• / 28
  • 下載費用:30 金幣  

一種移動網絡中用戶偏好的獲取方法及系統.pdf

摘要
申請專利號:

CN200910238504.6

申請日:

2009.11.20

公開號:

CN102075851B

公開日:

2015.01.07

當前法律狀態:

終止

有效性:

無權

法律詳情: 未繳年費專利權終止號牌文件類型代碼:1605號牌文件序號:101695923612IPC(主分類):G06F 17/30專利號:ZL2009102385046申請日:20091120授權公告日:20150107終止日期:20151120|||授權|||實質審查的生效IPC(主分類):H04W 4/00申請日:20091120|||公開
IPC分類號: G06F17/30; H04W4/00(2009.01)I; H04W88/18(2009.01)I 主分類號: G06F17/30
申請人: 北京郵電大學
發明人: 孟祥武; 張玉潔; 王立才; 張向陽; 王洪明; 張建成
地址: 100876 北京市海淀區文慧園北路8號慶亞大廈A507室
優先權:
專利代理機構: 北京匯澤知識產權代理有限公司 11228 代理人: 黃挺
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN200910238504.6

授權公告號:

|||102075851B||||||

法律狀態公告日:

2017.01.04|||2015.01.07|||2011.07.06|||2011.05.25

法律狀態類型:

專利權的終止|||授權|||實質審查的生效|||公開

摘要

本發明公開了一種移動網絡中用戶偏好的獲取方法及系統,通過建立一個基于上下文計算的用戶偏好獲取模型,將可利用的上下文信息分為當前上下文和歷史上下文,并因之將上下文的計算分為當前上下文感知計算和歷史上下文計算,然后以用戶歷史行為及其上下文作為主要的數據源,通過協同過濾和歷史上下文計算等方法逐步精確挖掘用戶偏好及其變化;然后根據所述用戶偏好獲取模型,結合移動網絡的實際情況,設計一個移動網絡中用戶偏好獲取系統,以檢驗所述用戶偏好提取模型對移動網絡實際場景中的擬合效果,從而驗證所述用戶偏好提取模型的有效性和先進性。最終實現從海量信息中提取出針對不同對象的群組用戶偏好和個體用戶偏好的目的。

權利要求書

1: 一種移動網絡中用戶偏好的獲取系統, 其特征在于, 所述獲取系統包括用戶歷史行 為及上下文生成子系統 (21)、 數據存儲與管理子系統 (22)、 數據挖掘子系統 (23) 和用戶偏 好提取子系統 (24) ; 其中 : 用戶歷史行為及上下文生成子系統 (21), 用以完成移動用戶歷史行為及用戶歷史行為 上下文的數據生成 ; 數據存儲與管理子系統 (22), 用以完成用戶歷史行為數據、 用戶歷史行為上下文信息、 用戶偏好信息的存儲和管理 ; 數據挖掘子系統 (23), 用以完成用戶聚類和用戶歷史行為上下文計算 ; 用戶偏好提取子系統 (24), 用于根據所述數據挖掘子系統 (23) 的計算結果, 提取群組 用戶偏好和個體用戶偏好信息, 并輸出到所述數據存儲與管理子系統 (22)。
2: 根據權利要求 1 所述的移動網絡中用戶偏好的獲取系統, 其特征在于, 所述獲取系 統進一步包括 : 用戶偏好自適應子系統 (25), 用以完成用戶偏好變化 / 沖突檢測、 用戶偏好修正, 并將 檢測結果或修正的結果保存在數據存儲與管理子系統 (22) 中。
3: 根據權利要求 1 所述的移動網絡中用戶偏好的獲取系統, 其特征在于, 所述用戶歷 史行為及上下文生成子系統 (21) 進一步包括 : 用戶歷史行為生成模塊 (211) 和用戶歷史行 為上下文生成模塊 (212) ; 其中, 所述用戶歷史行為生成模塊 (211), 用于實現用戶歷史行為的數據生成功能, 其輸出結 果為群組用戶偏好提取的數據源 ; 所述用戶歷史行為上下文生成模塊 (212), 用于實現用戶歷史行為上下文的數據生成 功能, 其輸出結果為用戶歷史行為上下文計算的數據源。
4: 根據權利要求 1 所述的移動網絡中用戶偏好的獲取系統, 其特征在于, 所述數據挖 掘子系統 (23), 進一步包括用戶聚類模塊 (231) 和用戶歷史行為上下文計算模塊 (232) ; 其 中, 所述用戶聚類模塊 (231), 基于用戶對移動服務的使用量, 通過運用聚類算法, 將所有 用戶劃分到多個不同的聚類中, 使得同一聚類中的用戶相似度較高, 不同聚類中的用戶相 似度較低, 聚類分析結束后, 每個用戶擁有一個聚類號標記 ; 所述用戶歷史行為上下文計算模塊 (232), 用于對用戶歷史行為上下文進行計算, 以求 出個體用戶對某一方面上下文的興趣度。
5: 根據權利要求 1 所述的移動網絡中用戶偏好的獲取系統, 其特征在于, 所述用戶偏 好提取子系統 (24), 進一步包括群組用戶偏好提取模塊 (241) 和個體用戶偏好提取模塊 (242) ; 其中, 所述群組用戶偏好提取模塊 (241), 用于對群組用戶聚類結果和群組用戶歷史行為進 行計算, 輸出群組用戶偏好信息 ; 所述個體用戶偏好提取模塊 (242), 用于對群組用戶偏好以及用戶歷史行為上下文計 算結果進行融合計算, 輸出個體用戶偏好信息。
6: 一種移動網絡中用戶偏好的獲取方法, 其特征在于, 該方法包括 : A、 利用用戶歷史行為及上下文生成子系統 (21) 生成用戶歷史行為數據與用戶歷史行 為上下文數據, 并將所述數據保存在數據存儲與管理子系統 (22) 中 ; 2 B、 由數據挖掘子系統 (23) 從所述數據存儲與管理子系統 (22) 中獲取用戶歷史行為及 其上下文數據, 并分別進行用戶聚類和用戶行為歷史上下文計算 ; C、 再由用戶偏好提取子系統 (24) 根據用戶聚類結果提取群組用戶偏好, 然后再將群 組用戶偏好與用戶歷史行為上下文計算結果進行融合計算, 以提取個體用戶偏好, 并將用 戶偏好信息存儲到所述數據存儲與管理子系統 (22) 中。
7: 根據權利要求 6 所述的移動網絡中用戶偏好的獲取方法, 其特征在于, 所述步驟 C 之 后進一步包括 : 用戶偏好自適應子系統 (25) 根據用戶反饋, 檢測用戶歷史行為及其上下文數據的變 化, 或者檢測已提取用戶偏好與現實用戶需求的沖突, 然后對已提取的用戶偏好進行自適 應修正, 并將經過修正后的輸出結果通過移動網絡服務及其內容呈現給用戶。
8: 一種權利要求 1 所述移動網絡中基于上下文計算的個體用戶興趣度計算方法, 其特 征在于, 該方法包括 : A、 提取用戶歷史行為上下文計算模塊的案例數據信息, 讀取用戶歷史行為上下文數據 庫, 讀取已經處理過的上下文信息 ; B、 根據所讀取的用戶歷史行為上下文信息查詢案例數據庫進行匹配, 查看案例是否已 存在, 如果案例存在, 則執行步驟 C ; 否則, 執行步驟 D ; C、 對案例庫中的相應案例進行修改, 然后執行步驟 E ; D、 將對案例所做的修改或新創建的案例存入案例數據庫中, 然后執行步驟 E ; E、 判斷是否上下文信息已經讀取完畢, 若未讀取完, 則返回執行步驟 A 繼續讀取上下 文信息, 直至所述上下文信息讀取完畢, 案例庫創建完畢 ; 否則, 執行步驟 F ; F、 結束案例提取流程, 開始上下文計算流程, 讀取案例庫中案例信息, 通過計算得出貝 葉斯網絡中的前提條件值, 并根據上一步驟已經獲取的條件值, 計算出分離的各子網的貝 葉斯網絡的值, 得出用戶的日常行為習慣, 然后將得出的各子網的值存入數據庫中 ; G、 根據各前提條件和各子網的值計算用戶的服務使用概率值, 使用聚類算法對用戶的 服務使用概率值進行聚類分析, 以將概率值劃分為不同的等級, 以提取個體用戶興趣度, 并 將所提取的個體用戶興趣度存入個體用戶興趣度數據庫。
9: 一種權利要求 1 所述移動網絡中融合協同過濾以及上下文計算的用戶偏好提取方 法, 其特征在于, 該方法包括 : a、 獲取個體用戶興趣度和群體用戶偏好, 遍歷每個用戶在每種上下文環境下對每類服 務的興趣度 ; b、 判斷用戶是否遍歷完, 若未遍歷完, 則執行步驟 c ; 否則, 結束本次遍歷過程 ; c、 判斷針對某個體用戶在某類服務的遍歷是否完成, 若完成則返回步驟 b ; 否則, 執行 步驟 d ; d、 判斷針對所述個體用戶在某類服務下的上下文遍歷是否完成, 若完成則返回步驟 c ; 否則, 執行步驟 e ; e、 判斷所述個體用戶的興趣度是否為零, 若是, 則執行步驟 f ; 否則, 執行步驟 j ; f、 遍歷該個體用戶所在群組的所有其他用戶在該種上下文環境下對該類服務的興趣 度, 并獲取該用戶所在群組標識, 然后執行步驟 g ; g、 計算所述所有其他用戶在該種上下文環境下對該類服務的興趣度的有效平均值 ; 3 h、 判斷所述有效平均值是否為零, 若是, 則執行步驟 i ; 否則, 執行步驟 j ; i、 個體用戶偏好取值為該用戶所在群組對該類服務的偏好值, 然后執行步驟 l ; j、 個體用戶偏好取值為有效平均值 ; 然后執行步驟 l ; k、 個體用戶偏好取值為該個體用戶的興趣度, 然后執行步驟 l ; l、 將個體用戶偏好存儲到相應的數據庫中, 然后返回執行步驟 d。

