[发明专利]一种移动时空感知下动态即时推荐服务模型建立方法

权利要求书

1.一种移动时空感知下动态即时推荐服务模型建立方法，其特征在于，包括：

采集移动用户情景日志数据集，搭建Hadoop并行分布式处理环境，对所采集的移动用户情景日志数据集进行预处理，并根据预先设定的HDFS中每个数据块大小对移动用户情景日志数据集进行分割；

使用每个Map处理一个划分好的数据块，在每一个Map下，按照等时段划分预处理好的移动用户情景日志数据集，进行键值对映射，采用CIT-LDA主题模型，抽取每个时间片下的移动时空感知信息和用户行为偏好变化信息进行语义建模；

所述CIT-LDA主题模型，包括：

用户u在时刻t选择服务v的概率，通过下式确定：

P(v|θ,β,u,t,θ′,C,λ)＝λP(v|θ,β,u,t)+(1-λ)P(v|θ′,C,t)

其中，P(v|θ,β,u,t)表示用户u根据自身在时刻t的兴趣分布θ和主题分布β选择服务v的概率；P(v|θ′,C,t)表示服务v被时刻t的移动情景C和移动情景分布θ′生成的概率，t表示当前时间片；参数λ为CIT-LDA模型的混合权重，表示用户自身行为偏好影响的概率，1-λ表示用户受当时移动时空情景影响的概率；

对于当前时间片t，以时间片t-1中子主题分布和服务分布的加权作为时间片t中相应分布的先验；时间片t中用户兴趣子主题分布和服务分布的Dirichlet先验满足下式：

φ_t＝φ_t-1w

其中，φ_t中的每一列对应时间片t-1中的一个兴趣子主题-服务分布，w为权重矩阵；

通过Shuffle对键值对执行排序，并合并具有相同主题键的多个记录；通过Reduce对键值对执行最后一次合并操作；采用对称KL散度计算用户兴趣主题的漂移概率，确定用户兴趣变化点；

根据用户兴趣子主题与前向关联子主题和后向关联子主题间的关系，将用户兴趣子主题漂移轨迹的演化分为新兴趣产生、兴趣保持和兴趣消失三种类型；当用户行为偏好发生变化时，分析所对应的用户兴趣变化点，挖掘用户所具有的长期兴趣和短期兴趣；

前向关联用户兴趣子主题为：滑窗内各时间片t′中与相似度最大的用户兴趣子主题，记作其中，t′＝t-N,…,t-1，N为整数；

后向关联用户兴趣子主题为：滑窗内各时间片t′中与相似度最大的用户兴趣子主题，记作其中，t′＝t+1,…,t+N，N为整数；

所述新兴趣产生，包括：对于用户兴趣子主题若不存在前向关联兴趣子主题T_l^m使得和T_l^m的相似度大于阈值ε，即不满足则是在时间片t中产生的新兴趣主题；

所述兴趣保持，包括：对于用户兴趣子主题若存在前向关联兴趣子主题使得和T_l^m的相似度大于阈值ε，即并且也是T_l^m的后向关联兴趣子主题，即则是T_l^m的后继，用户的兴趣没有发生太大变化；

所述兴趣消失，包括：对于用户兴趣子主题若不存在后向关联子主题T_l^m使得和T_l^m的相似度大于阈值ε，即不满足则主题在时间片t中消亡，用户已不再具有此兴趣；

计算用户行为偏好在整个生命周期中绝对强度和相对强度，构建用户行为偏好变化轨迹的强度走势，挖掘每个兴趣所具有的权重；

所述绝对强度包括：设d_i＝{d_i1…d_iM}表示移动用户情景日志d_i的单词序列，M表示用户情景日志d_i所包含的单词个数，i表示用户情景日志d_i所表达的用户兴趣主题；用户兴趣主题i在时间片t的绝对强度采用如下公式：

所述相对强度包括：用户兴趣主题i在时间片t的相对强度采用如下公式：

其中，t′为t-N与t-1之间的任一时间片，K为用户兴趣主题的个数，p为用户兴趣主题K中的其中任意一个主题；

根据用户的长期兴趣、短期兴趣以及每个兴趣所具有的权重，确定用户行为偏好变化模型；

根据用户行为偏好变化模型，结合移动时空感知信息，确定基于Top-K的个性化动态即时推荐服务模型。