普适个性化内容推荐系统的工作机理研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇普适个性化内容推荐系统的工作机理研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】普适个性化内容推荐是大数据时代的一种新的服务形式，也是近年来学术界和业界关注的热点问题。本文针对国内外现有研究缺乏学习机制和集成多种内容推荐业务的支持性系统的解决方案的问题，在前期研究的基础上，结合语义网服务技术，提出基于螺旋模型的服务系统工作模式，使各种服务有效运转，共同实现整体目标，以支持各种内容推荐业务方便而灵活的构建。
【关键词】普适个性化推荐 上下文感知 螺旋模型 语义网服务
一、引言
以普适计算为核心的信息环境带来了许多新的生产模式和生活理念，成为未来不容忽视的巨大经济驱动力，不少国家都将普适信息环境的建设作为新一轮国家信息产业战略的主导[1]。普适个性化内容推荐是指根据用户偏好、行为习惯和时空环境等因素，将相关内容通过各种网络和终端主动推送给用户的一种动态的个性化服务模式。该领域的研究将个性化服务、上下文感知计算和语义Web服务等领域的方法和技术相结合，致力于在一种开放、动态和集成的环境下，给用户提供随时随地的，更具针对性、多样化和智能化的服务[2][3]。这些问题的研究对于支持内容服务模式的创新和内容服务行业的发展具有很大的理论意义和商业价值。
目前，该领域的研究仍处于探索和试验阶段，成熟的规模化应用并不多见，主要问题在于缺乏从知识发现与知识组织视角构建情境与服务关系的方法，缺乏集成多种内容推荐业务的支持性系统的解决方案[4]。由于目前缺少从数据分析、知识管理视角构建情境与用户内容偏好关联的研究，那么在给用户提供服务的工作过程中需要哪些类型的上下文数据，采取何种策略和次序获取并将其与知识库中的目标情境匹配，当存在不完全匹配问题时应采取何种策略等，对于这些后续问题的研究就更加薄弱。本文在前期研究[5]的基础上针对普适推荐服务的目标，结合语义Web服务技术，研究普适个性化内容推荐支持性系统的工作机理，情境化用户偏好知识库的利用过程，建立各种服务之间的逻辑时序关系，以保证服务执行的有序性。
二、基于螺旋模型的服务运作模式
（一）上下文信息获取的依赖关系。
本文将上下文（Context）定义为描述用户情境（Situation）特征的信息。上下文之间具有推理关系、类属关系，一种上下文数据的获取需以另一种数据的获取为前提。在系统实际运行过程中并非时刻对知识库中描述目标情境的所有上下文数据进行一系列的获取、推理和匹配任务。
在情境偏好分析中，处理的是用户与系统交互的历史数据，对描述情境的上下文数据并不需要区分获取时的依赖关系。例如，要获取天气情况的数据，先要获取用户位置数据；要获取用户活动状态信息，首先需获取时间、位置、用户日程等信息再通过推理导出等。然而，在系统的工作过程，并不是时刻对所有的上下文数据进行获取、解释、然后对目标情境进行匹配。因为目标情境中的上下文属性值对之间是合取关系，那么在对目标情境和现实情境的匹配时首先只需得到较容易获取的上下文数据，例如：时间、位置等，当这些上下文数据与情境中的上下文取值匹配时，再获取其它的上下文数据，如：温度数据、用户活动状态等。这样减轻了系统运行的工作负载，利于节省服务资源、降低时间开销和用户费用。图3-1中描述了部分上下文数据获取的依赖关系。这里的主从关系并不同于相关文献中定义的直接和间接上下文，直接上下文是指原始的上下文数据，间接上下文是指通过推理导出的上下文概念。主上下文是指在获取过程中不依赖于其它上下文的类型，而从上下文的获取需要以另一种上下文的获取为前提。当然，具体应用过程中由于感知设备的采用情况不同，这种主从关系并非绝对不变，例如：如果用户移动终端上具有温度感知的功能，那么可以直接由该温度传感器获取温度数据，就不需要先获取用户位置信息再通过调用温度Web服务这种虚拟传感器的方式获取。
（二）服务运作的逻辑。
内容服务的提供过程中需要多种Web服务共同完成，首先需要一个基本的工作逻辑，以协调各种服务之间的关系和动作，因此设计服务运作过程的螺旋模型。螺旋模型最初的概念源于软件工程，它是为了降低由于过多的系统测试或测试不足带来的风险问题而提出的软件开发过程模型。本文将对螺旋模型进行新的定义，主要目的是解决在服务过程中对目标情境进行综合匹配时对于过多的上下文处理或处理不足导致的问题：过多的上下文获取、推理和匹配任务不仅降低了系统运行的效率，同时也增加了为用户提供服务需要付出的代价；而处理不足又会导致推荐决策的盲目性问题。服务运作过程的螺旋模型如图3-2所示：
