面向lbs的基于马尔可夫预测算法的个性化推荐方法
【技术领域】
[0001] 本发明属于互联网通信技术领域，具体涉及一种基于马尔可夫预测算法的个性化 推荐方法。
【背景技术】
[0002] 许多学科都涉及到对情境(Context)的研究，每个学科在对情境感知系统研究的 时候，都会有自己对情境的定义。目前，情境并没有给出统一的定义。Schilit和Theimer定 义情境为位置、用户和周围的人和物体，把情境看作是用户周围的人的身份、温度、位置、时 间的组合。Bazire和Brazil Ion对各个领域的情境给出定义并进行了检验。Ryan把情境定义 为用户的注意力集中点、方向、情绪状况、位置、日期、周围环境的人和物体。目前对情境的 定义得到普遍认同的是Schilit等人在1994年提出的认为情境包含了所有可以使兴趣发生 改变的实体，是对实体状态的反应，具有动态改变的特征。
[0003]在计算机科学领域也有自己对情境的定义，根据研究的内容给出了情境的七个要 素:时间、地点、输入、需求、习惯、背景。随着移动互联网的发展，对于情境信息的研究显得 至关重要，通过获取移动用户的兴趣点即所处的情境，通过研究分析，可以更好的向移动用 户提供服务。Palmisano等人为顾客构建在不同购买情境下的独立配置文件，用于在不同购 买情境下建立独立模型，方便预测特定情境下用户群的用户行为。
[0004] 早在2002，Lai等人提出的资源管理系统就是位置情景信息在个性化推荐系统中 的，该系统通过得到用户有效的位置信息，向用户提供个性化的服务。随后，推荐系统又将 商场的位置的位置信息作为推荐的重要因素，结合用户消费的信息，包括购物的时间和日 期、购物篮中的商品组合等，设计出一个向消费者实时推荐服务和物品的智能购物车系统。
[0005] 近年来，随着社交网络、电子商务网站的兴起，人们的消费习惯正在慢慢地发生变 化，为了满足用户日益增长个性化消费的需求，越来越多的人开始通过互联网获取推荐的 服务信息并线下消费体验服务。
[0000]古凌Μ在非专利文献1(古凌M.基于情境的Web服务推荐方法[J].计算机工程与 设计，2014,35(3) :1115-1120)中提出了一解决Web服务组合过程的问题的方法。该基于情 境的服务推荐算法，首先构建情境模型描述服务、用户评价信息、用户特征，之后收集必要 的信息，建立并且更相信相应的服务缓存，采用聚类的方法处理相似情境的用户和服务，得 到符合服务质量和满足功能的最初结果，最终将符合用户兴趣偏好的候选项目使用基于情 境的推荐方法处理，推荐给用户，其中使用的服务推荐框架如附图1所示。
[0007]随着对协同过滤推荐系统研究的深入，Annie将位置情境信息综合到协同过滤推 荐系统之中，而且又给出了计算两个不同情境a和情境b之间相似度的公式：
[0009] 式中ru,i,ai--用户u在情境a对Itemi的评价；丨--用户u对全部Item评价的平均 分;〇al-一代表情境a的方差值。因此该推荐系统首先要计算当前的位置情境a信息与待推 荐的位置情境之间的相似度，之后根据相似度的计算结果将相关的推荐项目推送给用户。 位置情境的相似度可以衡量一用户ua是否为目标用户ub的邻居用户，结合目前已有的理论 知识和实际情况，真正对系统有参考价值的是邻居用户对项目的评分。
[0010] 由此可见，位置、时间等一些基本的情境信息在个性化的推荐系统中的应用越来 越广泛，成为推动移动电子商务推荐系统发展的重要因素之一。在国外基于情境信息应用 在逐步的发展，而国内对基于情境信息的研究还不太成熟。伴随着移动互联网的发展，对于 基于用户情境信息的研究，有着巨大的商业价值和科学研究价值。
[0011] 用户兴趣的研究是推荐系统中构建规则的关键，而且多数推荐系统的推荐过程都 是基于用户兴趣的，利用数据挖掘中常用的一些算法，为用户建立兴趣偏好。通过研究表 明，用户的兴趣偏好与用户当时的情境是密不可分的，我们可以通过发掘用户的情境信息， 建立用户的兴趣模型，得到用户的兴趣偏好特征。
【发明内容】
[0012] 本发明具体通过如下技术方案实现：
