论文部分内容阅读
[摘 要] 随着移动终端的普及，移动设备成为了推荐系统理想的获取用户信息的接口，用来帮助系统发现，学习用户的周围物理环境。对近几年移动推荐系统研究进行综述，对其关键技术进行对比分析。最后对移动推荐系统的发展趋势进行展望。[关键词] 移动设备；推荐系统；移动推荐；综述
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2016. 17. 099
[中图分类号] TP391；G202 [文献标识码] A [文章编号] 1673 - 0194（2016）17- 0178- 02
0 引 言
个性化推荐帮助用户发现电影，音乐和感兴趣的商品，为用户推荐志趣相同的新朋友，为用户提供个性化的搜索结果，解决用户“信息过载”问题。推荐模型根据用户的行为分析得到不用用户的喜好，并提供相应的服务。随着智能手机的不断发展，移动推荐系统已经成为下一代智能手机研究领域最为活跃的课题之一。许多研究者已经对相关领域进行了深入的研究，如移动信息检索、传感器的研究、数据挖掘和知识发现、人机交互等。
1 移动推荐系统及其关键技术
移动推荐系统是传统推荐系统在移动领域的进一步扩展。随着社会高速发展，移动用户大量增加，中国互联网中心在2016年1月最新公布的《第37次中国互联网络发展状况统计报告》中指出，截止2015年12月，中国手机网民达6.20亿，半数中国人通过手机接入互联网。如何为用户提供更好、更准确的推荐信息成为推荐系统研究者们研究的重点。移动用户虽然存在异构的移动网络环境，但只要能准确提取用户在移动环境行为进行分析，就能有效地为用户进行个性化推荐。
1.1 移动上下文推荐
作为“普适计算”核心领域的上下文感知计算理论，自动发现和利用位置、环境等上下文信息为用户提供服务已经取得许多研究成果。由于移动设备的易携带性，研究者们可以通过设备感知用户所处上下文环境。用户偏好通常会受到周围环境的影响，如有的用户喜欢在办公室而不是家中购物，有的用户喜欢在晚上学习而不是白天。
1.2 移动社会化推荐
互联网的高速发展使得虚拟交互变得越来越重要，用户在社交网络中分享信息，在移动互联网上通信。通过用户行为可以为用户构建社交网络，网络中的用户之间存在某些特定的联系，一些研究者将社会网络引入推荐系统中，有效缓解了传统推荐中存在的冷启动问题。近年来，随着智能手机的普及性，通过收集手机用户在社交网络中的行为更能够有效为用户建模并进行个性化推荐。
2 基于位置的移动推荐系统
传统的推荐系统特点之一在于用户交互，推荐系统通过用户历史行为为其进行推荐。基于位置的移动推荐系统，通过访问移动设备的位置数据，收集并分析用户的位置与历史信息。最为重要的是根据以上信息为用户提供个性化的推荐。
移动推荐系统用户信息的采集分为两种方法：显式方法通过收集用户输入的显式信息，如用户在注册账户时的年龄，住址等；隐式方法是系统根据用户的历史信息和活跃行为中分析构建用户行为信息。如电子邮件的收发方，社交网站的浏览行为等。当研究人员收集到数据后，需要利用数据挖掘工具对采集的信息进行预处理，对用户建模并以各种形式为用户进行个性化推荐。
3 移动推荐系统研究难点与应用前景
个性化和实时性使得移动推荐系统拥有者广阔的发展前景，本节就其研究难点和应用前景进行分析总结。
3.1 研究难点
（1）移动用户的信息获取，在移动推荐中，由于终端设备的特殊性，显式获取用户信息常常会影响用户体验。因此隐式获取用户信息的方式更为常见，在保证用户隐私的前提下，有效准确地获取用户信息，依然是移动推荐研究的重中之重。
（2）移动推荐系统的冷启动问题，新用户进入推荐系统时，由于信息缺失，不能准确地获取用户偏好，新项目进入系统时，过少的评价信息也使得推荐系统无法准确进行推荐。
（3）移动推荐的隐私和安全问题，移动用户的隐私保护问题严重制约了移动信息系统的发展，移动推荐系统为收集用户信息，通常对移动用户信息、行为、位置等进行分析。但部分移动用户不愿向推荐系统提供完整准确的信息，认为存在隐私泄漏等安全问题。
3.2 应用前景
移动新闻推荐作为互联网推荐的研究领域之一，在移动推荐领域同样收到研究者们的关注，Daily Learner新闻推荐系统通过挖掘用户的兴趣变化向用户推送新闻，利用用户注册时的信息，缓解了冷启动问题。移动旅游推荐是兴起的新型推荐领域应用。Cyberguide根据用户位置上下文信息以及历史行为为用户进行基于位置的移动旅游推荐。
随着智能设备的普及，移动设备已经成为人们生活中不可或缺的工具。近年来，利用移动推荐系统来缓解用户“信息过载”问题已经得到研究者们的广泛关注，但依然存在大量问题需要进行深入研究。
