孟祥武，史艷翠，王立才，張玉潔

（1.北京郵電大學(xué) 智能通信軟件與多媒體北京市重點(diǎn)實驗室；2.北京郵電大學(xué) 計算機(jī)學(xué)院，北京 100876）

1 引言

隨著“三網(wǎng)融合”和物聯(lián)網(wǎng)技術(shù)與應(yīng)用的飛速發(fā)展，移動通信網(wǎng)絡(luò)在與傳統(tǒng)互聯(lián)網(wǎng)逐漸融合的過程中，對傳統(tǒng)互聯(lián)網(wǎng)信息服務(wù)進(jìn)行了延伸，可以為移動用戶提供比傳統(tǒng)通信業(yè)務(wù)更加豐富多彩的移動網(wǎng)絡(luò)服務(wù)。與此同時，由于智能移動設(shè)備、傳感器和射頻識別的日益普及，信息資源的獲取和推送可以發(fā)生在“任何時間、任何地點(diǎn)、以任何方式”，為移動用戶提供無處不在的移動網(wǎng)絡(luò)服務(wù)已經(jīng)成為可能[1]。然而，隨著移動網(wǎng)絡(luò)服務(wù)的日益涌現(xiàn)及其廣泛應(yīng)用，移動網(wǎng)絡(luò)服務(wù)類型和信息內(nèi)容的增長將逐漸超出人們所能接受的范圍，加之移動設(shè)備的界面顯示、終端處理、輸入輸出等能力有限，將導(dǎo)致嚴(yán)重的“移動信息過載”問題[2]，為移動用戶帶來極為沉重的信息負(fù)擔(dān)，移動網(wǎng)絡(luò)服務(wù)及其運(yùn)營資源利用率也將受到嚴(yán)重影響。

現(xiàn)在與未來通信服務(wù)研究的目標(biāo)是面向復(fù)雜、融合、協(xié)作的網(wǎng)絡(luò)環(huán)境和泛在的移動網(wǎng)絡(luò)服務(wù)提供環(huán)境，不斷發(fā)現(xiàn)和滿足移動網(wǎng)絡(luò)用戶的個性化需求及其變化，為其提供實時、準(zhǔn)確的個性化服務(wù)[3]。用戶偏好是提供個性化服務(wù)的關(guān)鍵所在，為了確保最終提供的移動網(wǎng)絡(luò)服務(wù)能真正滿足移動用戶的需求，獲取實時準(zhǔn)確的移動用戶偏好已成為移動網(wǎng)絡(luò)服務(wù)研究領(lǐng)域的關(guān)鍵問題之一。

目前，國內(nèi)外尚未有詳細(xì)而全面介紹移動用戶偏好學(xué)習(xí)技術(shù)研究成果和發(fā)展趨勢的綜述論文。鑒于移動用戶偏好學(xué)習(xí)技術(shù)的重要學(xué)術(shù)研究意義和實用價值，筆者通過跟蹤研究，總結(jié)現(xiàn)階段該領(lǐng)域的研究成果、存在的問題，并對發(fā)展趨勢進(jìn)行展望。

一個完整的移動用戶偏好學(xué)習(xí)過程包括數(shù)據(jù)收集、移動用戶偏好表示、移動用戶偏好學(xué)習(xí)以及移動用戶偏好評價4部分，因此本文安排如下:第1節(jié)主要介紹移動用戶偏好的背景和意義；第2節(jié)介紹移動用戶偏好學(xué)習(xí)所需數(shù)據(jù)以及現(xiàn)有獲取移動數(shù)據(jù)集的方法；第3節(jié)介紹移動用戶偏好的表示方法；第4節(jié)介紹移動用戶偏好的學(xué)習(xí)方法，包括獲取技術(shù)以及自適應(yīng)更新方法；第5節(jié)介紹移動用戶偏好的評價方法；第6節(jié)對移動網(wǎng)絡(luò)服務(wù)中用戶偏好學(xué)習(xí)技術(shù)研究領(lǐng)域有待深入研究的難點(diǎn)和發(fā)展趨勢進(jìn)行展望；第7節(jié)為結(jié)束語。這樣的劃分可以使相關(guān)研究人員明確自己的研究是處于移動用戶偏好學(xué)習(xí)的哪個過程。其中，移動用戶偏好表示、移動用戶偏好學(xué)習(xí)和移動用戶偏好評價是通過閱讀文獻(xiàn)，總結(jié)現(xiàn)有的常用方法。

2 移動網(wǎng)絡(luò)服務(wù)中移動用戶偏好學(xué)習(xí)的相關(guān)數(shù)據(jù)

隨著3G網(wǎng)絡(luò)的普及以及智能移動手機(jī)功能的不斷完善，移動用戶不僅可以通過語音、短信、飛信等方式進(jìn)行通信，而且手機(jī)還提供了拍攝、視頻錄制、音樂播放、網(wǎng)頁瀏覽、下載應(yīng)用軟件、GPS(global position system)定位等功能[1,4]。因此，可以根據(jù)用戶自身信息、用戶使用的移動網(wǎng)絡(luò)服務(wù)(包括使用次數(shù)和頻率)以及相應(yīng)的上下文信息，例如時間、地點(diǎn)、周圍人員等[4～6]學(xué)習(xí)移動用戶偏好。

2.1 移動用戶偏好相關(guān)數(shù)據(jù)采集

1) 移動用戶信息

移動用戶的人口統(tǒng)計學(xué)數(shù)據(jù)(如年齡、職業(yè)、收入、性別等)是學(xué)習(xí)移動網(wǎng)絡(luò)服務(wù)中移動用戶偏好的主要數(shù)據(jù)來源之一[7～9]。這些信息通常由移動用戶入網(wǎng)注冊時填寫，也可以根據(jù)一些機(jī)器學(xué)習(xí)或者數(shù)據(jù)挖掘技術(shù)推理獲取(如可以在移動用戶授權(quán)許可范圍內(nèi)根據(jù)身份證信息獲取其籍貫信息、通過移動用戶購買行為預(yù)測其收入信息、通過移動社交化網(wǎng)絡(luò)挖掘移動用戶的工作/教育背景等)。它們從概貌層面對移動用戶進(jìn)行刻畫，相比傳統(tǒng)互聯(lián)網(wǎng)用戶信息來講，具有明確的移動用戶標(biāo)識，更加真實可靠。此外，還可以通過某些方式獲取移動用戶的其他信息，這對于特定的移動網(wǎng)絡(luò)服務(wù)來說是十分重要的，例如通過GPS或基站定位系統(tǒng)獲取移動用戶的地理位置信息或者移動用戶軌跡，有利于為移動用戶提供基于位置的服務(wù)，也有利于各種移動網(wǎng)絡(luò)服務(wù)提供商提供地理信息系統(tǒng)方面的服務(wù)[10～12]。