說明書


一種移動網絡中用戶偏好的獲取方法及系統

    技術領域 本發明涉及移動通信領域的業務支撐技術, 尤其涉及一種移動網絡中用戶偏好的 獲取方法及系統。
     背景技術 隨著 3G( 第三代移動通信 )、 4G( 第四代移動通信 ) 網絡架構朝著融合化、 水平化 方向發展, 移動通信網絡在與計算機網絡逐漸融合的基礎上, 對傳統互聯網信息服務進行 延伸, 為用戶提供更加豐富多彩的移動網絡服務而不僅是簡單的通信業務, 如: 傳統語音與 數據業務、 移動搜索服務、 移動定位服務、 無線瀏覽類業務、 移動流媒體服務、 移動電子支付 服務、 移動下載服務、 移動網絡游戲等, 各種移動網絡運營商和服務提供商提供的移動網絡 服務在內容、 價格、 QoS(Quality of Service, 服務質量 ) 等也存在較大差異。由于智能移 動設備日益普及, 信息資源的獲取和推送可以發生在 “任何時間、 任何地點、 任何方式” , 移 動用戶將處于復雜的通信網絡環境和豐富的服務提供環境。 然而, 在移動設備的界面顯示、 終端處理、 輸入輸出等能力有限的情況下, 海量、 動態變化的移動網絡服務數據往往為用戶 帶來極為沉重的信息負擔, 從而將導致 “移動信息過載” 問題。
     因而, 移動網絡服務選擇問題, 即如何準確為移動用戶提供其真正感興趣的移動 網絡服務類型和內容, 就顯得尤為重要和急迫, 已上升為移動網絡服務領域急需解決的關 鍵問題從而得到越來越多的關注。例如, 國內外一些研究機構開始關注下一代網絡服務領 域的個性化研究, 中國移動、 Google 公司等企業也開始展開移動個性化服務產品的研制開 發。 若此問題能夠順利解決, 不僅可以提高用戶的移動網絡服務體驗, 也能夠為移動網絡運 營商和服務提供商維系用戶群、 實現 “以人為本” 的優質服務起到極大的促進作用。
     移動網絡運營商和服務提供商只有在充分、 準確理解用戶對各種服務的需求及其 變化后, 才能提供滿足其需求的服務及內容 ; 因此, 構建精確的用戶偏好獲取模型以獲取用 戶的個性化需求, 是最為關鍵的技術。 但由于移動通信網 絡的復雜性 : 一方面, 移動網絡服 務處于一個高度動態變化的環境, 涉及到基礎網絡建設、 運營維護管理、 業務邏輯設計、 內 容制作與分發、 終端設備等, 其應用領域廣泛, 與各個應用行業的特征密切相關, 而且移動 網絡服務及其內容的推送可以發生在 “任何時間、 任何地點、 以任何方式” , 使得研究工作的 復雜度很高 ; 另一方面, 移動用戶具有不同的人口統計學特征背景和上下文環境, 對各種服 務的認知程度逐步成熟, 對服務的需求和偏好也就不盡相同且日趨復雜化, 這無疑又增加 了研究工作的難度。因此, 移動網絡中用戶偏好獲取技術的是一項值得研究和富有挑戰性 的工作。
     上個世紀末, 隨著互聯網技術的迅猛發展和用戶 “信息過載” 和 “信息迷航” 問題 的出現, 人們提出為不同用戶提供區分服務的 “個性化服務” 的概念。傳統互聯網領域的個 性化服務研究以構建用戶偏好模型來獲取用戶對項目的感興趣程度, 主要基于用戶 - 項目 (user-item) 的二維空間, 依賴于協同過濾、 基于內容的過濾、 混合式過濾等技術實現。 盡管 傳統互聯網領域的個性化研究取得了許多成果, 但大多數是針對桌面軟、 硬件系統的 “信息
     過載” 問題的。
     目前, 隨著移動通信網絡的飛速發展和用戶對移動服務的個性化需求越來越高, 國內外研究人員開始在移動個性化服務方面進行研究, 移動用戶偏好學習作為移動個性化 服務的關鍵技術也開始得到關注。例如, 文獻 “G.Lee, S.Bauer, P.Faratin, J.Wroclawski. Learning User Preferences for Wireless ServicesProvisioning.2004 : P480-487” 針 對動態無線業務選擇問題, 提出一種利用強化學習算法和馬爾科夫模型學習用戶偏好的方 法; 文獻 “Sheng, Q., B.Benatallah, and Z.Maamar, User-centric services provisioning in wireless environments.Communication of the ACM, Nov, 2008.51(14) : P130-135” 描述了一種在無線網絡環境中面向不同用戶提供服務內容的機制 ; 文獻 “H.J.Lee, S.J.Park, MONERS : A News Recommender for the Mobile Web.Expert Systems with Applications, 2007, 32(1) : P143-150” 則提出了一種面向移動互聯網的新聞推薦系統, 所 推薦新聞由新聞主題自身的重要性與時效性、 用戶偏好變化、 用戶對于新聞所屬類別的偏 好來決定。上個世紀 90 年代初, Weiser 提出了 “普適計算” 的概念, 作為其核心子領域之 一的上下文感知計算開始得到充分關注。這里, 所述上下文感知計算的研究內容主要包 括: 上下文獲取、 上下文建模和表示、 上下文的有效利用、 如何構建支持上下文感知的系統 框架等。其目標是使系統能夠自動的發現并利用位置、 周圍環境等上下文信息前攝地為用 戶提供服務和計算資源, 從而減少 人機交互, 改善用戶體驗。所述上下文感知計算與信息 網絡相結合是最近幾年出現一種新的技術發展趨勢。在融合的下一代網絡 (NGN) 環境中, 上下文感知理論多用于物理層或者網絡層 ( 如無線傳感器網絡 ), 而在業務層 ( 特別是面 向移動用戶的個性化業務邏輯 ) 的應用則相對較少, 例如 : 文獻 “Cheng Bo, MengXiangwu, Chen Junliang.An Adaptive User Requirements Elicitation Framework.IEEE Computer Society Washington, DC, USA, 2007 : P501-502”考 慮 到 上 下 文 感 知 計 算 對 用 戶 需 求 提 取 的 作 用, 提出一種本體驅動的用戶需求提取框架 ; 文獻 “Liu Dong, Meng Xiangwu, Chen Junliang.A Framework for Context-AwareService Recommendation.Advanced Communication Technology, ICACT 2008 : P2131-2134” 提出一種上下文感知服務推薦框 架。
     但在移動網絡服務研究領域, 由于用戶對移動網絡服務及其內容的需求或者偏好 常常與各種上下文信息相關, 且比傳統互聯網領域的上下文環境更加復雜, 因此, 傳統用戶 偏好模型不完全適合移動網絡服務環境下的用戶偏好獲取, 傳統的推薦系統框架也不適合 移動網絡服務選擇模型建模。總之, 在上述研究中, 上下文感知計算大多用于推薦產生過 程, 而較少用于用戶偏好獲取過程, 也缺少對移動網絡中基于上下文計算的用戶偏好獲取 與服務選擇模型的深入研究。
