11.56 情境感知的移动用户个性化偏好 挖掘方法
近年来，随着移动产业的高速发展，智能手机、平板电脑等移动设备已经成为了人们最重要的社交娱乐和信息获取媒介。与此同时，这些新型的移动设备都配备了许多高性能的情境传感器，例如GPS、3D 加速及光学传感器等。这些情境传感器能够捕获到来自于移动用户的丰富情境数据，从而帮助实现一系列基于情境感知的移动服务。 这些情境信息和相应的用户活动记录，均可以被移动设备记录成情境设备日志（Context Log），从而帮助我们深入挖掘和理解移动用户基于情境的个性化偏好，即在某个给定情境下所偏好的活动类别。事实上，这项工作是面向用户理解方向的一项基础性研究，能够帮助实现更好地基于情境感知的移动服务，例如应用推荐、广告投放等。相比于传统的推荐系统，考虑用户个性化情境偏好的推荐系统能够更好地提升用户体验。
近年来，尽管许多研究者已经着眼于个性化情境感知推荐问题的研究[9] ，并提出了一些挖掘移动用户个性化情境偏好的方法，然而，这些方法通常只考虑单一的情境信息，同时大多工作基于互联网平台的项目评分记录。事实上，来自于移动用户情境日志的用户活动记录具有丰富的语义信息，能够帮助更加精确地挖掘用户在不同复杂情境下的个性化偏好。但是，如何通过挖掘情境日志来学习移动用户的个性化偏好，并构建个性化情境感知推荐系统仍然是一个亟待解决的开放性课题。
基于以上背景，我们提出一种全新的基于情境日志分析的方法来挖掘情境感知的移动用户个性化偏好。在此工作中，一个重要的挑战是来自于单个移动用户的情境日志通常极为稀疏，不具有充分的情境信息和用户活动记录作为训练信息。如果仅仅使用单个用户的情境日志，将很难挖掘出有意义的个性化偏好。因此，在本方法中，我们首先提出通过分析来自于多个移动用户的情境日志来挖掘移动用户的公共兴趣偏好（CommonContext-Aware Preference），然后将单个用户的个性化偏好表示成这些公共兴趣偏好上的概率分布。进一步，根据情境数据建模的需要，提出了两种不同的情境建模独立性假设，并且分别根据这两种假设设计了不同的方法来挖掘移动用户的个性化偏好。假设情境数据基于公共偏好条件独立，则使用概率主题模型来进行偏好挖掘。这种方法非常高效，但会损失一部分预测性能。反之，假设情境数据是相互依赖的，则使用基于限制条件的矩阵分解方法来进行偏好挖掘。第二种方法需要考虑更多的情境关联，因而需要更多的训练时间，但具有更好的建模效果。图 1 展示了所提出的偏好挖掘方法以及如何利用偏好来预测用户活动类别的流程概览。