主要参考文献
[1]Church K， Smyth B. Understanding the Intent behind Mobile Information Needs[C]//Proceedings of the 14th International Conference on Intelligent User Interfaces： ACM， 2009：247-256.
[2]Dey AK， Wac K， Ferreira D， et al. Getting Closer：An Empirical Investigation of the Proximity of User to Their Smart Phones[C]//Proceedings of the 13th International Conference on Ubiquitous Computing： ACM， 2011：163-172.
[3]Cho E， Myers SA， Leskovec J. Friendship and Mobility： User Movement in Location-based Social Networks[C]//Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining： ACM， 2011：1082-1090.
[4]Baltrunas L. Exploiting Contextual Information in Recommender Systems[C]//Proceedings of the 2008 ACM Conference on Recommender Systems： ACM， 2008：295-298.
[5]Girardello A， Michahelles F. Appaware： Which Mobile Applications Are Hot？[C]//Proceedings of the 12th International Conference on Human Computer Interaction with Mobile Devices and Services： ACM， 2010：431-434.
[6]孟祥武， 胡勋， 王立才，等. 移动推荐系统及其应用 [J]. 软件学报， 2013，24（1）.
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2016. 17. 099
[中图分类号] TP391；G202 [文献标识码] A [文章编号] 1673 - 0194（2016）17- 0178- 02
0 引 言
个性化推荐帮助用户发现电影，音乐和感兴趣的商品，为用户推荐志趣相同的新朋友，为用户提供个性化的搜索结果，解决用户“信息过载”问题。推荐模型根据用户的行为分析得到不用用户的喜好，并提供相应的服务。随着智能手机的不断发展，移动推荐系统已经成为下一代智能手机研究领域最为活跃的课题之一。许多研究者已经对相关领域进行了深入的研究，如移动信息检索、传感器的研究、数据挖掘和知识发现、人机交互等。
1 移动推荐系统及其关键技术
移动推荐系统是传统推荐系统在移动领域的进一步扩展。随着社会高速发展，移动用户大量增加，中国互联网中心在2016年1月最新公布的《第37次中国互联网络发展状况统计报告》中指出，截止2015年12月，中国手机网民达6.20亿，半数中国人通过手机接入互联网。如何为用户提供更好、更准确的推荐信息成为推荐系统研究者们研究的重点。移动用户虽然存在异构的移动网络环境，但只要能准确提取用户在移动环境行为进行分析，就能有效地为用户进行个性化推荐。
1.1 移动上下文推荐
作为“普适计算”核心领域的上下文感知计算理论，自动发现和利用位置、环境等上下文信息为用户提供服务已经取得许多研究成果。由于移动设备的易携带性，研究者们可以通过设备感知用户所处上下文环境。用户偏好通常会受到周围环境的影响，如有的用户喜欢在办公室而不是家中购物，有的用户喜欢在晚上学习而不是白天。
1.2 移动社会化推荐
互联网的高速发展使得虚拟交互变得越来越重要，用户在社交网络中分享信息，在移动互联网上通信。通过用户行为可以为用户构建社交网络，网络中的用户之间存在某些特定的联系，一些研究者将社会网络引入推荐系统中，有效缓解了传统推荐中存在的冷启动问题。近年来，随着智能手机的普及性，通过收集手机用户在社交网络中的行为更能够有效为用户建模并进行个性化推荐。
2 基于位置的移动推荐系统
