基于移動用戶上下文相似度的張量分解推薦算法

余可欽，吳映波，李 順，蔣佳成，向 德，王天慧

(1.信息物理社會可信服務(wù)計算教育部重點實驗室(重慶大學(xué))，重慶400030； 2.重慶大學(xué) 軟件學(xué)院，重慶 401331)(*通信作者電子郵箱wyb@cqu.edu.cn)

基于移動用戶上下文相似度的張量分解推薦算法

余可欽1,2，吳映波1,2*，李 順1,2，蔣佳成1,2，向 德1,2，王天慧1,2

(1.信息物理社會可信服務(wù)計算教育部重點實驗室(重慶大學(xué))，重慶400030； 2.重慶大學(xué) 軟件學(xué)院，重慶 401331)(*通信作者電子郵箱wyb@cqu.edu.cn)

針對移動服務(wù)推薦中用戶上下文環(huán)境復(fù)雜多變和數(shù)據(jù)稀疏性問題，提出一種基于移動用戶上下文相似度的張量分解推薦算法——UCS-TF。該算法組合用戶間的多維上下文相似度和上下文相似可信度，建立用戶上下文相似度模型，再對目標(biāo)用戶的K個鄰居用戶建立移動用戶-上下文-移動服務(wù)三維張量分解模型，獲得目標(biāo)用戶的移動服務(wù)預(yù)測值，生成移動推薦。實驗結(jié)果顯示，與余弦相似性方法、Pearson相關(guān)系數(shù)方法和Cosine1改進(jìn)相似度模型相比，所提UCS-TF算法表現(xiàn)最優(yōu)時的平均絕對誤差(MAE)分別減少了11.1%、10.1%和3.2%;其P@N指標(biāo)大幅提升，均優(yōu)于上述方法。另外，對比Cosine1算法、CARS2算法和TF算法，UCS-TF算法在數(shù)據(jù)稀疏密度為5%、20%、50%、80%上的預(yù)測誤差最小。實驗結(jié)果表明UCS-TF算法具有更好的推薦效果，同時將用戶上下文相似度與張量分解模型結(jié)合，能有效緩解評分稀疏性的影響。

用戶上下文；上下文相似度模型；數(shù)據(jù)稀疏；張量分解算法；移動服務(wù)推薦

0 引言

隨著移動通信技術(shù)和移動互聯(lián)網(wǎng)的快速發(fā)展，移動設(shè)備成為用戶獲取網(wǎng)絡(luò)信息和移動服務(wù)的重要工具，用戶在“任何時間、任何地點、以任何方式”獲取移動服務(wù)成為可能[1]。用戶在不同上下文條件下有不同的移動服務(wù)需求，但爆炸性增長的移動應(yīng)用程序使得用戶難以找到最感興趣或者最相關(guān)的移動服務(wù)[2]。因此，如何根據(jù)用戶在不同情境下的偏好，向用戶推薦符合當(dāng)前上下文約束的移動服務(wù)成為目前移動推薦中急需解決的問題之一。移動推薦系統(tǒng)能有效識別和預(yù)測用戶偏好，主動推薦用戶感興趣的個性化信息或服務(wù)，減少查找信息的時間[3]。