     可見, 雖然國內外對于個性化服務、 上下文感知計算、 用戶偏好獲取等技術的研究 較為深入, 對于下一代融合網絡服務、 面向服務的計算等理論研究也較為豐富, 但對于移動 網絡中用戶偏好獲取技術的研究尚處于探索階段, 亟待進一步深入研究。 發明內容 有鑒于此, 本發明的主要目的在于提供一種移動網絡中用戶偏好的獲取方法及系 統, 根據用戶的使用習慣并結合上下文感知計算理論獲取用戶偏好, 向用戶提供個性化服
     務, 以提高移動用戶的網絡服務體驗, 同時, 能夠采用技術手段過濾大量的冗余信息, 充分 利用網絡資源, 提高網絡運營商和服務提供商的服務質量和進一步降低運營成本。
     為達到上述目的, 本發明的技術方案是這樣實現的 :
     一種移動網絡中用戶偏好的獲取系統, 所述獲取系統包括用戶歷史行為及 上下 文生成子系統 (21)、 數據存儲與管理子系統 (22)、 數據挖掘子系統 (23) 和用戶偏好提取子 系統 (24) ; 其中 :
     用戶歷史行為及上下文生成子系統 (21), 用以完成移動用戶歷史行為及用戶歷史 行為上下文的數據生成 ;
     數據存儲與管理子系統 (22), 用以完成用戶歷史行為數據、 用戶歷史行為上下文 信息、 用戶偏好信息的存儲和管理 ;
     數據挖掘子系統 (23), 用以完成用戶聚類和用戶歷史行為上下文計算 ;
     用戶偏好提取子系統 (24), 用于根據所述數據挖掘子系統 (23) 的計算結果, 提取 群組用戶偏好和個體用戶偏好信息, 并輸出到所述數據存儲與管理子系統 (22)。
     其中, 所述獲取系統進一步包括 :
     用戶偏好自適應子系統 (25), 用以完成用戶偏好變化 / 沖突檢測、 用戶偏好修正, 并將檢測結果或修正的結果保存在數據存儲與管理子系統 (22) 中。 所述用戶歷史行為及上下文生成子系統 (21) 進一步包括 : 用戶歷史行為生成模 塊 (211) 和用戶歷史行為上下文生成模塊 (212) ; 其中,
     所述用戶歷史行為生成模塊 (211), 用于實現用戶歷史行為的數據生成功能, 其輸 出結果為群組用戶偏好提取的數據源 ;
     所述用戶歷史行為上下文生成模塊 (212), 用于實現用戶歷史行為上下文的數據 生成功能, 其輸出結果為用戶歷史行為上下文計算的數據源。
     所述數據挖掘子系統 (23), 進一步包括用戶聚類模塊 (231) 和用戶歷史行為上下 文計算模塊 (232) ; 其中,
     所述用戶聚類模塊 (231), 基于用戶對移動服務的使用量, 通過運用聚類算法, 將 所有用戶劃分到多個不同的聚類中, 使得同一聚類中的用戶相似度較高, 不同聚類中的用 戶相似度較低, 聚類分析結束后, 每個用戶擁有一個聚類號標記 ;
     所述用戶歷史行為上下文計算模塊 (232), 用于對用戶歷史行為上下文進行計算, 以求出個體用戶對某一方面上下文的興趣度。
     所述用戶偏好提取子系統 (24), 進一步包括群組用戶偏好提取模塊 (241) 和個體 用戶偏好提取模塊 (242) ; 其中,
     所述群組用戶偏好提取模塊 (241), 用于對群組用戶聚類結果和群組用戶歷史行 為進行計算, 輸出群組用戶偏好信息 ;
     所述個體用戶偏好提取模塊 (242), 用于對群組用戶偏好以及用戶歷史行為上下 文計算結果進行融合計算, 輸出個體用戶偏好信息。
     一種移動網絡中用戶偏好的獲取方法, 該方法包括 :
     A、 利用用戶歷史行為及上下文生成子系統 (21) 生成用戶歷史行為數據與用戶歷 史行為上下文數據, 并將所述數據保存在數據存儲與管理子系統 (22) 中 ;
     B、 由數據挖掘子系統 (23) 從所述數據存儲與管理子系統 (22) 中獲取用戶歷史行
     為及其上下文數據, 并分別進行用戶聚類和用戶行為歷史上下文計算 ;
     C、 再由用戶偏好提取子系統 (24) 根據用戶聚類結果提取群組用戶偏好, 然后再 將群組用戶偏好與用戶歷史行為上下文計算結果進行融合計算, 以提取個體用戶偏好, 并 將用戶偏好信息存儲到所述數據存儲與管理子系統 (22) 中。
     所述步驟 C 之后進一步包括 :
     用戶偏好自適應子系統 (25) 根據用戶反饋, 檢測用戶歷史行為及其上下文數據 的變化, 或者檢測已提取用戶偏好與現實用戶需求的沖突, 然后對已提取的用戶偏好進行 自適應修正, 并將經過修正后的輸出結果通過移動網絡服務及其內容呈現給用戶。
     一種權利要求 1 所述移動網絡中基于上下文計算的個體用戶興趣度計算方法, 該 方法包括 :
     A、 提取用戶歷史行為上下文計算模塊的案例數據信息, 讀取用戶歷史行為上下文 數據庫, 讀取已經處理過的上下文信息 ;
     B、 根據所讀取的用戶歷史行為上下文信息查詢案例數據庫進行匹配, 查看案例是 否已存在, 如果案例存在, 則執行步驟 C ; 否則, 執行步驟 D ;
     C、 對案例庫中的相應案例進行修改, 然后執行步驟 E ; D、 將對案例所做的修改或新創建的案例存入案例數據庫中, 然后執行步驟 E ;
     E、 判斷是否上下文信息已經讀取完畢, 若未讀取完, 則返回執行步驟 A 繼續讀取 上下文信息, 直至所述上下文信息讀取完畢, 案例庫創建完畢 ; 否則, 執行步驟 F ;
     F、 結束案例提取流程, 開始上下文計算流程, 讀取案例庫中案例信息, 通過計算得 出貝葉斯網絡中的前提條件值, 并根據上一步驟已經獲取的條件值, 計算出分離的各子網 的貝葉斯網絡的值, 得出用戶的日常行為習慣, 然后將得出的各子網的值存入數據庫中 ;
     G、 根據各前提條件和各子網的值計算用戶的服務使用概率值, 使用聚類算法對用 戶的服務使用概率值進行聚類分析, 以將概率值劃分為不同的等級, 以提取個體用戶興趣 度, 并將所提取的個體用戶興趣度存入個體用戶興趣度數據庫。
     一種權利要求 1 所述移動網絡中融合協同過濾以及上下文計算的用戶偏好提取 方法, 該方法包括 :
     a、 獲取個體用戶興趣度和群體用戶偏好, 遍歷每個用戶在每種上下文環境下對每 類服務的興趣度 ; b、 判斷用戶是否遍歷完, 若未遍歷完, 則執行步驟 c ; 否則, 結束本次遍歷 過程 ; c、 判斷針對某個體用戶在某類服務的遍歷是否完成, 若完成則返回步驟 b ; 否則, 執 行步驟 d ; d、 判斷針對所述個體用戶在某類服務下的上下文遍歷是否完成, 若完成則返回 步驟 c ; 否則, 執行步驟 e ; e、 判斷所述個體用戶的興趣度是否為零, 若是, 則執行步驟 f ; 否 則, 執行步驟 i ; f、 遍歷該個體用戶所在群組的所有其他用戶在該種上下文環境下對該類 服務的興趣度, 并獲取該用戶所在群組標識, 然后執行步驟 g ; g、 計算所述所有其他用戶在 該種上下文環境下對該類服務的興趣度的有效平均值 ; h、 判斷所述有效平均值是否為零, 若是, 則執行步驟 i ; 否則, 執行步驟 j ; i、 個體用戶偏好取值為該用戶所在群組對該類服務 的偏好值, 然后執行步驟 l ; j、 個體用戶偏好 取值為有效平均值 ; 然后執行步驟 l ; k、 個體 用戶偏好取值為該個體用戶的興趣度, 然后執行步驟 l ; l、 將個體用戶偏好存儲到相應的 數據庫中, 然后返回執行步驟 d。