2) 移動用戶使用移動網(wǎng)絡(luò)服務(wù)的行為信息

移動用戶使用的移動網(wǎng)絡(luò)服務(wù)包括2部分:基本業(yè)務(wù)和增值服務(wù)[13]。基本業(yè)務(wù)主要是指通過語音方式進(jìn)行的交互行為。移動網(wǎng)絡(luò)中用戶的聯(lián)系人一般是家人、朋友、同學(xué)、同事等。通過用戶的通話行為以及時間和位置上下文信息可以推導(dǎo)出移動用戶之間的社會關(guān)系[14～16]。分析通信行為構(gòu)建的移動社會化網(wǎng)絡(luò)，對學(xué)習(xí)移動用戶偏好、提供移動社交化網(wǎng)絡(luò)類服務(wù)來講十分重要。文獻(xiàn)[17]通過分析移動電話數(shù)據(jù)獲取移動用戶之間關(guān)系的動態(tài)變化。移動用戶使用增值服務(wù)的行為主要是指短信、彩信、彩鈴、在線瀏覽、下載游戲、電子書/音樂/電影等多媒體信息、應(yīng)用軟件以及收發(fā)郵件等[5,13]。這些行為信息主要通過移動用戶行為日志直接或者間接獲取，并利用移動用戶行為挖掘方法來處理。

3) 移動上下文信息及上下文用戶行為信息

與傳統(tǒng)互聯(lián)網(wǎng)相比，移動網(wǎng)絡(luò)服務(wù)中用戶偏好受周圍上下文因素的影響更明顯。例如，有些用戶在工作時間喜歡使用語音方式進(jìn)行通信，在公共場所喜歡用文本方式進(jìn)行通信，如郵件、短信等[5]；有些用戶喜歡在乘坐地鐵時通過移動終端瀏覽網(wǎng)頁、看電子書、聽音樂、看電影、玩游戲，有些用戶喜歡在晚上使用移動微博服務(wù)等。移動網(wǎng)絡(luò)中涉及的上下文包括時間、位置、周圍人員、社會關(guān)系以及用戶情緒[5,18～22]等信息，這些信息可以通過傳感器或者安裝在移動終端上的軟件直接或者間接推理獲取。由于移動網(wǎng)絡(luò)中用戶行為很大程度上受上下文影響，記錄上下文相關(guān)的移動用戶行為對移動用戶偏好的學(xué)習(xí)十分重要。

2.2 移動網(wǎng)絡(luò)服務(wù)中典型數(shù)據(jù)集

目前包含用戶使用移動網(wǎng)絡(luò)服務(wù)以及相應(yīng)上下文的公開數(shù)據(jù)集比較少，因此可以采用以下3種數(shù)據(jù)集學(xué)習(xí)移動用戶偏好。

1) 真實移動數(shù)據(jù)集

目前，真實的移動數(shù)據(jù)集主要是通過志愿者或者移動運(yùn)營商獲取[2,5,14～17]，但這些數(shù)據(jù)集出于對用戶隱私的保護(hù)公開的比較少。MIT Reality Mining[14]數(shù)據(jù)集是目前公開的包含上下文信息和用戶使用移動網(wǎng)絡(luò)服務(wù)行為的一個數(shù)據(jù)集。該數(shù)據(jù)集是麻省理工學(xué)院多媒體實驗室在 2004年收集的用于社會感知計算的數(shù)據(jù)集，包括94個用戶從2004年9月到2005年6月共9個月的通信行為、周圍人員信息、位置信息、手機(jī)狀態(tài)、用戶使用的服務(wù)以及相應(yīng)的時間信息。但該數(shù)據(jù)集只有 94個移動用戶的行為信息，而且移動用戶被局限在特定區(qū)域，因此研究的結(jié)果不具有普遍性。Nokia研究中心[15]對MIT數(shù)據(jù)集進(jìn)行了擴(kuò)展，增加了志愿者的人數(shù)以及使用時間，但該數(shù)據(jù)集考慮到用戶隱私問題目前還沒有公開。SUMATRA數(shù)據(jù)集[23]主要用于研究移動用戶行為軌跡和用戶社區(qū)挖掘計算，包含180多萬條移動用戶的通話行為和位置信息。目前，由于成本問題對于小型實驗室來說，采集豐富的包含上下文信息關(guān)聯(lián)移動用戶行為的數(shù)據(jù)集仍然比較困難。

2) 半模擬移動數(shù)據(jù)集

上述真實數(shù)據(jù)集是針對特定的用戶偏好學(xué)習(xí)采集的，所采集的數(shù)據(jù)量比較少或者不全面。當(dāng)通過這些數(shù)據(jù)集學(xué)習(xí)移動用戶偏好時，只能得到用戶對部分通信服務(wù)或者增值服務(wù)的偏好。一個比較常見的數(shù)據(jù)集構(gòu)建方法是:在原有真實數(shù)據(jù)集基礎(chǔ)上，按照預(yù)先設(shè)定的合理規(guī)則增加移動用戶數(shù)量、使用通信服務(wù)、增值服務(wù)等的行為信息[24～26]。例如，可以對MIT數(shù)據(jù)集進(jìn)行擴(kuò)展，通過分析MIT數(shù)據(jù)以及調(diào)研學(xué)習(xí)的合理規(guī)則可以將 MIT數(shù)據(jù)集擴(kuò)展為包括幾百甚至幾千個移動用戶行為的數(shù)據(jù)集。

3) 仿真移動數(shù)據(jù)集

仿真移動數(shù)據(jù)集主要是根據(jù)調(diào)研得到的各種規(guī)則以及實驗需要仿真生成的數(shù)據(jù)[6,27～29]。文獻(xiàn)[27]中通過仿真數(shù)據(jù)獲取移動用戶偏好，并將其應(yīng)用在移動服務(wù)選擇機(jī)制中。仿真數(shù)據(jù)集的優(yōu)點(diǎn)是可以針對具體問題生成需要的數(shù)據(jù)集，與獲取真實的數(shù)據(jù)集相比，仿真數(shù)據(jù)集操作簡單、獲取成本低。但仿真數(shù)據(jù)集對移動用戶的分布以及使用行為是按照設(shè)定的規(guī)則產(chǎn)生的，因此存在局限性[30]。但目前由于公開數(shù)據(jù)集比較少，在參考已公開的數(shù)據(jù)集以及相關(guān)調(diào)查研究的基礎(chǔ)上生成仿真數(shù)據(jù)集是小型實驗室進(jìn)行研究的一種可行方法。