與傳統(tǒng)的互聯(lián)網(wǎng)推薦相比，移動推薦引入了復(fù)雜多變的用戶上下文環(huán)境(如時間、位置、情緒等)來提高推薦系統(tǒng)的性能。通過收集用戶上下文信息為用戶提供上下文感知的推薦服務(wù)是目前研究的熱點[4]。移動推薦大多基于傳統(tǒng)的推薦算法，如協(xié)同過濾推薦[5-6]、基于內(nèi)容的推薦[7]、混合推薦[8]等，主要利用用戶行為數(shù)據(jù)建立用戶-項目二元模型來生成移動推薦，但沒有充分考慮用戶復(fù)雜的上下文環(huán)境；同時，上下文信息的引入使推薦系統(tǒng)的稀疏性問題更加嚴(yán)重。針對以上問題，一些研究者提出了一些有效和實用的新方法。如文獻(xiàn)[9] 提出處理多維上下文數(shù)據(jù)的方法，通過尋找目標(biāo)用戶當(dāng)前相似的上下文集合進(jìn)行預(yù)過濾，將“移動用戶-上下文-移動服務(wù)”降維為“移動用戶-移動服務(wù)”二維模型，最后通過協(xié)同過濾方法進(jìn)行預(yù)測，能得到更好的推薦性能；但該方法沒有考慮用戶行為和上下文的關(guān)聯(lián)信息。文獻(xiàn)[10]提出了改進(jìn)的上下文感知推薦系統(tǒng)(Context-Aware Recommender Systems recommendation, CARS2)算法，將上下文信息定義為與用戶和項目共享相同的潛在空間，綜合利用顯示反饋數(shù)據(jù)和隱式反饋數(shù)據(jù)進(jìn)行建模，能得到較好的推薦結(jié)果；但這種方法的模型太復(fù)雜。文獻(xiàn)[11] 提出了一個新穎的方法來選擇和權(quán)衡上下文特征，并預(yù)先假設(shè)上下文特征選擇概率和它們的權(quán)重是相同的，再匹配用戶上下文向用戶推薦合適的項目，實驗表明該方法有助于提高推薦質(zhì)量。針對多維情境信息難以表達(dá)和建模的問題，文獻(xiàn)[12]將情境信息作為附加特征融入用戶信息中計算用戶相似性，提高了預(yù)測精度。但上述方法都不能很好地處理多維和動態(tài)變化的上下文信息，無法滿足用戶在實時變化的上下文情景中的需求。

本文提出基于移動用戶上下文相似度的張量分解推薦(User-Context-Service Tensor Factorization, UCS-TF)算法，構(gòu)造用戶多維上下文相似度模型，將張量分解方法引入移動服務(wù)推薦系統(tǒng)中，對目標(biāo)用戶的鄰居用戶進(jìn)行建模，預(yù)測出用戶在特定上下文下訪問移動服務(wù)的偏好值，有效處理高維稀疏上下文數(shù)據(jù)。最后在Appazaar數(shù)據(jù)集上驗證了本文所提方法能獲得更好的推薦效果，有效利用用戶的多維上下文信息，緩解了數(shù)據(jù)稀疏性問題。

1 UCS-TF算法描述

1.1 用戶上下文相似度模型

在移動環(huán)境中，移動用戶的行為和上下文環(huán)境(如時間、位置、天氣等)有著密切的關(guān)系。例如，有些用戶在上班途中喜歡瀏覽新聞，在運動時喜歡聽音樂，在中午休息時間喜歡玩游戲、聽音樂。用戶在使用相同移動服務(wù)時所處上下文條件的重合度可以度量兩個用戶偏好的相似性。文獻(xiàn)[13]認(rèn)為“相似用戶對項目的偏好也具有相似性”這一觀點不太準(zhǔn)確，原因是相似用戶在為項目打分時，所處的上下文條件不完全相同，在相同或者相似的上下文條件下表達(dá)的用戶偏好，對預(yù)測目標(biāo)用戶偏好才更準(zhǔn)確。因此，本節(jié)提出一種新的計算用戶上下文相似度方法，利用用戶使用共同移動服務(wù)的頻次信息計算用戶上下文相似度及上下文相似性的可信度，并將用戶上下文相似度模型引入張量分解算法中。因此，首先要定義用戶上下文相似度模型，構(gòu)造目標(biāo)用戶的鄰居集合。用多維向量表示上下文信息cj=(cj1,cj2,…,cjn)，定義單維上下文類型cjt(t∈[1,n])。用戶的上下文信息復(fù)雜多樣，如果比較與用戶相關(guān)的所有上下文的相似度會增加模型的復(fù)雜度，同時降低算法效率，因此，考慮用戶在使用移動服務(wù)過程中最相關(guān)的四類上下文信息，如下所示。