基本思想是：对于时间上下文的处理采取由粗到细的原则，在总体上下文处理上采取由主到次的原则，逐步地对上下文进行获取和匹配，在综合评价的基础上作出内容推送、类目排序或继续获取上下文数据的决策。图中的原始起点表示不考虑任何动态上下文的情况，即是传统的二维空间方法。例如：若给用户推送某种内容，通过相似性计算的方法在用户偏好数据库中查找到具有该内容偏好的用户，根据用户ID在该用户的情境偏好知识库中选择出可以推送该内容的情境构成待匹配的目标情境集（STS，Set of Target Situations） ，取得其中的主上下文属性：时间、位置，通过设置特定的时间间隔探测的方式，如果时间与某个情境中的时间匹配，则调用位置感知服务取得用户的位置信息判断与该情境中的位置是否匹配，若匹配，再通过调用各种Web服务来获取该情境中其它的上下文信息，然后继续匹配步骤， 直到现实情境与知识库中的某个目标情境的总体匹配度满足要求，则履行推送任务，过程结束，否则需要继续获取下一个上下文类型。若最终的时间匹配度不满足阈值，则放弃该目标情境，进行具有时序关系的下一个目标情境的匹配工作。如：一个目标情境：TSituationi={c1： V1=周末；c2： V2=下午16：30-17：30时段；c3： V3=公园；c4： V4=休息}，首先对情境属性c1（表示周时段属性）进行匹配，若匹配程度满足要求，再对c2（表示日时段属性）进行匹配，依次类推，直到总体匹配度满足阈值，则作出推送决策。
从与用户交互的角度看，系统工作过程可分为主动推送和用户请求两种基本方式。
（1）主动推送：是一个感知推送的时序，已知推送的内容，希望得到适宜的情境，那么首先在用户偏好知识库中通过计算该内容与用户内容偏好的相似性，得到具有该内容偏好的用户群；再通过用户ID在各个用户的情境偏好知识库中搜索得到该用户的目标情境集，如图3-3所示。
下一步的任务是目标情境与现实情境的匹配，采用螺旋模型描述的原则，根据目标情境中的时间上下文粒度设置相应的探测时间间隔，如：月时段、周时段、日时段等，如图3-4所示。在粗粒度时间不匹配的情况下，不进行细粒度的时间匹配任务，在主上下文不匹配的情况下不进行从上下文的获取和匹配任务。当现实情境与情境偏好知识库中的某个目标情境的总体匹配程度达到要求时，作出内容推送决策。
（2）用户请求：已知用户的情境，希望得出适宜的内容，不仅仅是一个简单的查询响应时序，推荐系统强调主动性和智能化特征。在用户进入服务系统或提出查询请求之前，系统可以对粗粒度的时间上下文进行获取和匹配工作，并根据情境偏好知识库中的知识对内容排序，例如：今天是星期几，对于周时段而言是工作日还是周末等。在用户开始与系统进行交互时，再逐次获取知识库中描述情境的其它上下文数据类型对内容服务类目及其子类目的优先级顺序进行调整，对于同种偏好定义的具体内容则根据更新时间等其它参数排序。用户请求前后的服务工作逻辑如图3-5所示。
理想情况下，为提高服务的主动性，可对影响用户内容需求的上下文数据均进行获取和处理，然后根据情境偏好知识库中的知识对内容进行排序工作，然而，这样无疑会增加系统运行的负荷，该问题需要根据不同用户的实际情况进行灵活设置。
螺旋模型综合评价阶段的主要任务是对情境匹配程度（DSM，Degree of Situation Matching）的量度，在作者的前期研究[5]中已经提供了对用户不同内容偏好、偏好与不同上下文之间的关系以及各个粒度的情境进行相应比较的各种参数，可采用下式计算情境匹配度：
DSM= Wci×Wcvj×DegreeofCi （式3.1）
其中Wci是知识库中该用户的内容偏好对于上下文Ci的依赖度权值，由信息熵规范化得到，它是不同上下文之间比较的结果；Wcvj是上下文Ci取值Vj的权重，由该情境中各个上下文取值与该内容偏好的支持度规范化得到；DegreeofCi是单个维度的上下文匹配度，根据抽象层次和数据类型的不同，需要不同的相似度计算方法。相似度计算是Web服务发现和组合的基础，对用户偏好和内容描述的匹配、上下文数据的匹配工作涉及到多种数据类型，需要综合使用多种相似度计算方法。相似度计算已有大量研究，如：结合语法和语义两个层次的综合计算方法等，在此不再赘述。
三、总结
通过分析描述情境的上下文之间的获取依赖关系、时空上下文的粒度关系，建立各种服务之间的逻辑时序，结合语义网服务技术，研究了普适个性化内容推荐服务系统的工作机理，提出了基于螺旋模型的服务运作模式。主要目的是解决在服务过程中对目标情境进行综合匹配时对于过多的上下文处理或处理不足导致的问题：过多的上下文获取、推理和匹配任务不仅降低了系统运行的效率，同时也增加了为用户提供服务需要付出的代价；而处理不足又会导致推荐决策的盲目性。最后，通过实例分析阐述了模型的运作过程和有效性。
（基金项目：教育部人文社会科学青年基金项目 （15YJC870031）；湖北省普通高校人文社科重点研究基地-企业决策支持研究中心重点项目（DSS20150102）；武汉纺织大学基金项目（113100）。）
参考文献：
[1]吴金红，陈勇跃，周磊.泛在信息环境下个性化信息服务研究动向探析[J].图书情报工作，2012，56（15）：31-36.
[2]王立才，孟祥武，张玉洁.上下文感知推荐系统[J]. 软件学报，2012，23（1）：1-20.
[3]Asabere N Y. Towards a Viewpoint of Context-Aware Recommender Systems （CARS） and Services[J]. International Journal of Computer Science and Telecommunications，2013，4（1）：19-29.
[4]张宇，夏火松，吴金红.普适个性化内容推荐的方法与支持技术评述[J].情报科学， 2015，33（6）： 155-161.
[5]蔡淑琴，张宇，胡慕海.基于频繁标引格的移动内容推荐方法研究[J].情报学报，2011， 30（7）：721-729.