论文部分内容阅读
随着无线网络和先进移动设备的迅速发展,移动环境下的个性化推荐服务已经引起了人们的广泛关注,在移动环境下要求实时性以及上下文感知的特性应用推荐场景已经有了很多广泛的研究,但目前大部分都是集中于单个对象的推荐,很少有人做多个对象的推荐,但是多个对象的推荐应用场景也有很大的前景,比如电子商务中的多类商品推荐以及多服务地点序列推荐,而现有的推荐算法由于没有考虑到多对象之间关系或者对象本身提供资源的随机性而不适用。基于上述考虑,本文针对上述两种场景,分别给出了相应的算法。首先针对多类商品推荐,首先给出了该问题的形式化定义并给出了相应的形式化解法,但该形式化解法的效率仍然非常低,接着基于打分范围比较小,提出了一种基于划分的近似算法-ACR,使得效率大幅度提高,并能保证近似解的精度。其次针对静态环境下的多类服务地点序列推荐问题,首先给出用户关心的该服务地点序列的多个指标的定义,考虑到用户的倾向未知,本文使用经典的多目标优化的算法-skyline,并给出了相应k skyline代表算法。但是每类服务地点可能的组合个数是非常巨大的,因此为了有效的返回结果,本文提出了一种基于概率划分的近似skyline算法,并通过实验证明近似算法的有效性。最后针对动态环境下的多服务地点序列推荐问题,考虑到动态环境下某些类服务地点的能够提供服务的概率随时间会变化,所以给出了一种增量式算法。并为了提高效率,结合使用了倒排索引以及偏序支配图建立了多级索引,最后通过实验证明了本文提出的索引的高效性。