3 移動網(wǎng)絡(luò)服務(wù)中移動用戶偏好表示方法

與傳統(tǒng)互聯(lián)網(wǎng)相比，在移動網(wǎng)絡(luò)中移動用戶偏好學(xué)習(xí)將面臨動態(tài)多樣的移動網(wǎng)絡(luò)環(huán)境和泛在的移動網(wǎng)絡(luò)服務(wù)提供環(huán)境，而且受上下文因素的影響更加明顯。為了提高移動用戶偏好獲取的準(zhǔn)確性，文獻(xiàn)[31]將上下文引入到用戶偏好建模中，文獻(xiàn)[30]對上下文感知推薦系統(tǒng)進(jìn)行了綜述性分析，其中涉及上下文用戶偏好提取、基于上下文感知的移動網(wǎng)絡(luò)服務(wù)推薦等。將上下文信息引入移動用戶偏好學(xué)習(xí)后，其表示方法需要進(jìn)行相應(yīng)的擴(kuò)展以適應(yīng)移動網(wǎng)絡(luò)對移動用戶偏好學(xué)習(xí)的要求。通過閱讀文獻(xiàn)總結(jié)，本文主要介紹常用的幾種表示方法。

3.1 基于向量空間模型的表示方法

向量空間模型(VSM, vector space model)是常用的移動用戶偏好表示方法。該方法將移動用戶偏好表示為n維特征向量{(t1,w1),(t2,w2),…,(tn,wn)}，向量的每一維由一個關(guān)鍵詞及其權(quán)重組成，權(quán)重表示移動用戶對某個移動網(wǎng)絡(luò)服務(wù)感興趣的程度。當(dāng)移動用戶偏好不受上下文影響時，可以直接采用該方法進(jìn)行表示。文獻(xiàn)[32]通過向量空間模型表示短消息，并將其應(yīng)用在短信檢索中。當(dāng)移動用戶偏好受上下文影響時，需要從影響移動用戶偏好的各種關(guān)聯(lián)因素角度出發(fā)對表示方法進(jìn)行擴(kuò)展，構(gòu)建一個包含用戶、移動網(wǎng)絡(luò)服務(wù)、上下文信息、用戶偏好信息的多元組[5,6,10,18]。

基于向量空間模型的表示方法具有直觀、簡單、擴(kuò)展性良好，能反映不同概念在用戶偏好中的重要程度，便于展開數(shù)學(xué)計算的優(yōu)點(diǎn)，可應(yīng)用在支持向量機(jī)[33]、貝葉斯分類[20]方法中。但這種表示方法較少考慮影響用戶偏好獲取的各種因素之間存在的層次關(guān)系，在應(yīng)用時可能出現(xiàn)偏差。

3.2 基于評分矩陣的表示方法

用戶—項目評分矩陣是一個二維矩陣，矩陣中的元素表示用戶對給定項目的量化偏好/評分。當(dāng)移動用戶偏好不受上下文影響時，可以直接采用用戶—項目評分矩陣進(jìn)行表示[2,25]。當(dāng)移動用戶偏好受上下文影響時，矩陣需要擴(kuò)展為用戶—項目—上下文多維度評分矩陣[27]。

該表示方法簡單易懂，主要應(yīng)用在協(xié)同過濾計算方法中。缺點(diǎn)是當(dāng)引入上下文后，矩陣由原來的二維矩陣擴(kuò)展為多維矩陣，加劇了矩陣的稀疏性，降低了移動用戶偏好獲取的精確度。所以采用該表示方法獲取移動用戶偏好時，需要解決數(shù)據(jù)的稀疏性問題。文獻(xiàn)[27]通過引入移動用戶之間的信任度來緩解矩陣的稀疏性問題。

3.3 基于神經(jīng)網(wǎng)絡(luò)的表示方法

基于神經(jīng)網(wǎng)絡(luò)的表示方法用網(wǎng)絡(luò)狀態(tài)表示用戶偏好。網(wǎng)絡(luò)狀態(tài)由網(wǎng)絡(luò)輸入狀態(tài)、網(wǎng)絡(luò)輸出狀態(tài)以及輸入與輸出之間的連接狀態(tài)組成。當(dāng)移動用戶偏好不受上下文影響時，可以直接用該方法表示；當(dāng)移動用戶偏好受上下文影響時，需要對輸入狀態(tài)進(jìn)行擴(kuò)展[12,19,34]。文獻(xiàn)[34]中通過將上下文信息添加到輸入向量對原有表示方法進(jìn)行擴(kuò)展。

然而，基于神經(jīng)網(wǎng)絡(luò)的表示方法依賴于用戶偏好學(xué)習(xí)過程中所采用的神經(jīng)網(wǎng)絡(luò)類別和算法，其適用范圍較窄且表示不易被理解。

3.4 基于本體的表示方法

本體由實體、屬性、關(guān)系和公理組成，可以表示豐富的概念和實體之間的關(guān)系，可以在特定域內(nèi)對數(shù)據(jù)信息進(jìn)行一致性理解。研究人員考慮到本體在概念、領(lǐng)域知識表示方面的諸多優(yōu)點(diǎn)，通過建立本體域，以期比較豐富、完整地表示移動用戶偏好，并進(jìn)一步精確地獲取移動用戶偏好[35]。上下文是在對數(shù)據(jù)信息一致理解的基礎(chǔ)上，考慮不同使用者、不同應(yīng)用場景所導(dǎo)致的對數(shù)據(jù)及其數(shù)值上的理解差異，文獻(xiàn)[36]將本體和上下文進(jìn)行集成化，并應(yīng)用在決策信息系統(tǒng)中。文獻(xiàn)[37]將上下文引入到本體中來表示移動用戶偏好，并應(yīng)用在移動網(wǎng)絡(luò)服務(wù)選擇中。

引入本體來表示用戶偏好的最大好處在于能夠?qū)崿F(xiàn)知識的重用和共享。但是這種表示方法的缺點(diǎn)是:本體的構(gòu)建成本太高。本體的設(shè)計在很大程度上依賴于研究人員的知識和經(jīng)驗，特別是當(dāng)定義域很大時，本體設(shè)計的有效性更加難以保證。

4 移動網(wǎng)絡(luò)服務(wù)中移動用戶偏好學(xué)習(xí)技術(shù)

4.1 常用的移動用戶偏好獲取技術(shù)

1) 基于貝葉斯分類器的移動用戶偏好獲取技術(shù)

