PDF《上下文感知推荐系统》

2012 可能感兴趣的项目(如Web 信息、服务、在线商品等),并生成个性化推荐以满足个性化需求.目前,推荐系统在 电子商务(如Amazon、 eBay、 Netflix、 阿里巴巴、 豆瓣网、 当当网等)、 信息检索(如iGoogle、 MyYhoo、 GroupLens、 百度等)以及移动应用、电子旅游、互联网广告等等众多应用领域取得较大进展.

20 世纪

90 年代初,Weiser 提出了 普适计算 的概念,作为其核心子领域之一的上下文感知计算理论,使系统 能够自动发现和利用位置、周围环境等上下文信息,并为用户提供服务和计算资源,取得许多研究成果.随着信 息检索、移动计算、电子商务、物联网、智能家居/办公、环境监测、医疗、军事等应用领域的发展要求,将 上下文感知计算应用于这些领域以提高用户体验和系统性能,成为学术界和工业界关注的热点之一,上下文信 息的重要性也得到广泛的研究与验证.在推荐系统领域,人们往往只关注 用户-项目 之间的关联关系,而较少考 虑它们所处的上下文环境(如时间、位置、周围人员、情绪、活动状态、网络条件等等).但是,在许多应用场景 下,仅仅依靠 用户-项目 二元关系并不能生成有效推荐.例如,有的用户喜欢在 早上 而不是 中午 被推荐合适 的新闻信息,有的用户在 旅游 时想要被推荐一些合适的周边餐馆、 商场等,有的用户在 心情愉悦 时更愿意被 推荐一些轻松的音乐.上下文感知推荐系统通过将上下文信息引入推荐系统,以进一步提高推荐精确度和用户 满意度,兼具 普适计算 和 个性化 两种优势( 普适计算 表示信息和计算资源的获取与接入可以发生在 任何 时间、任何地点、以任何形式 ,而 个性化 则可以帮助用户从海量资源中获取满足其自身需要的内容),具有重 要的研究意义和实用价值,逐渐成为推荐系统研究领域最为活跃的分支之一. 国外许多大学和研究机构对上下文感知推荐系统理论、 方法及应用展开了深入研究,如美国明尼苏达大学 和纽约大学[7?10] ,意大利波尔察诺自由大学[11?15] 和博洛尼亚大学[16,17] ,德国柏林工业大学[18,19] 、康斯坦茨大 学[20?22] 、慕尼黑工业大学[23,24] 和约阿尼纳大学[25,26] ,西班牙电信研究院[11,27] ,新加坡南洋理工大学[28] ,英国华威 大学[29,30] ,韩国浦项工业大学[31] 和首尔大学[32] ,IBM 研究院[33] ,微软研究院[34] ,意大利电信公司[35] 等等.ACM 推 荐系统年会(ACM Conference on Recommender Systems,简称 RecSys)自2009 年开始举办上下文感知推荐系统 专题研讨会(Workshop on Context-Aware Recommender Systems[10] ,简称 CARS),指出上下文感知推荐系统领域 的几个主题,体现了当前的研究热点与难点:1) 推荐系统中的上下文建模技术;

2) 推荐系统中基于上下文感知 的用户建模;

3) 上下文推荐数据集;

4) 检测上下文数据相关性的算法;

5) 将上下文信息融入推荐过程的算法;

6) 在上下文特征和用户评分之间建立显式关联的算法;

7) 与上下文感知推荐系统交互;

8) 上下文感知推荐系统 的新应用;

9) 大规模上下文感知推荐系统;

10) 上下文感知推荐系统的评测;

11) 移动上下文感知推荐系统;

12) 上下文感知的群组推荐.在国内,以关键词 上下文感知推荐系统 在Google Scholar、中国知网上搜索,只能发现 很少的相关中文文献,英文文献中也仅有较少的研究人员(如西北工业大学[36?38] 和北京邮电大学[39?42] )从事该 领域研究,这说明我国在上下文感知推荐系统领域的相关研究存在不足. 目前,推荐系统领域的国内外综述文献主要针对传统推荐系统[3?6] ,而极少涉及上下文感知推荐系统.鉴于 上下文感知推荐系统的重要研究意义和实用价值,我们有必要跟踪学习和总结该领域现阶段的研究成果,并深 入分析和预测其发展趋势,期望能够更好地指导未来的研究工作. 本文第