1)時間：如上午(6：00—12：00)、下午 (12：00—18：00) 、晚上 (18：00—24：00)、凌晨(0:00—6：00)。

2)日期類型：如工作日、周末。

3)位置：如家、辦公室、其他。

4)運動情況：如靜止、走路、更快、無效。

移動用戶在不同上下文環(huán)境下使用移動服務(wù)的頻次信息較評分信息更容易獲取到，統(tǒng)計兩個用戶使用共同移動服務(wù)時的上下文頻次信息，可以比較兩個用戶上下文的相似度。如移動用戶u1在上述四類上下文環(huán)境下使用過五種移動服務(wù)S=(s1,s2,…,s5)，得到表1所示數(shù)據(jù)。第一行數(shù)據(jù)表示移動用戶u1工作日的上午在辦公室使用了移動服務(wù)s1，此時移動用戶處于靜止?fàn)顟B(tài)，其他數(shù)據(jù)以此類推。

表1 上下文數(shù)據(jù)示例

移動用戶ui在上下文cj情境下使用了移動服務(wù)sk，每一個cj又包含t個上下文類型，每個單維上下文cjt包含m個屬性值，則計算上下文cjt的各個屬性頻次值為：

(1)

其中：F(cjt,m)表示單維上下文cjt的第m個屬性值的標(biāo)準(zhǔn)化頻次值，fs,m表示在移動服務(wù)s中單維上下文cjt屬性值m出現(xiàn)的頻次，S為移動用戶ui使用過的移動服務(wù)集合 。表2為表1中用戶ui上下文的各個屬性標(biāo)準(zhǔn)化頻次。

表2 上下文屬性值標(biāo)準(zhǔn)化頻次值

由單維上下文計算得到的頻次信息可以得到每個用戶的多維上下文信息為一個向量。由此，對余弦相似度公式進(jìn)行修改，兩個移動用戶ui1和ui2間上下文相似性計算定義如下：

(2)

另外，用戶共同使用移動服務(wù)所占比例影響著用戶上下文相似度的可信度，使用Jaccard相似性系數(shù)來計算兩個上下文集合相似度的可信度。

(3)

其中Sui1和Sui2分別為移動用戶ui1和ui2使用過的移動服務(wù)集合。

因此，組合用戶間多維上下文相似度和上下文相似可信度得到最終的用戶上下文相似度，即組合式(2)和式(3)得到：

Sim(ui1,ui2)=SimC(ui1,ui2,c)×Confi(ui1,ui2)

(4)

根據(jù)Sim(ui1,ui2)的值，選擇目標(biāo)用戶的K個鄰居。

1.2 基于用戶上下文相似度的張量分解模型

張量能夠完整地表示高維數(shù)據(jù)并維持高維空間數(shù)據(jù)的本征結(jié)構(gòu)信息，因此張量分解方法廣泛應(yīng)用于上下文感知推薦系統(tǒng)。張量分解的最終目標(biāo)是補充移動用戶、上下文和移動服務(wù)變量構(gòu)成的稀疏張量缺失的評分值，將分解得到的緊湊估計值作為用戶的TOP-N移動服務(wù)推薦列表。典型的張量分解方法有Tucker分解和ParaFac分解。Tucker分解一種高階的主成分分析，它將一個張量表示成一個核心(core)張量沿每一個mode乘上一個矩陣。Tucker分解能得到一個較好的近似，因此本文采用Tucker分解方法建立張量分解模型。

傳統(tǒng)張量分解算法考慮所有用戶行為對目標(biāo)用戶預(yù)測值的影響，因數(shù)據(jù)稀疏性，絕大部分用戶和當(dāng)前目標(biāo)用戶根本不存在交集，導(dǎo)致預(yù)測精度不高。本文通過用戶上下文相似度模型選擇與目標(biāo)用戶最相似的K個用戶，過濾掉不相關(guān)用戶數(shù)據(jù)對預(yù)測的影響，建立移動用戶-上下文-移動服務(wù)三階張量分解模型如下：

Yijk=G×UU×CC×SS

(5)

三階張量Yijk被分解成核心矩陣G和三個分別代表移動用戶U、上下文C和移動服務(wù)S的因子矩陣，其中核心張量G∈Rdu×dc×ds，各因子矩陣U∈Ri×du，C∈Rj×dc，S∈Rk×ds。