貝葉斯分類器是一種用于分類的概率方法。該方法首先計算用戶對給定項目屬于某個類的概率，然后根據(jù)概率將項目進(jìn)行分類。其優(yōu)點(diǎn)是需要較小的內(nèi)存空間，響應(yīng)時間比較短。當(dāng)移動用戶偏好不受上下文影響時可以直接采用基于貝葉斯分類器的用戶偏好獲取技術(shù)得到移動用戶偏好；當(dāng)移動用戶偏好受上下文影響時，需要對其進(jìn)行改進(jìn)。文獻(xiàn)[20]在判定移動用戶偏好類別時，將上下文作為一個條件添加到條件概率計算中，以提高移動用戶偏好獲取的精確度。文獻(xiàn)[38]將上下文、服務(wù)內(nèi)容和用戶偏好作為顯著變量引入到貝葉斯網(wǎng)絡(luò)模型構(gòu)建中。

2) 基于神經(jīng)網(wǎng)絡(luò)的移動用戶偏好獲取技術(shù)

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)能力，能夠通過調(diào)整權(quán)值適應(yīng)環(huán)境的變化。當(dāng)移動用戶偏好不受上下文影響時，可以直接采用該技術(shù)獲取移動用戶偏好；當(dāng)移動用戶偏好受上下文影響時，需要對輸入向量進(jìn)行擴(kuò)展[12,19,34]。文獻(xiàn)[12]將時間、位置等上下文信息引入到人工神經(jīng)網(wǎng)絡(luò)的輸入向量中。文獻(xiàn)[19]將設(shè)備信息、用戶信息和服務(wù)信息作為神經(jīng)網(wǎng)絡(luò)的輸入信息。

3) 基于關(guān)聯(lián)規(guī)則的移動用戶偏好獲取技術(shù)

關(guān)聯(lián)規(guī)則通過在數(shù)據(jù)集中找出具有用戶給定的最小支持度和最小置信度的項目來產(chǎn)生關(guān)聯(lián)規(guī)則。由于移動終端輸入能力的限制，移動用戶反饋的信息比較少，鑒于關(guān)聯(lián)規(guī)則方法在獲取和推理項目關(guān)聯(lián)性方面的優(yōu)勢，有些研究人員將其引入移動用戶偏好獲取過程以獲取一些新穎性的用戶偏好。Apriori算法是一種經(jīng)典的關(guān)聯(lián)規(guī)則方法。文獻(xiàn)[13]通過 Apriori算法挖掘移動網(wǎng)絡(luò)中增值業(yè)務(wù)之間的關(guān)聯(lián)性以獲取移動用戶對移動增值業(yè)務(wù)的偏好。當(dāng)移動用戶偏好受上下文影響時，需要對關(guān)聯(lián)規(guī)則進(jìn)行擴(kuò)展。文獻(xiàn)[28]采用Apriori算法挖掘在上下文約束下移動用戶偏好之間的關(guān)聯(lián)性，在挖掘關(guān)聯(lián)規(guī)則時把相應(yīng)的上下文看作頻繁項來處理。

4) 基于決策樹的移動用戶偏好獲取技術(shù)

決策樹是以實例為基礎(chǔ)的歸納學(xué)習(xí)算法，其優(yōu)點(diǎn)是建模速度快。文獻(xiàn)[39]中為了降低移動用戶的流失，通過C5.0決策樹算法挖掘移動用戶對通信服務(wù)的偏好信息。當(dāng)移動用戶偏好受上下影響時，需要將上下文添加到?jīng)Q策樹中。由于移動網(wǎng)絡(luò)服務(wù)對上下文比較敏感，而上下文類型和屬性之間的關(guān)系可以利用層次化樹來表示，使得決策樹模型較適合用于與上下文相關(guān)的移動用戶偏好獲取中。文獻(xiàn)[11]中采用決策樹算法獲取移動用戶對多媒體信息的偏好，在構(gòu)建決策樹時，將上下文信息當(dāng)作屬性作為樹的節(jié)點(diǎn)，在進(jìn)行分類時，從根節(jié)點(diǎn)比較相應(yīng)的上下文以及移動用戶偏好的其他屬性。

5) 基于支持向量機(jī)的移動用戶偏好獲取技術(shù)

支持向量機(jī)(SVM, support vector machine)可以解決小樣本、非線性和高維度等問題，在分類方面可以獲得比較好的精確度。文獻(xiàn)[33]提出了上下文支持向量機(jī)(C-SVM)，通過將上下文信息添加到支持向量的特征向量中來實現(xiàn)對支持向量機(jī)的擴(kuò)展。但支持向量機(jī)的訓(xùn)練時間比較長，因此Suykens等[40]人修改了SVM的損失函數(shù)和約束條件，使訓(xùn)練轉(zhuǎn)換為線性問題，由此構(gòu)建的最小二乘支持向量機(jī)(LSSVM, least squares support vector machine)不僅保持了標(biāo)準(zhǔn)SVM的泛化能力，而且可直接用于多分類問題。借鑒文獻(xiàn)[33]的方法，文獻(xiàn)[41]對LSSVM進(jìn)行了擴(kuò)展，將上下文添加到LSSVM中。目前，在移動網(wǎng)絡(luò)中基于上下文最小二乘支持向量機(jī)(C-LSSVM)的移動用戶偏好獲取技術(shù)的研究比較少，鑒于其在分類精確度和響應(yīng)時間方面的優(yōu)勢，在今后的研究中，可以嘗試通過C-LSSVM技術(shù)來獲取移動用戶偏好。

6) 基于本體的移動用戶偏好獲取技術(shù)

除了在概念表示方面的優(yōu)點(diǎn)，本體還具有很強(qiáng)的推理計算能力，并被廣泛應(yīng)用于移動用戶偏好獲取中。在移動網(wǎng)絡(luò)服務(wù)環(huán)境下，大多數(shù)移動用戶偏好獲取技術(shù)沒有考慮移動用戶歷史行為的語義信息，為了解決這個問題，研究人員對基于本體的移動用戶偏好獲取技術(shù)進(jìn)行了廣泛研究[35～37]。與傳統(tǒng)互聯(lián)網(wǎng)相比，為了精確地定位移動用戶偏好，移動網(wǎng)絡(luò)中在構(gòu)建本體庫時，除了服務(wù)本體庫、用戶本體庫外，還增加了上下文本體庫。其中用戶、服務(wù)以及上下文之間的聯(lián)系通過推導(dǎo)規(guī)則產(chǎn)生。文獻(xiàn)[37]提出了一個基于本體的框架用來發(fā)現(xiàn)大多數(shù)與用戶偏好以及設(shè)備能力相關(guān)的服務(wù)，文中采用了W3C發(fā)布的本體，其豐富的數(shù)據(jù)信息可以完成個性化移動服務(wù)的發(fā)現(xiàn)以及自適應(yīng)學(xué)習(xí)等。