     本發明所提供的移動網絡中用戶偏好的獲取方法及系統, 具有以下優點 :
     本發明通過提出一種基于上下文計算的移動網絡中用戶偏好獲取模型, 并設計相 應的原型系統來實現以該用戶偏好獲取模型的有效性, 其中, 通過使用用戶歷史行為上下 文生成模塊, 記錄用戶歷史行為發生時用戶所處的上下文環境, 并對這些歷史上下文進行 計算, 從而求解出基于上下文計算的用戶偏好, 將有利于提高個性化服務的精確度 ; 在用戶 歷史行為上下文計算模塊中采用基于上下文計算的用戶興趣度計算方法, 對歷史上下文進 行推理和利用貝葉斯理論計算用戶歷史行為上下文, 求解出用戶歷史行為發生時的各種上 下文概率, 并最終利用多維度矩陣的形式描述的個體用戶興趣度, 豐富了用戶偏好的精度 描述 ; 在用戶偏好提取子系統中采用融合協同過濾技術和上下文計算的用戶偏好提取方 法, 將基于上下文計算的個體用戶興趣度和個體用戶所在群組的服務偏好進行融合計算, 從而預測和提取不同用戶在不同上下文環境下對不同移動網絡服務的偏好, 最終產生所需 的以多維度矩陣形式描述的用戶偏好信息。另外, 在用戶偏好自適應子系統中實施了基于 上下文計算的用戶偏好自適應方法, 通過對用戶偏好的變化和沖突進行檢測, 并對用戶偏 好信息的結果進行修正, 進一步提高了提取用戶偏好信息的精確度。 附圖說明
     圖 1 為本發明實施例中基于上下文計算的用戶偏好獲取模型示意圖 ;
     圖 2 為本發明的移動網絡中用戶偏好獲取系統結構示意圖 ;
     圖 2A 為本發明圖 2 中用戶歷史行為及上下文生成子系統的用戶歷史行為生成模 塊功能結構示意圖 ;
     圖 2B 為本發明圖 2 中用戶歷史行為及上下文生成子系統的用戶歷史行為上下文 生成模塊功能結構示意圖 ;
     圖 2C 為本發明圖 2 中數據挖掘子系統的用戶聚類模塊功能結構示意圖 ;
     圖 2D 為本發明圖 2 中數據挖掘子系統的用戶歷史行為上下文計算模塊功能結構 示意圖 ;
     圖 2E 為本發明圖 2 中用戶偏好提取子系統的群組用戶偏好提取模塊功能結構示 意圖 ;
     圖 2F 為本發明圖 2 中用戶偏好提取子系統的個體用戶偏好提取模塊功能結構示 意圖 ;
     圖 2G 為本發明圖 2 中用戶偏好自適應子系統的功能結構示意圖 ;
     圖 3 為本發明實施例中移動網絡用戶偏好獲取系統的物理結構示意圖 ; 圖 3A 為本發明的移動網絡中用戶偏好獲取系統的基本處理流程示意圖 ;
     圖 4 為本發明原型系統中歷史行為上下文生成過程示意圖 ;
     圖 5 為本發明原型系統中基于上下文計算的個體用戶興趣度計算方法的流程示 意圖 ;
     圖 6 為本發明原型系統中的融合協同過濾以及上下文計算的用戶偏好提取方法 流程示意圖。 具體實施方式
     下面結合附圖及本發明的實施例對本發明的方法作進一步詳細的說明。本發明的核心思想是 : 通過建立一個基于上下文計算的用戶偏好獲取模型, 在傳 統個性化服務系統的基礎上, 充分考慮復雜動態變化的上下文信息在移動網絡用戶偏好獲 取中的重要性, 將可利用的上下文信息分為當前上下文和歷史上下文, 并因之將上下文的 計算分為當前上下文感知計算和歷史上下文計算, 然后以用戶歷史行為及其上下文作為主 要的數據源, 通過協同過濾和歷史上下文計算等方法逐步精確挖掘用戶偏好及其變化 ; 然 后根據所述用戶偏好獲取模型, 結合移動終端用戶、 移動網絡運營商和網絡服務提供商的 實際情況, 設計一個移動網絡中用戶偏好獲取系統, 以檢驗所述用戶偏好提取模型對移動 網絡實際場景中的擬合效果, 從而驗證所述用戶偏好提取模型的有效性和先進性。所述原 型系統實質是一個獨立的系統, 其功能由一些子系統和模塊相互配合、 共同完成, 其功能與 所述模型應完成的功能相對應, 原型系統主要包括 : 用戶歷史行為及上下文生成子系統、 數 據存儲與管理子系統、 數據挖掘子系統、 用 戶偏好提取子系統、 用戶偏好自適應子系統以 及用戶界面。通過利用所述原型系統的用戶歷史行為及上下文生成子系統、 數據存儲與管 理子系統、 數據挖掘子系統、 用戶偏好自適應子系統以及用戶偏好提取子系統, 最終實現從 海量信息中提取出針對不同對象的群組用戶偏好和個體用戶偏好的目的。
     圖 1 為本發明實施例中基于上下文計算的用戶偏好獲取模型示意圖, 如圖 1 所示, 該用戶偏好獲取模型屬于數據驅動型模型, 其從功能層面上由低到高可分為數據采集層、 用戶偏好獲取層和用戶偏好自適應層, 該模型使用用戶偏好提取技術和用戶偏好自適應技 術, 其研究的對象, 即數據信息, 主要來自移動網絡的服務商, 所述數據信息包括 : 用戶歷史 行為信息、 用戶歷史行為上下文信息、 用戶人口統計學信息、 移動網絡服務信息、 上下文信 息等 ; 也可按數據的來源劃分為三類 : 即用戶信息、 資源信息和上下文信息。 基于上下文計算的用戶偏好獲取模型的數學描述初步為 : M = {U, I, C, P}, U×I×C → P。其中 : U 代表用戶信息, I 代表客體資源信息, C 代表上下文信息, P 代表用戶 偏好。 模型計算依據主要是用戶歷史行為及用戶歷史行為上下文, 由模型底層的 “數據采集 層” 來獲取。其中, 用戶歷史行為用于描述用戶對客體資源 ( 當前模型以移動網絡服務為對 象 ) 的使用情況 ; 用戶歷史行為上下文用于描述用戶使用客體資源時所處的上下文條件。
     由于用戶偏好的提取是一個逐步精確的過程, 圖 1 所示模型中的用戶 “偏好提取 層” 首先要通過計算用戶歷史行為提取到較為粗糙的群組用戶偏好, 然后通過計算用戶歷 史行為上下文提取出個體用戶興趣度, 最后再將兩種數據融合計算, 提取出較為精確的個 體用戶偏好。
     這里, 用戶偏好自適應, 是指檢測用戶偏好發生變化或者所提取用戶偏好與現實 用戶需求的沖突, 并進行修正的技術。用戶偏好自適應技術是通過所述 “用戶偏好自適應 層” 來實現, 其主要包括兩個必要過程 : 第一、 用戶偏好變化 / 沖突檢測 ; 第二、 用戶偏好修 正。
     由于本發明用戶偏好獲取模型的構建是實現所述移動網絡中用戶偏好獲取系統 的基礎, 因此需要對所述用戶偏好獲取模型中利用到的理論或技術, 如: 本體、 協同過濾、 上 下文計算、 矩陣理論和馬爾可夫過程等做一簡單介紹 :
     所述本體, 共享概念模型的明確的形式化規范說明。基于本體對用戶、 客體資源、 上下文、 用戶偏好等進行建模, 有利于從語義層面對上述各個領域數據進行結構化、 形式化 描述, 便于對各個領域數據的復雜關系的進行推斷。
     所述協同過濾, 協同過濾方法利用用戶之間的相似性 ( 或者項目之間的相似性 ), 基于其他人的評價和建議為用戶提供決策支持。 本發明中主要用于對群組用戶偏好進行提 取的過程。
     所述上下文計算, 指系統能發現并有效利用上下文信息 ( 如用戶位置、 時間、 環境 參數、 鄰近的設備和人員、 用戶活動等 ) 進行計算的一種計算模式。發明中提出的模型將上 下文分為兩種, 即歷史上下文、 當前上下文 ; 因而上下文計算也分為兩部分, 即歷史上下文 計算、 當前上下文感知計算。 在本發明中獲取用戶偏好時, 考慮用戶歷史行為發生時用戶所 處的歷史上下文 ; 在產生推薦時, 考慮用戶當前的上下文。