此模型進(jìn)行移動服務(wù)預(yù)測時，為了獲得最優(yōu)的移動服務(wù)預(yù)測值，Xijk和Yijk需要滿足式(6)：

(6)

引入用戶上下文相似度，對與目標(biāo)用戶最相似的K個用戶進(jìn)行張量分解，對式(6)進(jìn)行修正如下：

(7)

其中:Un表示用戶Ui的K個鄰居用戶集合;Sim(Ui,Un) 表示用戶Ui和Un之間的相似度，可由式(4)計算得到。

為了求解式(7)，得到最小化函數(shù)值，本文通過梯度下降法進(jìn)行求解。其迭代公式為xk=xk-1-ηg′(xk-1)，η表示梯度方向上的搜索步長。向梯度相反的方向移動x，直到x值的變化使得在兩次迭代之間的差值足夠小，則說明此時已經(jīng)達(dá)到局部最小值。梯度下降法的迭代公式如式(8)～(11)所示。

(8)

(9)

(10)

(11)

求解式(8)～(11)中的梯度，即核心張量G和各因子矩陣U、C、S的偏導(dǎo)數(shù)，公式如(12)～(15)所示：

(12)

(13)

(14)

(15)

其中?表示克羅內(nèi)克積(Kronecker product)，克羅內(nèi)克積是兩個任意大小的矩陣間的運算，是張量積的特殊形式。將式(12)～(15)分別代入式(8)～(11)，通過迭代分別求得核心張量G和因子矩陣U、S、C，通過式(5)的張量分解模型重構(gòu)獲得目標(biāo)用戶在不同上下文情境下使用移動服務(wù)的預(yù)測值，根據(jù)預(yù)測值排序由高到低給用戶推薦合適的移動服務(wù)。

2 實驗結(jié)果及分析

2.1 數(shù)據(jù)集

本文實驗使用的是Appazaar數(shù)據(jù)集，該數(shù)據(jù)集包括3 260個用戶在不同上下文情境下使用18 205個移動應(yīng)用程序的370萬條記錄。Appazaar數(shù)據(jù)集是從一個上下文感知的個性化移動應(yīng)用推薦系統(tǒng)Appazaar使用日志中得到的，其根據(jù)用戶的上下文和偏好向用戶推薦最相關(guān)的移動應(yīng)用程序。本實驗使用到的Appazaar數(shù)據(jù)集中上下文主要包括以下四類：時間(4個屬性，如上午、下午等)、日期類型(2個屬性，如工作日、周末)、位置(3個屬性，如家、辦公室、其他)、運動情況(4個屬性，如靜止、走路等)，這四類上下文信息是影響用戶選擇移動服務(wù)的關(guān)鍵因素。本實驗將該數(shù)據(jù)集按照8∶2隨機(jī)劃分為訓(xùn)練集和測試集，訓(xùn)練集用于學(xué)習(xí)推薦方法中的參數(shù)，測試集用來驗證推薦的準(zhǔn)確性。

2.2 評價指標(biāo)

本文采用平均絕對誤差(Mean Absolute Error, MAE)和P@N兩個評價指標(biāo)來衡量移動服務(wù)推薦算法的準(zhǔn)確度。平均絕對誤差值越小，P@N值越大，推薦性能越好。

1)平均絕對誤差定義為：

其中：Xijk表示移動用戶ui在cj情境下使用移動服務(wù)sk的實際值，Yijk表示使用基于張量分解和用戶關(guān)系的推薦模型預(yù)測移動用戶ui在cj情境下使用移動服務(wù)sk的預(yù)測值，N表示推薦的移動服務(wù)個數(shù)。

2)P@N定義為：

即表示預(yù)測用戶可能常用的Top-N項移動服務(wù)占用戶u實際常用Top-N項服務(wù)的比值，用來衡量用戶常用Top-N項移動服務(wù)的預(yù)測正確性。

2.3 實驗過程與結(jié)果

2.3.1 實驗設(shè)置

本節(jié)主要驗證本文所提出的基于移動用戶上下文相似度的張量分解推薦算法(UCS-TF算法)的有效性，將其與傳統(tǒng)的相似度度量方法如余弦相似性(Cosine Similarity, COS)、Pearson相關(guān)系數(shù)協(xié)同過濾方法進(jìn)行對比；同時也與現(xiàn)有的一些先進(jìn)算法進(jìn)行比較，包括：

