yīng)用的信息過載問題。推薦系統(tǒng)作為經(jīng)典的信息過載解決方案，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)同過濾推薦系統(tǒng)所需要的高質(zhì)量評分?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)前對移動用戶行為模式分析算法難

2、以被用于改善移動應(yīng)用推薦系統(tǒng)的效果。為此，本文針對上述困難對基于移動用戶行為的應(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)存運算和分布式存儲支持。
　　本文的研究重點之一是基于移動用戶行為日志的隱性評分生成算法。該算法旨在利用可以廣泛采集的移動用戶行為日志生成可被推薦系統(tǒng)高效利用的應(yīng)用評分，從而解決缺乏評分?jǐn)?shù)據(jù)的

3、問題。該算法基于無監(jiān)督的混合高斯模型進(jìn)行設(shè)計，分為行為模型和評分算法兩部分。行為模型通過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。評分算法則利用行為模型的輸出，生成用戶對應(yīng)用的隱性評分。
　　本文的另一項研究重點是基于自組織網(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，可以有效地對移動用戶關(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行，本文還提供了一套包括存儲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，本文分別針對上述推薦算法研究的準(zhǔn)確性指標(biāo)、新穎度指標(biāo)和運行效率進(jìn)行了測試，同時對框架的存儲模型和混合推薦模塊進(jìn)行了測試。實驗結(jié)果表明隱性評分算法較監(jiān)督學(xué)習(xí)評分算法有更穩(wěn)定的輸出，且在無標(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