     所述矩陣理論, 用戶偏好獲取模型從用戶、 服務、 上下文等多維角度來考察用戶偏 好, 因而使用多維矩陣理論對影響用戶偏好的各維因素進行計算, 并將獲取到的用戶偏好 存儲到多維矩陣中。
     所述馬爾科夫過程, 是指在某一時刻發生的事件, 只是在有限時段內產生影響的 隨機過程, 屬于隨機過程理論。 將馬爾科夫過程理論應用到用戶偏好自適應計算過程中, 能 夠有效檢測和計算用戶偏好變化, 從而進行用戶偏好修正。
     圖 2 為本發明的移動網絡中用戶偏好獲取系統結構示意圖, 如圖 2 所示, 所述原型 系統主要由用戶歷史行為及上下文生成子系統 21、 數據存儲與管理子系統 22、 數據挖掘子 系統 23、 用戶偏好提取子系統 24 以及用戶偏好自適應子系統 25 構成。其中, 用戶歷史行為及上下文生成子系統 21, 用以完成移動用戶歷史行為及用戶歷史行 為上下文的數據生成。
     這里, 所述用戶歷史行為及上下文生成子系統 21 還包括 : 用戶歷史行為生成模塊 211、 用戶歷史行為上下文生成模塊 212。
     所述用戶歷史行為生成模塊 211, 用于實現用戶歷史行為的數據生成功能, 其輸出 結果可以作為群組用戶偏好提取的數據源。
     所述用戶歷史行為上下文生成模塊 212, 用于實現用戶歷史行為上下文的數據生 成功能, 其輸出結果可以作為用戶歷史行為上下文計算的數據源。
     需要說明的是, 在本發明中僅選擇那些影響用戶偏好最深刻的上下文類型, 如時 間、 位置、 使用設備和用戶活動狀態等, 但這并不限定所述基于上下文計算的用戶偏好獲取 模型僅支持上述幾種類型的上下文, 所述模型并不依賴于具體的上下文類型, 還可以進一 步擴展, 如增加天氣、 噪音環境、 光線、 用戶的 社會環境等。
     數據存儲與管理子系統 22, 用以完成用戶歷史行為數據、 用戶歷史行為上下文信 息、 用戶偏好信息的存儲和管理。
     這里, 所述數據存儲與管理子系統 22, 進一步包括用戶偏好存儲與管理模塊 221、 用戶歷史行為存儲與管理模塊 222 和用戶歷史行為上下文存儲與管理模塊 223。其中 : 所 述用戶偏好存儲與管理模塊 221, 用于存儲和管理用戶偏好信息。 所述用戶歷史行為存儲與 管理模塊 222, 用于存儲和管理用戶歷史行為信息。 所述用戶歷史行為上下文存儲與管理模 塊 223, 用于存儲和管理用戶歷史行為上下文信息。
     所述數據存儲與管理子系統 22, 通過用戶信息表、 用戶歷史行為表、 用戶歷史行為 上下文信息表、 群組用戶偏好表、 個體用戶偏好表以及用戶界面相關的數據表對各類數據 信息進行管理。數據存儲與管理子系統 22 主要對用戶信息表、 用戶歷史行為表、 用戶歷史
     行為上下文信息表、 群組用戶偏好表、 個體用戶偏好表及其相關聯的數據結構對數據信息 進行管理。
     數據挖掘子系統 23, 用以完成用戶聚類和用戶歷史行為上下文計算。
     這里, 所述數據挖掘子系統 23, 進一步包括用戶聚類模塊 231 和用戶歷史行為上 下文計算模塊 232 ; 其中,
     所述用戶聚類模塊 231, 基于用戶對移動服務的使用量, 通過運用 K-Means 聚類算 法, 將所有用戶劃分到 K 個不同的聚類中, 使得同一聚類中的用戶相似度較高, 不同聚類中 的用戶相似度較低, 聚類分析結束后, 每個用戶擁有一個聚類號標記。
     用戶歷史行為上下文計算模塊 232, 用于對用戶歷史行為上下文進行計算, 以求出 個體用戶對某一方面的興趣度。
     用戶偏好提取子系統 24, 用于根據所述數據挖掘子系統 23 的計算結果, 從所述數 據存儲與管理子系統 22 中提取群組用戶偏好和個體用戶偏好信息并輸出 ; 還用于根據所 述用戶偏好自適應子系統 25 的檢測 / 修正結果以及結合所述數據挖掘子系統 23 的計算結 果提取并輸出修正后的群組用戶偏好和個體用戶偏好信息。
     這里, 所述用戶偏好提取子系統 24, 進一步包括群組用戶偏好提取模塊 241 和個 體用戶偏好提取模塊 242 ; 其中, 所述群組用戶偏好提取模塊 241, 用于對群組用戶聚類結果和群組用戶歷 史行為 進行計算, 輸出群組用戶偏好信息。
     所述個體用戶偏好提取模塊 242, 用于對群組用戶偏好以及用戶歷史行為上下文 計算結果進行融合計算, 輸出個體用戶偏好信息。
     用戶偏好自適應子系統 25, 用以完成用戶偏好變化 / 沖突檢測、 用戶偏好修正, 并 將檢測結果或修正的結果保存在數據存儲與管理子系統 22 中。
     這里, 用戶偏好自適應子系統 25, 進一步包括用戶偏好變化 / 沖突檢測模塊 251 和 用戶偏好修正模塊 252。其中 :
     所述用戶偏好變化 / 沖突檢測模塊 251, 用于根據事先設定的變化閾值或變化檢 測算法及時捕捉用戶偏好的變化 ; 或用于檢測當多源渠道提取的用戶偏好進行融合時, 可 能出現用戶偏好不一致而產生沖突的現象, 或檢測所提取用戶偏好與用戶顯式設定的偏好 之間存在不一致而產生沖突的現象, 并將所述用戶偏好變化 / 沖突情況傳給用戶偏好修正 模塊 252。
     所述用戶偏好修正模塊 252, 用于完成用戶偏好的修正功能, 即針對用戶偏好沖突 和用戶偏好變化的不同客觀情況, 設定用戶偏好修正算法, 以達到對用戶偏好信息進行修 正, 進一步使得所獲取的用戶偏好信息精確化的效果。
     另外, 原型系統之外, 還包括一個負責用戶與所述原型系統之間信息交互的用戶 界面。這里, 所述用戶包括移動終端用戶和系統管理維護用戶。
     圖 2A 為本發明圖 2 中用戶歷史行為及上下文生成子系統的用戶歷史行為生成模 塊功能結構示意圖, 如圖 2A 所示, 用戶歷史行為生成模塊 211, 進一步包括如下子模塊 :
     讀取外界信息文檔子模塊 2111, 用于對外界信息文檔進行解析, 并將解析結果存 入指定數組中供其他子模塊使用。
     初始化用戶信息子模塊 2112, 用于生成用戶 ID, 將其存入數據庫中, 并給該用戶
     的各個屬性字段賦值。
     初始化用戶行為表子模塊 2113, 用于根據用戶信息表中的用戶 ID( 主鍵 ) 來初始 化用戶歷史行為表, 所述用戶歷史行為表包括用戶行為表中各條記錄的主鍵 ( 用戶 ID) 以 及各個服務量。
     生成用戶行為數據子模塊 2114, 用于讀取外界信息文檔子模塊 2111 中的解析結 果數組作為輸入, 并將生成的數據更新到數據庫用戶行為表中的相應字段。
     用戶歷史行為數據子模塊 2115, 用于實現用戶歷史行為數據的增減, 如在 上個月 的歷史數據的基礎上進行增減, 并將其保存到數據庫中。
     數據庫備份子模塊 2116, 用于實現數據庫信息的備份, 以便于查看前期產生的數 據。
     圖 2B 為本發明圖 2 中用戶歷史行為及上下文生成子系統的用戶歷史行為上下文 生成模塊功能結構示意圖, 如圖 2B 所示, 用戶歷史行為上下文生成模塊 212, 進一步包括如 下子模塊 :