4.2 移動用戶偏好自適應(yīng)學(xué)習(xí)技術(shù)

在移動網(wǎng)絡(luò)中，由于移動用戶和移動網(wǎng)絡(luò)服務(wù)數(shù)量比較大，因此采用4.1節(jié)提出的技術(shù)重新獲取移動用戶偏好的響應(yīng)時間會隨時間的遷移，越來越大。借鑒文獻(xiàn)[42]中的方法，可以將移動用戶行為數(shù)據(jù)存儲在不同的數(shù)據(jù)庫中，在修正時只需對臨時移動用戶行為數(shù)據(jù)庫中的移動用戶偏好進(jìn)行學(xué)習(xí)。移動用戶偏好自適應(yīng)學(xué)習(xí)技術(shù)主要包括顯性自適應(yīng)學(xué)習(xí)技術(shù)和隱性自適應(yīng)學(xué)習(xí)技術(shù)2種。

4.2.1 移動用戶偏好的顯性自適應(yīng)學(xué)習(xí)

顯性自適應(yīng)學(xué)習(xí)根據(jù)移動用戶的顯性反饋信息更新移動用戶偏好，例如移動用戶對移動網(wǎng)絡(luò)服務(wù)的評分[2,26,28,43,44]。但在移動網(wǎng)絡(luò)中，由于移動終端輸入能力的限制，顯性的反饋信息比較少，因此更新后得到的移動用戶偏好的準(zhǔn)確性比較低。

4.2.2 移動用戶偏好的隱性自適應(yīng)學(xué)習(xí)

隱性自適應(yīng)學(xué)習(xí)通過機(jī)器學(xué)習(xí)對移動用戶的行為(使用服務(wù)時長、頻率、上下文等)進(jìn)行學(xué)習(xí)來更新移動用戶偏好[26,45]。隨時間遷移，移動用戶偏好只有部分發(fā)生變化，因此在學(xué)習(xí)時只需對發(fā)生變化的移動用戶偏好進(jìn)行學(xué)習(xí)。為了獲取實時、精確、無沖突的移動用戶偏好，需要解決3個方面的問題。

1) 檢測移動用戶行為的變化

在移動網(wǎng)絡(luò)中，由于移動用戶偏好受上下文影響比較明顯，因此，在判斷移動用戶行為是否發(fā)生變化時，首先需要確定移動用戶偏好受哪些上下文影響。文獻(xiàn)[46]根據(jù)上下文約束下用戶使用服務(wù)的波動率來確定用戶行為受哪些上下文影響。在確定了上下文信息后，可以根據(jù)移動用戶對服務(wù)使用的相對變化量來判斷移動用戶對該服務(wù)的偏好是否發(fā)生變化。

2) 修正上下文約束下的移動用戶偏好

當(dāng)移動用戶偏好發(fā)生變化時，需要對其進(jìn)行修正。當(dāng)對移動用戶偏好進(jìn)行修正時，可以根據(jù) 4.1節(jié)中介紹的偏好獲取技術(shù)對發(fā)生變化的移動用戶偏好進(jìn)行重新學(xué)習(xí)

3) 解決上下文移動用戶偏好沖突

修正后的移動用戶偏好可能與原有移動用戶偏好發(fā)生沖突，為了解決沖突問題，可以借鑒文獻(xiàn)[43]的方法，為每個移動用戶偏好設(shè)置一個可信度，當(dāng)移動用戶偏好不發(fā)生變化時，置信度增加，否則減小。當(dāng)置信度為0時，將相應(yīng)的移動用戶偏好刪除；對于新學(xué)習(xí)得到的移動用戶偏好賦予默認(rèn)的初始值。當(dāng)新學(xué)習(xí)得到的移動用戶偏好和原有移動用戶偏好發(fā)生沖突時，比較其可信度，選擇其中可信度最大的偏好作為移動用戶偏好。

4.3 移動用戶偏好的應(yīng)用

根據(jù)本節(jié)中提到的移動用戶偏好學(xué)習(xí)技術(shù)，移動用戶偏好學(xué)習(xí)能夠回答類似于下面的問題，例如:1)根據(jù)用戶的通話習(xí)慣，可以獲取移動用戶對移動套餐的偏好；2)根據(jù)用戶當(dāng)前的位置信息，可以預(yù)測移動用戶當(dāng)前需要的移動網(wǎng)絡(luò)服務(wù)[2,10]；3)根據(jù)與用戶使用網(wǎng)絡(luò)服務(wù)相似的其他用戶（即近似鄰居）的偏好，可以預(yù)測移動用戶對未使用過的移動網(wǎng)絡(luò)服務(wù)的偏好[10,25,26]；4)根據(jù)移動用戶的軌跡以及移動用戶使用移動網(wǎng)絡(luò)服務(wù)的歷史行為，可以預(yù)測出用戶在下一時刻可能使用的移動網(wǎng)絡(luò)服務(wù)[47,48]；5)根據(jù)用戶的好友關(guān)系和位置信息，可以挖掘用戶想知道附近有哪些好友的偏好[49,50]；6)根據(jù)用戶使用移動手機(jī)的行為，可以獲取移動用戶對移動終端軟硬件的偏好，例如拍照、聽音樂、看電子書、鬧鐘等[5]。

5 移動用戶偏好的評價指標(biāo)

為了確保移動用戶偏好的準(zhǔn)確性，需要對學(xué)習(xí)得到的移動用戶偏好進(jìn)行評價，目前通過實驗的方法，根據(jù)平均絕對誤差(MAE, mean absolute error)、準(zhǔn)確率、召回率、F指標(biāo)等來評價學(xué)習(xí)得到的移動用戶偏好。

1) 平均絕對誤差

MAE是評價學(xué)習(xí)得到的移動用戶偏好的常用指標(biāo)，用來度量學(xué)習(xí)得到的移動用戶偏好值與實際的移動用戶偏好值的平均絕對誤差[24,27,51,52]，其計算公式如下:

其中，ui表示實際的移動用戶偏好值，表示學(xué)習(xí)得到的移動用戶偏好值。

2) 準(zhǔn)確率和召回率

準(zhǔn)確率和召回率是評價信息獲取系統(tǒng)常用的評價指標(biāo)[6,22,25,52]。準(zhǔn)確率的計算公式可表示為

其中，N1表示學(xué)習(xí)得到的移動用戶偏好正確的數(shù)量，N2表示學(xué)習(xí)得到的移動用戶偏好的總量。召回率表示學(xué)習(xí)得到的移動用戶偏好正確的數(shù)量與系統(tǒng)中實際的移動用戶偏好的數(shù)量的比值，計算公式為