传统的推荐系统特点之一在于用户交互，推荐系统通过用户历史行为为其进行推荐。基于位置的移动推荐系统，通过访问移动设备的位置数据，收集并分析用户的位置与历史信息。最为重要的是根据以上信息为用户提供个性化的推荐。
移动推荐系统用户信息的采集分为两种方法：显式方法通过收集用户输入的显式信息，如用户在注册账户时的年龄，住址等；隐式方法是系统根据用户的历史信息和活跃行为中分析构建用户行为信息。如电子邮件的收发方，社交网站的浏览行为等。当研究人员收集到数据后，需要利用数据挖掘工具对采集的信息进行预处理，对用户建模并以各种形式为用户进行个性化推荐。
3 移动推荐系统研究难点与应用前景
个性化和实时性使得移动推荐系统拥有者广阔的发展前景，本节就其研究难点和应用前景进行分析总结。
3.1 研究难点
（1）移动用户的信息获取，在移动推荐中，由于终端设备的特殊性，显式获取用户信息常常会影响用户体验。因此隐式获取用户信息的方式更为常见，在保证用户隐私的前提下，有效准确地获取用户信息，依然是移动推荐研究的重中之重。
（2）移动推荐系统的冷启动问题，新用户进入推荐系统时，由于信息缺失，不能准确地获取用户偏好，新项目进入系统时，过少的评价信息也使得推荐系统无法准确进行推荐。
（3）移动推荐的隐私和安全问题，移动用户的隐私保护问题严重制约了移动信息系统的发展，移动推荐系统为收集用户信息，通常对移动用户信息、行为、位置等进行分析。但部分移动用户不愿向推荐系统提供完整准确的信息，认为存在隐私泄漏等安全问题。
3.2 应用前景
移动新闻推荐作为互联网推荐的研究领域之一，在移动推荐领域同样收到研究者们的关注，Daily Learner新闻推荐系统通过挖掘用户的兴趣变化向用户推送新闻，利用用户注册时的信息，缓解了冷启动问题。移动旅游推荐是兴起的新型推荐领域应用。Cyberguide根据用户位置上下文信息以及历史行为为用户进行基于位置的移动旅游推荐。
随着智能设备的普及，移动设备已经成为人们生活中不可或缺的工具。近年来，利用移动推荐系统来缓解用户“信息过载”问题已经得到研究者们的广泛关注，但依然存在大量问题需要进行深入研究。
主要参考文献
[1]Church K， Smyth B. Understanding the Intent behind Mobile Information Needs[C]//Proceedings of the 14th International Conference on Intelligent User Interfaces： ACM， 2009：247-256.
[2]Dey AK， Wac K， Ferreira D， et al. Getting Closer：An Empirical Investigation of the Proximity of User to Their Smart Phones[C]//Proceedings of the 13th International Conference on Ubiquitous Computing： ACM， 2011：163-172.
[3]Cho E， Myers SA， Leskovec J. Friendship and Mobility： User Movement in Location-based Social Networks[C]//Proceedings of the 17th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining： ACM， 2011：1082-1090.
[4]Baltrunas L. Exploiting Contextual Information in Recommender Systems[C]//Proceedings of the 2008 ACM Conference on Recommender Systems： ACM， 2008：295-298.
[5]Girardello A， Michahelles F. Appaware： Which Mobile Applications Are Hot？[C]//Proceedings of the 12th International Conference on Human Computer Interaction with Mobile Devices and Services： ACM， 2010：431-434.
[6]孟祥武， 胡勋， 王立才，等. 移动推荐系统及其应用 [J]. 软件学报， 2013，24（1）.