     用戶歷史行為上下文生成父代理子模塊 2121, 用于啟動父代理、 啟動子代理、 接收 上級代理的控制消息、 并從數據庫中獲取用戶服務量數據, 作為整個用戶歷史行為上下文 信息生成入口模塊, 該子模塊控制其它模塊的運行步驟和過程, 該子模塊的代理通過接收 上級子模塊即用戶歷史行為生成模塊的控制信息來控制自身各模塊的運行, 當接收到上級 子模塊的控制消息后, 該子模塊代理開始啟動其它各代理, 并通過用戶信息數據流控制各 代理模塊的運行節奏。
     用戶信息生成代理子模塊 2122, 用于生成用戶的用戶信息, 將生成的用戶信息存 儲到用戶信息表中, 通過該代理子模塊, 能夠根據不同的情形為用戶的信息設定符合自己 的活動規律, 當該代理子模塊運行后, 能夠根據用戶設定的規律為用戶生成符合某種規律 的用戶信息。
     設備信息生成代理子模塊 2123, 用于為每個服務生成用戶設備, 使每一條使用記 錄對應一種用戶設備, 并將生成的上下文信息存入用戶上下文信息表, 同上述模塊, 該子模 塊也可設置不同的規律, 讓不同特征的用戶使用不同的設備, 由于各代理子模塊之間是相 互獨立的, 因此在設置不同的規律時, 其它代理很少能影響的當前代理的邏輯, 而且該代理 內部邏輯的改動完全不會影響到其他代理邏輯的實現。
     時間信息生成代理子模塊 2124, 用于為每個服務生成用戶的時間上下文, 使每一 條記錄對應一個不同的時間, 同上述所述代理子模塊, 該代理子模塊也可根據設定的自身 需求的規律來生成自己的邏輯, 該代理的邏輯的修改不影響其它代理, 產生結果存入相應 用戶的歷史行為上下文數據庫表中。
     位置信息生成代理子模塊 2125 : 用于為每個業務生成用戶地點的上下文, 使每一 條使用記錄對應一個用戶所在位置 ; 該代理的生成邏輯, 可以完全根據不同的用戶, 不同的 身份信息, 產生不同的位置信息, 這樣生成的上下文位置信息將很接近現實中的上下文信 息, 能為今后的工作提供更好的依據。
     活動信息生成代理子模塊 2126 : 為每個服務生成用戶歷史行為的活動信息 上下 文, 使每一條使用記錄都對應一種用戶狀態。與上述代理子模塊同理, 根據不同的用戶信 息, 生成不同的用戶活動信息, 活動信息產生的規律在所述代理子模塊內部設置, 依據不同的使用環境設置不同的規律, 從而最終產生符合用戶需求的上下文信息記錄。
     服務量分配代理子模塊 2127 : 將用戶歷史行為的服務量進行分配, 讓各種服務的 服務量很好的分配到一個月的 30 天中的每一段時間內, 服務量的分配可以使隨機將總量 分配到所有天中, 也可以根據一定得使用習慣分配服務量, 總之代理中的業務邏輯是可以 隨時變化的, 通過不同的業務邏輯的變化可以適應不同的環境, 滿足各種需求。
     圖 2C 為本發明圖 2 中數據挖掘子系統的用戶聚類模塊功能結構示意圖, 如圖 2C 所示, 用戶聚類模塊 231 進一步包括如下子模塊 :
     提取用戶信息子模塊 2311, 用于從存放用戶歷史行為信息的數據庫中提取用戶的 ID 號與用戶歷史行為信息, 即服務的使用量。
     數據映射子模塊 2312, 用于將所有的數據按照某種映射法映射到同一區間 [a, b] 上, 目的是為了降低多維數據屬性之間的相互影響, 避免大數淹沒小數, 從而使得聚類效果 更加理想。
     尋找聚類中心子模塊 2313, 用于產生 K 個互不相同的隨機數確定初始聚類中心, 并選擇初始聚類中心。
     計算聚類中心子模塊 2314, 用于計算每個聚類的聚類中心 ; 計算聚類中心的方法 是以每個聚類中所有數據的平均值作為聚類中心, 具體做法為 : 多維數據計算每維的平均 值。
     聚類劃分子模塊 2315, 用于將所有的數據劃分到與之最近的聚類中, 劃分方法是 計算數據與每個聚類中心的歐幾里得距離。
     算法收斂判斷子模塊 2316, 用于通過收斂條件判斷聚類劃分是否結束, 如果滿足 收斂條件, 則結束聚類算法 ; 反之, 則繼續進行聚類劃分, 直到滿足收斂條件為止。
     用戶聚類號設置子模塊 2317, 用于為數據庫中的每個用戶設置一個聚類號。
     圖 2D 為本發明圖 2 中數據挖掘子系統的用戶歷史行為上下文計算模塊功能結構 示意圖, 如圖 2D 所示, 用戶歷史行為上下文計算模塊 232, 進一步包括如下子模塊 :
     < 時間 | 位置 | 活動, 移動服務 > 案例提取子模塊 2321, 該模塊通過獲取已經生成 的上下文使用記錄信息, 通過提取其中的時間、 位置、 活動、 服務信息建立 < 時間 | 位置 | 活 動, 移動服務 > 案例庫, 在該案例提取過程中, 逐個讀取產生的上下文記錄信息, 建立案例, 對于重復的案例予以清除, 只保留單一案例。對每個用戶都建有對應的案例庫以便下一步 求解。
     < 時間, 位置 > 日常習慣案例提取子模塊 2322, 該模塊通過獲取已經生成上下文使 用記錄信息, 通過提取時間、 位置信息建立 < 時間, 位置 > 案例庫。在該案例提取過程中, 確 定對案例類型的需求后, 逐個讀取產生的上下文記錄信息, 建立案例, 對于重復的案例予以 清除, 只保留單一案例。對每個用戶都建有對應的案例庫以便下一步求解。
     < 位置, 活動 > 日常習慣案例提取子模塊 2323, 該模塊通過獲取已經生成上下文使 用記錄信息, 通過提取位置、 活動上下文信息建立 < 位置, 活動 > 的案例庫。在該案例提取 過程中, 確定對案例類型的需求后, 逐個讀取產生的上下文記錄信息, 建立案例, 對于重復 的案例予以清除, 只保留單一案例。對每個用戶都建有對應的案例庫以便下一步求解。
     < 時間 | 位置 | 活動, 移動服務 > 興趣度計算子模塊 2324, 根據 < 時間 | 位置 | 活 動, 移動服務 > 興趣度計算子模塊提取的案例, 計算用戶對于相應案例的興趣度, 由于在提取過程中案例對應的值是不同的 ( 如移動服務的使用量不同 ), 所以不同案例最后計算所 得興趣度值也不同。通過使用貝葉斯公式能夠將后驗概率的計算轉化成先驗概率的計算, 使興趣度的計算得到很好的解決和實現。貝葉斯網絡將有向無環圖與概率理論有機結合, 將因果關系用有向圖直觀的表示出來, 而且歷史記錄的統計值都是離散數據, 使得貝葉斯 公式在應用于移動領域歷史記錄統計計算方面具有很好的效果。
     < 時間, 位置 > 日常習慣興趣度計算子模塊 2325, 根據 < 時間, 位置 > 日常習慣興 趣度計算子模塊提取的案例, 計算用戶對于相應案例的興趣度, 由于在提取過程中案例對 應的時間量值是不同的, 所以不同案例最后計算所得興趣度值也不同。通過貝葉斯公式將 后驗概率的計算轉化成先驗概率的計算, 使興趣度的計算得到很好的解決和實現。
     < 位置, 活動 > 日常習慣興趣度計算子模塊 2326, 根據 < 位置, 活動 > 日常習慣興 趣度計算子模塊提取的案例, 計算用戶對于相應案例的興趣度, 由于在提取過程中案例對 應的量值是不同的, 所以不同案例最后計算所得興趣度值也不同。 再通過貝葉斯公式能夠 將后驗概率的計算轉化成先驗概率的計算, 能夠簡單高效地計算出對應的興趣度值。
