论文部分内容阅读
用户画像技术通过分析和挖掘大量、真实的群体用户行为,构建模型实现系统、完整地刻画用户特征,已被广泛应用于各行各业,也成为近几年学术界研究的重点领域。随着通信技术的飞速发展,手机已经成为日常生活中必不可少的移动智能设备,其上承载的数据直接反应了用户的性别、年龄,甚至于性格、爱好等个人信息。因此,移动用户画像的构建更加准确,其应用的价值更高。移动用户画像借助大量机器学习、深度学习算法迅速发展,已取得了一定成就,但仍面临多重挑战。第一,手机数据安全问题。现有算法多在手机侧采集数据,在云侧Web服务器完成计算,数据获取和传输时易发生安全隐患。第二,算法准确性和灵敏性有待提高。用户的动态属性,诸如兴趣点、生活习惯等,数据不稳定,研究如何短时间准确识别,且属性变化时灵活调整极其重要。第三,移动用户画像与推荐系统的结合有待创新。画像最主流的使用场景即为定向智能推荐,如何应用移动用户画像帮助推荐系统实现更精准、更多样地推荐非常重要。首先,针对算法数据获取难、数据传输不安全,动态属性识别算法的准确性和灵敏性不足等问题,本文提出新的移动用户画像算法,实现更准确、更灵敏地识别和预测。本文聚焦用户起床时间和睡眠时间,提出基于屏幕状态数据预测起床睡眠时间的算法——BTP算法(BedTime Prediction,睡眠时间预测)。算法在手机端侧进行计算,数据不上传至Web服务或云计算,避免了在不违反隐私保护规定的情况下收集数据的困境。实验证明算法可以较准确预测用户的起床睡眠时间,起床时间平均误差约10分钟,睡觉时间平均误差约20分钟。接着,针对推荐系统准确性不足、推荐结果同质化严重的问题,本文提出新的推荐方法,实现更准确、更多样推荐。本文聚焦手机APP推荐领域,利用神经网络方法充分学习用户画像特征,提出了一种P-SNN框架(P-SNN,P Stair Neural Network,P阶神经网络),实现更精准的APP推荐。另外,算法提出DAM方法(DAM,Daynamic Adjustment Method,动态调整方法),应用动态调整的思路解决了推荐系统结果同质化问题严重的问题。实验证明算法有评分预测误差较低,且显著提高了推荐结果的多样性。最后,本文提出一种基于手机用户画像算法的安卓APP实现框架,集成采集、存储、计算、可视化等四大功能模块,实现移动用户画像构建的智能化、自动化和一体化。