《中國人工智能學會通訊》——11.56 情境感覺的移動使用者個性化偏好 挖掘方法

近年來，随着移動産業的高速發展，智能手機、平闆電腦等移動裝置已經成為了人們最重要的社交娛樂和資訊擷取媒介。與此同時，這些新型的移動裝置都配備了許多高性能的情境傳感器，例如GPS、3D 加速及光學傳感器等。這些情境傳感器能夠捕獲到來自于移動使用者的豐富情境資料，進而幫助實作一系列基于情境感覺的移動服務。 這些情境資訊和相應的使用者活動記錄，均可以被移動裝置記錄成情境裝置日志（Context Log），進而幫助我們深入挖掘和了解移動使用者基于情境的個性化偏好，即在某個給定情境下所偏好的活動類别。事實上，這項工作是面向使用者了解方向的一項基礎性研究，能夠幫助實作更好地基于情境感覺的移動服務，例如應用推薦、廣告投放等。相比于傳統的推薦系統，考慮使用者個性化情境偏好的推薦系統能夠更好地提升使用者體驗。

近年來，盡管許多研究者已經着眼于個性化情境感覺推薦問題的研究[9] ，并提出了一些挖掘移動使用者個性化情境偏好的方法，然而，這些方法通常隻考慮單一的情境資訊，同時大多工作基于網際網路平台的項目評分記錄。事實上，來自于移動使用者情境日志的使用者活動記錄具有豐富的語義資訊，能夠幫助更加精确地挖掘使用者在不同複雜情境下的個性化偏好。但是，如何通過挖掘情境日志來學習移動使用者的個性化偏好，并建構個性化情境感覺推薦系統仍然是一個亟待解決的開放性課題。

基于以上背景，我們提出一種全新的基于情境日志分析的方法來挖掘情境感覺的移動使用者個性化偏好。在此工作中，一個重要的挑戰是來自于單個移動使用者的情境日志通常極為稀疏，不具有充分的情境資訊和使用者活動記錄作為訓練資訊。如果僅僅使用單個使用者的情境日志，将很難挖掘出有意義的個性化偏好。是以，在本方法中，我們首先提出通過分析來自于多個移動使用者的情境日志來挖掘移動使用者的公共興趣偏好（CommonContext-Aware Preference），然後将單個使用者的個性化偏好表示成這些公共興趣偏好上的機率分布。進一步，根據情境資料模組化的需要，提出了兩種不同的情境模組化獨立性假設，并且分别根據這兩種假設設計了不同的方法來挖掘移動使用者的個性化偏好。假設情境資料基于公共偏好條件獨立，則使用機率主題模型來進行偏好挖掘。這種方法非常高效，但會損失一部分預測性能。反之，假設情境資料是互相依賴的，則使用基于限制條件的矩陣分解方法來進行偏好挖掘。第二種方法需要考慮更多的情境關聯，因而需要更多的訓練時間，但具有更好的模組化效果。圖 1 展示了所提出的偏好挖掘方法以及如何利用偏好來預測使用者活動類别的流程概覽。