     圖 2E 為本發明圖 2 中用戶偏好提取子系統的群組用戶偏好提取模塊功能結構示 意圖, 如圖 2E 所示, 群組用戶偏好提取模塊 241, 進一步包括如下子模塊 : 群組歷史行為矩陣構造子模塊 2411, 用于完成群組歷史行為矩陣構造的功能, 即 以用戶聚類結果為輸入, 計算每個群組的所有用戶對各類移動網絡服務的平均使用量, 構 造群組歷史行為矩陣。
     服務聚類子模塊 2412, 用于完成服務聚類的功能, 即以群組歷史行為矩陣為輸入, 以各個群組的歷史行為數據為待聚類對象, 根據聚類算法, 將每類服務的各個群組使用情 況聚類為 5 個 ( 或 3 個 ) 等級, 即: 5- 很偏好, 4- 較偏好, 3- 一般偏好, 2- 較不偏好, 1- 很 不偏好 ( 或, 3- 高級偏好, 2- 一般偏好, 1- 較不偏好 )。
     群組用戶偏好計算子模塊 2413, 用于完成群組用戶偏好計算功能, 即以群組歷史 行為矩陣和服務聚類結果為輸入, 根據服務聚類結果將群組歷史行為矩陣映射為群組用戶 偏好矩陣, 其中, 所述矩陣采用 “群組 - 服務” 的二維形式, 以群組名為行向量, 以各類服務 為列向量, 群組用戶偏好矩陣存儲于數據存儲與管理子系統中的群組用戶偏好存儲與管理 模塊。
     群組用戶偏好結構化描述子模塊 2414, 用于完成群組用戶偏好的結構化描述功 能, 即以群組用戶偏好提取結果為輸入, 按照已經設計好的 XML Schema 來生成 XML 格式的 半結構化群組用戶偏好描述文檔, 并將文檔存儲到群組用戶偏好存儲與管理模塊。
     圖 2F 為本發明圖 2 中用戶偏好提取子系統的個體用戶偏好提取模塊功能結構示 意圖, 如圖 2F 所示, 個體用戶偏好提取模塊 242, 進一步包括如下子模塊 :
     個體用戶興趣度零值檢測子模塊 2421, 用于完成個體用戶興趣度零值檢測功能, 即個體用戶興趣度數據庫中某用戶在某種特定上下文條件下對某類服務的興趣度是否為 零; 如果為零, 則執行個體用戶偏好計算子模塊功能 ; 否則, 執行有效平均興趣度計算子模 塊。
     有效平均興趣度計算子模塊 2422, 用于完成有效平均興趣度計算功能, 即有效平 均興趣度計算子模塊需要從群組用戶偏好矩陣數據庫找到個體用戶所屬群組的其他用戶, 并在個體用戶興趣度數據庫中遍歷這些用戶在某種特定上下 文條件下對某類服務的非零
     值興趣度, 并計算出它們的平均值, 輸出為有效平均興趣度。
     有效平均興趣度零值檢測子模塊 2423, 主要完成有效平均興趣度零值檢測功能, 即檢測有效平均興趣度計算子模塊所輸出的有效平均興趣度是否為零。如果為零, 則執行 個體用戶偏好計算子模塊功能, 且不訪問群組用戶偏好數據庫 ; 否則, 執行個體用戶偏好計 算模塊功能, 且訪問群組用戶偏好數據庫。
     個體用戶偏好計算子模塊 2424, 用于完成個體用戶偏好計算功能, 具體為 : 根據 上述模塊的計算結果與判斷條件, 在不同的條件下, 將個體用戶偏好的取值分別設置為個 體用戶興趣度、 有效平均興趣度或者個體所在群組用戶偏好, 從而預測出該用戶在不同的 上下文環境下對不同類服務的偏好值, 并將輸出結果存儲到個體用戶偏好數據庫 ( 個體用 戶偏好存儲與管理模塊 ) 中。
     個體用戶偏好結構化描述子模塊 2425, 用于完成個體用戶偏好的結構化描述功 能, 即以個體用戶偏好提取結果為輸入, 按照已經設計好的 XML Schema 來生成 XML 格式的 半結構化個體用戶偏好描述文檔, 并將文檔存儲到個體用戶偏好存儲與管理模塊。
     圖 2G 為本發明圖 2 中用戶偏好自適應子系統的功能結構示意圖, 如圖 2G 所示, 所 述用戶偏好自適應子系統 25, 通過使用用戶偏好變化 / 沖突檢測模塊 251 根據設定的變化 閾值或變化檢測算法及時捕獲群組 / 個體用戶偏好的變化 ; 或在將多源渠道提取的用戶偏 好進行融合時, 及時檢測出用戶偏好不一致而產生沖突、 或是所提取用戶偏好與用戶顯式 設定的偏好之間不一致而導致的沖突 ; 然后再利用所述用戶偏好修正模塊 252 進行修正, 并將修正結果保存在用戶偏好數據庫中。 圖 3 為本發明實施例中移動網絡用戶偏好獲取系統的物理結構示意圖, 圖中示出 了包括運營商、 服務內容提供商、 終端用戶在內的移動網絡環境下所述原型系統中的關系, 所述數據存儲與管理子系統記錄網絡運營商和服務內容提供商供終端用戶使用移動設備 所產生的數據信息, 通過使用用戶偏好提取子系統以及用戶偏好自適應子系統, 結合上下 文環境對所述數據存儲與管理子系統中的數據信息進行處理, 以期得到所述終端用戶的群 組偏好和用戶偏好信息。
     圖 3A 為本發明的移動網絡中用戶偏好獲取系統的基本處理流程示意圖, 下面結 合圖 3 對本發明所述原型系統中移動網絡用戶偏好的獲取方法進行進一步的說明 :
     參考圖 3A, 所述原型系統的各子系統之間信息交互過程, 包括如下步驟 :
     步驟 301 ~ 302 : 從用戶界面觸發用戶歷史行為及上下文生成子系統 21, 生成用戶 歷史行為數據與用戶歷史行為上下文數據 ;
     步驟 303 : 將所述用戶歷史行為及上下文生成子系統將生成的用戶歷史行為及其 上下文存儲到數據存儲與管理子系統 22 中 ;
     步驟 304 ~ 305 : 數據挖掘子系統 23 從數據存儲與管理子系統 22 中獲取用戶歷 史行為及其上下文數據, 分別進行用戶聚類和用戶行為歷史上下文計算 ;
     步驟 306 ~ 313 : 用戶偏好提取子系統 24 根據用戶聚類結果提取群組用戶偏好, 然后再將群組用戶偏好與用戶歷史行為上下文計算結果進行融合計算, 以提取個體用戶偏 好, 并存儲到數據存儲與管理子系統 22 ;
     步驟 314 : 根據用戶偏好、 當前上下文感知信息選擇適合該用戶在當前上下文環 境需要的移動網絡服務類型, 并推薦給用戶 ;
     步驟 315 : 用戶界面將被推薦的移動網絡服務及其內容呈現給用戶, 并進行反饋 ;
     步驟 316 ~ 317 : 用戶偏好自適應子系統 25 根據用戶反饋, 檢測用戶歷史行為及 其上下文數據的變化, 或者檢測已提取用戶偏好與現實用戶需求的沖突, 然后對已提取的 用戶偏好進行自適應修正, 并將經過修正后的輸出結果, 即通過用戶界面將被推薦的移動 網絡服務及其內容呈現給用戶。
     圖 4 為本發明原型系統中歷史行為上下文生成過程示意圖, 用戶歷史行為上下文 生成模塊 212 以用戶歷史行為生成模塊 211 的輸出結果作為輸入, 首先為用戶生成用戶的 個人信息, 然后以移動網絡服務為單位生成時間, 再生成設備, 然后再生成位置 ( 用戶的個 人信息決定的用戶位置的范圍 ), 接下來將生成用戶的活動 ( 用戶活動的生成結果取決于 用戶的位置信息 ), 最后是用戶的服務量分配。以上各個生成過程中不是相互獨立的, 各代 理之間也存在依賴和約束關系, 并最終生成用戶歷史行為上下文信息。如圖 4 所示, 該過程 具體包括 :
     步驟 401 : 啟動歷史行為上下文生成父代理及各個子代理, 接收上級代理 ( 用戶歷 史行為生成代理 ) 的控制消息。
     步驟 402 : 歷史行為上下文生成父代理從數據庫中獲取用戶歷史行為數據。
     步驟 403 : 用戶信息生成代理接收歷史行為上下文生成父代理的控制消息, 控制 消息傳遞的變量為用戶 ID 和服務使用總量。