[0013] 一种面向LBS基于Markov预测的个性化推荐方法，包括以下步骤：
[0014] 步骤A:数据预处理，将原始的网页数据解析为文本格式的数据，然后进行数据填 充；
[0015] 步骤B:使用用户的情境信息来表示用户的兴趣点，从而对用户兴趣点的预测转化 为对用户情境的预测；
[0016] 步骤C:利用Markov预测算法对用户兴趣点进行预测：利用对用户兴趣点的评分对 情境进行分类，记录用户情境转移情况，并根据用户的情境转移情况形成一个时间观察序 列，进而使用Markov预测算法预测用户下一个时刻的用户的情境信息；
[0017] 步骤D:融合用户情境的地理位置信息，计算用户兴趣点的相似度，根据用户兴趣 点的相似度进一步选择最近邻居集，得到更加精确的推荐列表。
[0018] 本发明的个性化推荐方法使用Slope One算法进行数据填充，解决稀疏性问题，将 Markov预测法与协同过滤推荐相结合利用对用户兴趣点的评分对情境进行分类，记录用户 情境转移情况，并根据用户的情境转移情况形成一个时间观察序列，进而使用Markov预测 法预测用户下一个时刻的用户的情境信息，在实际生活中，情境的地理位置对用户兴趣点 的转移有着重要的影响，因此在使用协同过滤推荐相关技术计算用户情境的相似度的过程 中，也充分结合地理位置对相似度的影响，从而大幅度提高了向用户推荐情景的质量，由此 可见本发明改进的推荐算法相对于传统的推荐算法有着很大的优势，有助于提高推荐的质 量。
【附图说明】
[0019] 图1是基于情境的Web服务推荐模型示意图；
[0020]图2是基于Markov预测的个性化推荐方法的流程图；
[0021 ]图3是数据解析主要步骤；
[0022]图4是文本格式数据示意图；
[0023]图5是本发明所采用的加权处理的Slope One算法示意图；
[0024]图6是用户兴趣点预测流程图；
[0025]图7是基于Markov的用户兴趣点的预测算法示意图。
【具体实施方式】
[0026] 下面结合【附图说明】及【具体实施方式】对本发明进一步说明。
[0027] 随着移动终端的普及和移动互联网的快速发展，用户的情境信息越来越容易被采 集，对用户情境的研究正在逐步的应用到我们的实际生活当中。本发明通过分析用户情境 信息并针对预测用户兴趣点的问题提出了一种基于马尔可夫预测的个性化推荐方法。 [0028]基于Markov预测的个性化推荐方法的基本思想是根据用户兴趣点的转移信息特 征，预测用户下一时刻的兴趣点，从而向用户推荐与兴趣点相似的兴趣点。由于用户兴趣点 的转移具有一定的特征规律，而且用户当前时刻的兴趣点与用户下一时刻的兴趣点有着重 要的联系，即可以将用户的兴趣点转移的信息可以看作为一个时间序列，本发明使用 Markov预测法来对用户的兴趣点进行预测。根据预测的兴趣点，计算用户兴趣点邻近兴趣 点，最后将邻近的兴趣点推进给用户。该方法的具体流程如附图2所示。
[0029] 数据预处理是指在使用数据进行实验之前，需要采用一系列方法将原始的数据集 转换成实验要求的数据格式。本发明的数据预处理主要包括两个步骤:数据解析和数据填 充。
[0030] 数据解析的主要步骤如附图3所示。数据解析的第一步需要原始的网页数据转换 成XML格式的数据，其中原始网页数据就是传统的HTML格式的数据形式，XML格式的数据是 以树状结构进行存储的，从根节点开始，向下依次展开，具体格式如下：
[0031] 〈shop〉
[0032] <shop_id>5210900〈/shop_id>
[0033] <comment>257条评论〈/comment〉
[0034] <average_consume>27兀</average_consume>
[0035] <taste>8.5</taste>
[0036] <environment>8.4</environment)
[0037] <service>8.4</service)
[0038] <telephone>0755-21515526</telephone)
[00