[发明专利]面向LBS的基于马尔可夫预测算法的个性化推荐方法

说明书

本发明提出了一种面向LBS的基于马尔可夫预测算法的个性化推荐方法，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。

技术领域

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

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Brézillon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。

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。

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。

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。

古凌岚在非专利文献1(古凌岚.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。

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：

式中r_u,i,ai——用户u在情境a对Itemi的评价；——用户u对全部Item评价的平均分；σ_ai——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。