     步驟 404 : 用戶信息生成代理生成用戶的用戶信息, 將生成的用戶信息存 儲到用 戶信息表中, 并發送控制消息給用戶設備生成代理。
     步驟 405 : 使用用戶設備生成代理為每個用戶生成用戶設備, 并發送控制消息給 時間生成代理。
     步驟 406 : 使用時間生成代理, 為每類服務生成用戶的時間上下文, 使每一條記錄 對應一個不同的時間, 并發送控制消息給位置生成代理。
     步驟 407 : 使用地點生成代理, 為每類服務生成用戶的地點上下文, 使每一條使用 記錄對應一個用戶所在位置, 并發送控制消息給用戶活動生成代理。
     步驟 408 : 使用用戶活動生成代理, 為每類服務生成用戶歷史行為的活動信息上 下文, 使每一條使用記錄都對應一種用戶狀態, 并發送控制消息給服務量生成代理。
     步驟 409 : 使用服務量分配代理, 對每個用戶的用戶歷史行為服務量進行分配, 讓 各種移動網絡服務的服務量分配到一個月的 30 天中的每一段時間內, 并將帶上下文的用 戶歷史行為存儲到用戶歷史行為上下文數據庫中。需要說明的是, 每次分配一天 /24 小時 的服務量, 然后發送控制消息到用戶設備生成代理, 執行該用戶的下一次服務量分配的循 環。
     步驟 410 : 服務量分配代理發送控制消息到用戶設備生成代理。
     步驟 411 : 時間生成代理檢測到該用戶一個月 /30 天的用戶行為分配完畢后, 發 送控制消息給歷史行為上下文生成父代理, 執行下一個用戶的用戶歷史行為上下文數據生 成。
     此外, 在用戶歷史行為上下文數據生成過程中, 使用到多線程并發控制技術, 每次 循環生成 N( 取 5 ~ 10) 個用戶的數據。
     圖 5 為本發明原型系統中基于上下文計算的個體用戶興趣度計算方法的流程示意圖, 以用戶歷史行為上下文數據作為輸入, 通過對上下文知識進行推理和利用貝葉斯理 論計算用戶歷史行為上下文, 求解出用戶歷史行為發生時的各種上下文概率, 最終輸出包 含上下文信息的個體用戶興趣度, 如圖 5 所示, 該過程包括 :
     步驟 501 : 提取用戶歷史行為上下文計算模塊的案例數據信息 ;
     步驟 502 : 讀取用戶歷史行為上下文數據庫, 讀取已經處理過的上下文信息 ;
     這里, 所述上下文信息是從傳感器獲取的原始信息經過領域本體的處理之后的上 下文信息, 此時上下文信息已不再是原始的數字, 而是一種語義信息 ;
     步驟 503 : 根據所讀取的用戶歷史行為上下文信息查詢案例數據庫進行匹配, 查 看案例是否已存在, 如果案例存在, 則執行步驟 504 ; 否則, 執行步驟 505 ;
     步驟 504 : 對案例庫中的相應案例進行修改, 然后執行步驟 506 ;
     步驟 505 : 創建一個新的案例, 然后執行步驟 506 ;
     步驟 506 : 將對案例所做的修改或新創建的案例存入案例數據庫中, 然后執行步 驟 507 ;
     步驟 507 : 判斷是否上下文信息已經讀取完畢, 若未讀取完, 則返回執行步驟 501 繼續讀取上下文信息, 直至所述上下文信息讀取完畢, 案例庫創建完畢 ; 否則, 執行步驟 508 ;
     步驟 508 : 結束案例提取流程開始上下文計算流程, 執行步驟 509 ;
     步驟 509 : 讀取案例庫中案例信息, 通過計算得出貝葉斯網絡中的前提條件值, 然 后執行步驟 510 ;
     步驟 510 : 根據上一步驟已經獲取的條件值, 計算出分離的各子網的貝葉斯網絡 的值, 即得出用戶的日常行為習慣, 然后執行步驟 511 ;
     步驟 511 : 將得出的各子網的值存入數據庫中 ;
     步驟 512 : 根據各前提條件和各子網的值計算用戶的服務使用概率值 ;
     步驟 513 : 使用聚類算法對用戶的服務使用概率值進行聚類分析, 以將概率值劃 分為不同的等級, 以提取個體用戶興趣度 ;
     步驟 514 : 將所提取的個體用戶興趣度存入個體用戶興趣度數據庫 ;
     步驟 515 : 結束計算過程。
     圖 6 為本發明原型系統中的融合協同過濾以及上下文計算的用戶偏好提取方法 流程示意圖, 參照圖 1 所示的用戶偏好獲取模型可知, 該方法是以用戶歷史行為及用戶歷 史行為上下文信息為輸入, 利用基于聚類算法的協同過濾方法來計算用戶歷史行為, 并提 取出群組用戶偏好 ; 利用歷史上下文計算方法來計算用戶歷史行為上下文, 并提取出個體 用戶興趣度 ; 然后將基于協同過濾方法的群組用戶偏好和基于上下文計算的個體用戶興趣 度進行融合計算, 從而預測和提取不同用戶在不同上下文環境下對不同移動網絡服務的偏 好, 即個體用戶偏好信息。參考圖 6, 該方法包括如下步驟 :
     步驟 601 : 獲取個體用戶興趣度和群體用戶偏好, 遍歷每個用戶在每種上下文環 境下對每類服務的興趣度 ;
     步驟 602 : 判斷用戶是否遍歷完, 若未遍歷完, 則執行步驟 603 ; 否則, 若執行完, 則 執行步驟 613 ;
     步驟 603 : 判斷針對某個體用戶在某類服務的遍歷是否完成, 若完成則返回步驟602 ; 否則, 執行步驟 604 ;
     步驟 604 ; 判斷針對所述個體用戶在某類服務下的上下文遍歷是否完成, 若完成 則返回步驟 603 ; 則, 執行步驟 605 ;
     步驟 605 : 判斷所述個體用戶的興趣度是否為零, 若是, 則執行步驟 606 ; 否則, 執 行步驟 611 ;
     步驟 606 : 遍歷該個體用戶所在群組的所有其他用戶在該種上下文環境下對該類 服務的興趣度, 并獲取該用戶所在群組標識, 然后執行步驟 607 ;
     步驟 607 : 計算所述所有其他用戶在該種上下文環境下對該類服務的興趣度的平 均值 ; 這里所述平均值為非零值的興趣度的平均值, 即有效平均值 ;
     步驟 608 : 判斷所述有效平均值是否為零, 若是, 則執行步驟 609 ; 則, 執行步驟 610 ;
     步驟 609 : 個體用戶偏好取值為該用戶所在群組對該類服務的偏好值, 然后執行 步驟 612 ;
     步驟 610 : 個體用戶偏好取值為有效平均值 ; 然后執行步驟 612 ;
     步驟 611 : 個體用戶偏好取值為該個體用戶的興趣度, 然后執行步驟 612 ;
     步驟 612 : 將個體用戶偏好存儲到相應的數據庫中, 然后返回執行步驟 604 ;
     步驟 613 : 結束本次遍歷過程。
     以上所述, 僅為本發明的較佳實施例而已, 并非用于限定本發明的保護范圍。

關 鍵 詞:
一種 移動 網絡 用戶 偏好 獲取 方法 系統
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:一種移動網絡中用戶偏好的獲取方法及系統.pdf
鏈接地址:http://www.rgyfuv.icu/p-6420409.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
山东11选5中奖结果走势图