其中，N3表示系統(tǒng)中實際的移動用戶偏好的數(shù)量。

3) F指標(biāo)

由于召回率經(jīng)常和準(zhǔn)確率一起使用，為了能同時準(zhǔn)確觀察召回率和準(zhǔn)確率，Pazzani M[43]等提出了F指標(biāo)，其計算公式為

文獻(xiàn)[25,52]中使用F指標(biāo)來評價獲取的移動用戶偏好，由于F指標(biāo)將準(zhǔn)確率和召回率綜合考慮，因此能更好地衡量系統(tǒng)的性能。

4) 響應(yīng)時間

本文的響應(yīng)時間不包括收集數(shù)據(jù)、數(shù)據(jù)傳輸、移動用戶偏好傳輸?shù)人ㄙM(fèi)的時間。這里的響應(yīng)時間主要是指學(xué)習(xí)移動用戶偏好所花費(fèi)的時間。由于移動網(wǎng)絡(luò)的特點(diǎn)，需要及時地為移動用戶提供滿足其個性化需求的移動網(wǎng)絡(luò)服務(wù)[10,13,22,28,31,32]。例如，當(dāng)移動用戶在電影院附近時，移動用戶想知道新上映的電影信息，如果移動用戶沒有及時收到信息，則可能選擇其他娛樂活動，這對服務(wù)提供商來說是不利的。因此需要移動用戶偏好學(xué)習(xí)的響應(yīng)時間要比較小。

5) 其他評價指標(biāo)

上述的評價方法主要是通過客觀的計算對學(xué)習(xí)得到的移動用戶偏好的準(zhǔn)確度進(jìn)行評價。但一個好的移動用戶偏好學(xué)習(xí)技術(shù)不僅要有較高的準(zhǔn)確度，還需要好的移動用戶滿意度。用戶對系統(tǒng)的滿意度不僅表現(xiàn)在系統(tǒng)獲取的偏好信息準(zhǔn)確度高，還表現(xiàn)在新鮮性、意外性、多樣性、用戶對系統(tǒng)的信任度等方面[52]。為了提高移動用戶對偏好學(xué)習(xí)系統(tǒng)的信任度，可以給出獲取偏好的方法或原因。Amazon在向用戶推薦書籍時會給出為什么推薦這本書，例如用戶買過同一個作者的書，用戶的好友買過這本書等。移動用戶偏好學(xué)習(xí)系統(tǒng)在給出移動用戶偏好時也需要給出相應(yīng)的理由。但關(guān)于信任度、新鮮性以及意外性的研究比較少，沒有定量的計算標(biāo)準(zhǔn)。目前，移動用戶滿意度主要通過用戶對偏好學(xué)習(xí)系統(tǒng)的顯性評分得到。

文獻(xiàn)[35]中將客觀評價與主觀評價結(jié)合起來使用。文獻(xiàn)[10]則通過志愿者的主觀評價來判斷系統(tǒng)提供的服務(wù)是否滿足移動用戶的需求，測試時要求移動用戶對學(xué)習(xí)得到的每項移動用戶偏好進(jìn)行滿意度評價，通過最終的滿意度來判斷系統(tǒng)是否能很好地滿足移動用戶需求。

6 移動網(wǎng)絡(luò)服務(wù)中移動用戶偏好學(xué)習(xí)技術(shù)研究發(fā)展的難點(diǎn)與熱點(diǎn)

目前，移動用戶偏好學(xué)習(xí)技術(shù)已經(jīng)在學(xué)術(shù)界得到了廣泛的研究。隨著 3G、4G的普及以及移動終端設(shè)備的改進(jìn)，移動用戶可以更方便地獲取各種信息，因此移動網(wǎng)絡(luò)服務(wù)中的移動用戶偏好學(xué)習(xí)顯得越來越重要。盡管已經(jīng)存在很多學(xué)習(xí)移動用戶偏好的技術(shù)，但移動用戶偏好學(xué)習(xí)仍有一些值得研究和探討的領(lǐng)域，歸納起來大概有以下幾個研究難點(diǎn)。

1) 數(shù)據(jù)集的獲取。目前公開的數(shù)據(jù)集比較少，研究人員使用的真實數(shù)據(jù)集是志愿者或移動運(yùn)營商提供的。通過志愿者獲取數(shù)據(jù)集的成本比較大，例如智能手機(jī)的成本。移動運(yùn)營商一般只給與其合作的實驗室提供數(shù)據(jù)集。因此希望本領(lǐng)域的研究人員能夠公開已獲取的數(shù)據(jù)集以便為更多的研究人員提供研究的依據(jù)。

2) 移動用戶偏好學(xué)習(xí)的形式化分析和驗證。目前關(guān)于移動用戶偏好學(xué)習(xí)的合理性主要是通過實驗方法進(jìn)行驗證的。偏好獲取技術(shù)受參數(shù)、閾值、數(shù)據(jù)集等的影響，而實驗時參數(shù)、閾值的選擇方法主要根據(jù)經(jīng)驗值、多次實驗等方法選取，因此得出的實驗結(jié)果的說服力比較弱。為了提高移動用戶偏好學(xué)習(xí)技術(shù)合理性驗證的說服力，需要對選取的用戶偏好獲取技術(shù)、相關(guān)參數(shù)、閾值給出合理的形式化分析。移動用戶偏好獲取技術(shù)的合理性主要包括時間復(fù)雜度和準(zhǔn)確性分析；參數(shù)、閾值的合理性分析主要是指給出選擇參數(shù)或閾值時所遵循的定理、準(zhǔn)則或?qū)嶋H需要。

3) 隱私與安全問題。隱私問題一直是用戶最敏感的話題。現(xiàn)有的方法是通過分析移動用戶行為來學(xué)習(xí)移動用戶偏好，在學(xué)習(xí)的過程中可能涉及移動用戶自身的信息，例如移動用戶的年齡、性別、周圍人員以及活動等。研究如何精確學(xué)習(xí)移動用戶偏好的同時又能對移動用戶信息進(jìn)行保密也是進(jìn)一步研究的方向。

研究熱點(diǎn)歸納起來有以下幾個。

1) 適合移動網(wǎng)絡(luò)的移動用戶偏好獲取技術(shù)。目前關(guān)于移動用戶偏好獲取技術(shù)的方法主要是一些分類算法，這些方法在互聯(lián)網(wǎng)中可以獲取令人滿意的結(jié)果。但由于移動網(wǎng)絡(luò)的實時性以及移動終端輸入輸出能力有限，對用戶偏好獲取技術(shù)提出了更高的要求，因此需要對原有方法進(jìn)行改進(jìn)或?qū)ふ腋m合移動網(wǎng)絡(luò)需要的移動用戶偏好獲取技術(shù)。

