论文部分内容阅读
随着信息技术的飞速发展,移动通讯与互联网融合发展的趋势日趋明显,作为电子商务领域的新生力量,移动商务显示出巨大的发展潜力和成长空间。移动购物就是其中一个典型的例子。
然而移动购物的用户仍然面临着信息过载和资源迷向的问题。信息过载是指用户面对太多的信息难以及时地消化、吸收;资源迷向是指用户不知道如何确切地表达对网上资源的需求,也不知道如何准确有效地寻找资源。而个性化推荐系统能够根据用户的兴趣偏好主动推荐他所需的资料。它的出现解决了人们寻找信息难的问题,并且在电子商务中得到了广泛应用。协同过滤技术是应用最为广泛和成功的一种个性化推荐技术,它利用用户品味间的相似性来产生商品或者购物场所等信息的推荐。
但是,移动商务与传统电子商务之间的特征和差别,使得传统电子商务中的推荐技术不能直接应用到移动商务中去。首先,移动购物具有动态位置相关性、紧迫性和随时随地访问等的特点;其次,在技术、服务特性和商业模式等方面,两者也存在很大差异。这些差异决定在移动购物中推荐算法必须满足一些特殊的要求:对移动位置感知性、移动用户兴趣建模和用户相似度计算等。
针对以上情况,本文将协同过滤技术应用到移动环境购物推荐服务中,并且在以下三个方面进行了研究。第一,提出了移动用户兴趣的User Profile模型,包括用户统计信息、用户兴趣度信息和物理上下文信息。第二,建立用户相似度模型,分别从上述三个信息的角度进行建模,并进行加权求和获得。第三,针对一个景点POI(Point of Interest)数据集,对文章中的推荐机制运用多种算法:算法CFA1(Collaborative Filtering Algorithm1),算法CFA2(Collaborative FilteringAlgorithm2)和算法CFA1-CFA2(Collaborative Filtering Algorithm1-CollaborativeFiltering Algorithm2)进行了实验,并将实验结果与K-mean经典算法分类后的推荐结果分别进行了对比。实验结果证明了本文提出的移动购物推荐服务中协同过滤机制的有效性。