2) 對學(xué)習(xí)得到的移動用戶偏好的評價。現(xiàn)在對學(xué)習(xí)得到的移動用戶偏好的評價主要是針對其獲取的準(zhǔn)確性進(jìn)行評價。為了真正滿足移動用戶的需求，還可以考慮根據(jù)移動用戶的滿意度、移動用戶偏好的新鮮性、覆蓋率、多樣性、意外性等更多的角度去評價學(xué)習(xí)得到的移動用戶偏好。

3) 更細(xì)致地挖掘上下文之間的關(guān)聯(lián)。移動用戶周圍的物理上下文、社會上下文之間有著密切的關(guān)系，現(xiàn)有的移動用戶偏好獲取技術(shù)將各種上下文假設(shè)為獨(dú)立或者簡化了上下文之間的關(guān)系。如何更精確地確定各上下文之間的關(guān)系也是進(jìn)一步研究的方向。

7 結(jié)束語

移動網(wǎng)絡(luò)以及移動終端軟硬件的發(fā)展，可以使移動用戶更便捷地訪問信息，使用移動網(wǎng)絡(luò)服務(wù)。但同時也為移動用戶偏好學(xué)習(xí)帶來了新的挑戰(zhàn)。本文將移動用戶偏好學(xué)習(xí)技術(shù)的研究進(jìn)展和趨勢進(jìn)行歸納、總結(jié)和預(yù)測，并介紹給信息科學(xué)工作者，希望促進(jìn)此領(lǐng)域及其相關(guān)研究在我國的發(fā)展。

[1]KWOK R.Phoning in data[J].Nature, 2009, 458(7241):959-961.

[2]CHIU P H, KAO G Y M, LO C C.Personalized blog content recommender system for mobile phone users[J].Int’l Journal of Human-Computer Studies, 2010, 68(8):496-507.

[3]TUZHILIN A.Personalization:the State of the Art and Future Directions[M].Business Computing, Handbooks in Information System,2009.3-44.

[4]杜一, 田豐, 戴國忠等.一種移動環(huán)境下的用戶模型[J].軟件學(xué)報,2011, 22(2):120-128.DU Y, TIAN F, DAI G Z, et al.A user model based on mobile environment[J].Journal of Software, 22(2):120-128.

[5]DO T M T, DANIEL G P.By their apps you shall understand them:mining large-scale patterns of mobile phone usage[A].Proc of the 13th Int’l Conf on multimodal interfaces[C].Alicante, Spain, 2011.353-360.

[6]JEMBERE E, ADIGUN M O, XULU S S.Mining context-based user preferences for m-Services applications[A].Proc of the IEEE/WIC/ACM International Conference on Web Intelligence[C].Silicon Valley,USA, 2007.57-763.

[7]SHINTARO O.Exploring gender effects in a mobile advertising context:on the evaluation of trust, attitudes, and recall[J].Sex Roles, 2007,57:897-908.

[8]GOKUL C, JAN B, DANIEL G P.Mining large scale smartphone data for personality studies[J].Personal and Ubiquitous Computing, 2011.1-18.

[9]BRDAR S, ?ULIBRK D, CRNOJEVI? V.Demographic attributes prediction on the real-world mobile data[A].The Workshop on Mobile Data Challenge 2012 (by Nokia)[C].Newcastle, UK, 2012.

[10]LI X Y, MI Z C, ZHAN Z M.A location-aware recommender system for mobile shopping environments[A].Proc of the 2nd Int’l Conf on Information Science and Engineering (ICISE)[C].Hangzhou, China,2010.1709-1711.

[11]CHEN N, CHEN A.Integrating context-aware computing in decision support system[J].Lecture Notes in Engineering and Computer Sci-ence, 2010, 2180(1):359-364.

[12]QUSAY H M, EYHAB A M, WANG Z X.Design and implementation of a smart system for personalization and accurate selection of mobile services[J].Requirements Engineering, 2007, 12(4):221-230.

[13]YAO X L, SHU H Y.Study on value-added service in mobile telecom based on association rules[A].Proc of the 10th Int’l Conf on Software Engineering, Artificial Intelligences, Networking and Parallel/ Distributed Computing[C].Dezhou, China, 2009.116-119.

[14]EAGLE N, PENTLAND A, LAZER D.Inferring social network structure using mobile phone data[J].Proc of the National Academy of Sciences (PNAS), 2009, 106(36):15274-15278.

[15]NIKO K, JAN B, OLIVIER D.Towards rich mobile phone datasets:lausanne data collection campaign[A].Proc of the ACM Int Conf on Pervasive Services (ICPS)[C].Berlin, Germany, 2010.

[16]SHI Y C, MENG X W, ZHANG Y J.A trust calculating algorithm based on mobile phone data[A].Proc of the IEEE Global Telecommunications Conference, (GLOBECOM)[C].California, USA, 2012.2036-2041.

[17]CESAR A H, SICKERT C R.The dynamics of a mobile phone network[J].Physica A:Statistical Mechanics and Its Applications, 2008,387(12):3017-3024.

[18]王立才,孟祥武,張玉潔.移動網(wǎng)絡(luò)服務(wù)中基于認(rèn)知心理學(xué)的用戶偏好提取方法[J].電子學(xué)報, 2011, 39(11):2548-2553.WANG L C, MENG X W, ZHANG Y J.A cognitive psychology-based approach to user preferences elicitation for mobile network services[J].Acta Electronica Sinica, 2011, 39(11):2548-2553.

[19]EYHAB A M, QUSAY H M.A context-aware service discovery and selection mechanism using artificial neural networks[J].Int’l Journal of Intelligent Systems Technologies and Applications, 2009, 6(1):144-156.

[20]TOON D P, TOM D, LUC M.Extending the bayesian classifier to a context-aware recommender system for mobile devices[A].Proc of the 20105th International Conference on Internet and Web Applications and Services [C].Barcelona, 2010.242-247.

[21]MALLIKHARJUNA R N, NAIDU P M M, SEETHARAM P.An intelligent location management approaches in GSM mobile network[J].International Journal of Advanced Research in Artificial Intelligence, 2012, 1(1):30-37.

[22]YAN T X, CHU D, GANESAN D.Fast App launching for mobile devices using predictive user context[A].Proc of the 10th international conference on MobiSys[C].Lake District, UK, 2012.113-126.

[23]LAM D, COX D C, WIDOM J.Teletraffic modeling for personal communications services[J].IEEE Communications Magazine, 1997,53(2):79-87.

[24]KARATZOGLOU A, AMATRIAIN X, BALTRUNAS L.Multiverse recommendation:N-dimensional tensor factorization for contextaware collaborative filtering[A].Proc of the Recsys[C].Barcelona,Spain,2010.79-86.

[25]SU J, YEH H, YU P.Music recommendation using content and context information mining[J].IEEE Intelligent Systems, 2010, 25(1):16-26.

[26]LINAS B.Context-Aware Collaborative Filtering Recommender Systems[D].Italy:Free University of Bozen, 2011.

[27]王玉祥,喬秀全,李曉峰.上下文感知移動社交網(wǎng)絡(luò)服務(wù)選擇機(jī)制研究[J].計算機(jī)學(xué)報,2010, 33(11):2126-2135.WANG Y X, QIAO X Q, LI X F.Research on context awareness mobile SNS service selection mechanism[J].Chinese Journal of Computers, 2010, 33(11):2126-2135.

[28]HONG J Y, SUH E H, KIM J Y.Context-aware system for proactive personalized service based on context history[J].ACM:Expert Systems with Applications, 2009, 36(4):7448-7457.

[29]KUO M H, CHEN L C, LIANG C W.Building and evaluating a location-based service recommendation system with a preference adjustment mechanism[J].Expert Systems with Applications, 2009, 36(2):3543-3554.

[30]王立才,孟祥武,張玉潔.上下文感知推薦系統(tǒng)研究[J].軟件學(xué)報,2012, 23(1):1-20.WANG L C, MENG X W, ZHANG Y J.Context-aware recommender systems:a survey of the state-of-the-art and possible extensions[J].Chinese Journal of Software, 2012, 23(1):1-20.

[31]STEFANIDIS K, PITOURA E, VASSILIADIS P.Adding context to preferences[A].Proc of the IEEE 23rd Int’l Conf on Data Engineering[C].Istanbul, Turkey, 2007.846-855.

[32]WU W, JU Y C, LI X.Paraphrase detection on SMS messages in automobiles[A].Proc of the IEEE International Conference on Acoustics Speech and Signal Processing (ICASSP)[C].Dallas, TX, 2010.5326-5329.

[33]KENTA O, SHINSUKE N, JUN M.Context-aware SVM for context-dependent information recommendation[A].Proc of the Int’l Conf on Mobile Data Management[C].Nara, Japan, 2006.109-112.

[34]GUI F, MALEK A, NAPHTALI R.A contextualized and personalized approach for mobile search[A].Proc of the 2009 International Conference on Advanced Information Networking and Applications Workshops[C].Bradford, 2009.966-971.

[35]GOENKA K, ARPINAR I B, NURAL M.Mobile web search personalization using ontological user profile[A].Proc of the 48th Annual Southeast Regional Conference[C].Oxford:MS, USA, 2010.1-6.

[36]劉棟,孟祥武,陳俊亮.上下文感知系統(tǒng)中的規(guī)則生成與匹配算法[J].軟件學(xué)報, 2009, 20(10):2655-2666.LIU D, MENG X W, CHEN J L.Algorithms for rule generation and matchmaking in context-aware system[J].Journal of Software, 2009,20(10):2655-2666.

[37]NIAZI R, QUSAY H M.An ontology-based framework for discovering mobile services[A].Proc of the 7th Annual Research Conf on Communication Networks and Services, CNSR'09[C].Moncton, NB,Canada, 2009.178-184.

[38]XU J J, LIAO S Y, LI Q D.Combining empirical experimentation and modeling techniques:a design research approach for personalized mobile advertising applications[J].Decision Support Systems, 2007,44(3):710-724.

[39]INDRANIL B, CHEN X.Hybrid models using unsupervised clustering for prediction of customer churn[J].Journal of Organizational Computing and Electronic Commerce, 2009, 19(2):133-151.

[40]SUYKENS J A K, VANDEWALLE J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999.293-300.

[41]史艷翠,孟祥武,張玉潔等.一種上下文移動用戶偏好自適應(yīng)學(xué)習(xí)方法[J].軟件學(xué)報,2012,23(11):2533-2549.SHI Y C, MENG X W, ZHANG Y J.Adaptive learning approach of contextual mobile user preferences[J].Journal of Software, 2012,23(10):2533-2549.

[42]SARAH M, ELIZA P, NICK T.Adapting pervasive environments through machine learning and dynamic personalization[A].Proc of the International Symposium on Parallel and Distributed Processing with Applications[C].Sydney, NSW, 2008.395-402.

[43]PAZZANI M, BILLSUS D.Learning and revising user profiles:the identification of interesting web sites[J].Machine Learning, 1997, 27:313-331.

[44]OURDIA B, LYNDA T L, MOHAND B.Dynamically personalizing search results for mobile users[J].Lecture Notes in Computer Science,2009, (5822):99-110.

[45]SARAH M, ELIZABETH P, NICK T.Implicit adaptation of user preferences in pervasive systems[A].2009 Fourth International Conference on Systems[C].Gosier, Guadeloupe, 2009.56-62.

[46]WANG L C, MENG X W, ZHANG Y J.New approaches to mood-based hybrid collaborative filtering[A].ACM CAMRa’10[C].Barcelona, Spain, 2010.28-33.

[47]WANG J J, BHASKAR P.Periodicity based next place prediction[A].The Workshop on Mobile Data Challenge (by Nokia)[C].Newcastle,UK, 2012.

[48]GAO H J, TANG J L, LIU H.Mobile location prediction in spatio-temporal context[A].The Workshop on Mobile Data Challenge (by Nokia)[C].Newcastle, UK, 2012.

[49]SYMEONIDIS P, PAPADIMITRIOU A, MANOLOPOULOS Y.Geo-social recommendations based on incremental tensor reduction and local path traversal[A].Proc of the 3rd ACM SIGSPATIAL International Workshop on Location-Based Social Networks[C].Chicago,Illinois, USA, 2011.89-96.

[50]XU B, CHIN A, WANG H.Using physical context in a mobile social networking application for improving friend recommendations[A].IEEE Int’l Conf on Internet of Things, and Cyber, Physical and Social Computing[C].Dalian, China, 2011.602-609.

[51]SHI Y C, MENG X W, WANG L C.A heuristic approach to identifying the specific household member for a given rating[A].ACM CAMRa’11[C].Chicago, Illinois, USA, 2011.47-52.

[52]劉建國,周濤,郭強(qiáng).個性化推薦系統(tǒng)評價方法綜述[J].復(fù)雜系統(tǒng)與復(fù)雜性科學(xué),2009, 6(3):1-9.LIU J Q, ZHOU T, GUO Q.Overview of the evaluated algorithms for the personal recommendation systems[J].Complex Systems and Complexity Science, 2009, 6(3):1-9.