1)CARS2算法[10]。該算法提出了一種學(xué)習(xí)上下文特征的方法：針對顯示反饋數(shù)據(jù)，可以使用二次損失函數(shù)進(jìn)行評分預(yù)測；針對隱式反饋數(shù)據(jù)，通過成對的和成列的表的排名損失函數(shù)得到Top-N推薦列表。然后通過隨機(jī)梯度下降法求得模型參數(shù)值，再利用模型求解最終的推薦列表。

2)Cosine1算法[14]。該算法是對余弦相似度計算方法的改進(jìn)，為不同的目標(biāo)項目選擇不同的鄰居，用戶的相似度由各項目與目標(biāo)項目之間的加權(quán)相似度表示，最后通過協(xié)同過濾的方法進(jìn)行推薦。

3)TF(Tensor Factorization)算法[15]。該方法利用傳統(tǒng)的張量分解算法直接對用戶-項目-上下文進(jìn)行張量建摸，代替了傳統(tǒng)的用戶-項目二維矩陣，能得到較好的預(yù)測值。

本實驗使用的Appazaar數(shù)據(jù)集包括〈移動用戶ID，移動服務(wù)ID，移動服務(wù)使用次數(shù)，上下文信息〉，為了數(shù)據(jù)計算方便和對比明顯，首先對數(shù)據(jù)集中的移動服務(wù)使用次數(shù)進(jìn)行離散化，將其使用次數(shù)轉(zhuǎn)化到[1,5]內(nèi)，作為移動用戶在特定上下文下使用移動服務(wù)的預(yù)測評分值。實驗中設(shè)張量分解模型的正則化參數(shù)λ1=λ2=λ3=0.001，梯度下降法的搜索步長η=0.01。

2.3.2 結(jié)果及分析

首先比較UCS-TF算法和余弦相似性(COS)、Pearson相關(guān)系數(shù)協(xié)同過濾方法和Cosine1算法在不同鄰居用戶數(shù)目(K)情況下的算法性能，結(jié)果如表3所示。

由表3可知，隨著K值增加，各個相似度算法平均絕對誤差整體趨勢都在減小，預(yù)測精度提高。在不同數(shù)量的最近鄰中，UCS-TF算法比其他相似度計算方法的預(yù)測準(zhǔn)確度都高，與余弦相似性方法、Pearson相關(guān)系數(shù)和Cosine1算法相比，表現(xiàn)最優(yōu)時平均絕對誤差減少11.1%、10.1%和3.2%(K=40)。

由圖1可知，在不同數(shù)量的最近鄰集合中，UCS-TF算法在P@5和P@10的準(zhǔn)確度也是最高的，且在P@5時推薦準(zhǔn)確度明顯比其他方法高，在K=30時，比Cosine1算法提高了34.8%的準(zhǔn)確度，比余弦相似性方法和Pearson相關(guān)系數(shù)方法分別提升了約5倍和3倍的推薦精度。這主要是因為本文在計算用戶相似度時考慮了用戶間上下文的相似度和相似度的可信度，充分利用了用戶共有特征，能更加準(zhǔn)確地計算用戶的相似度，從而提高預(yù)測性能。

圖1 各種相似度計算方法P@N比較

為了研究用戶間共同項目評分對計算用戶相似度的影響，本節(jié)還進(jìn)行稀疏性驗證。從Appazaar數(shù)據(jù)集中分別隨機(jī)抽取5%、20%、50%、80%進(jìn)行對比實驗，并將抽取的數(shù)據(jù)集依次按照8∶2隨機(jī)劃分為訓(xùn)練集和測試集，通過與余弦相似性、Pearson相關(guān)系數(shù)方法、Cosine1算法、CARS2算法和TF算法進(jìn)行比較，驗證本文所提方法的有效性。實驗中選取K=40，此時，本文UCS-TF算法能得到較好的預(yù)測結(jié)果。在不同數(shù)據(jù)稀疏密度下，各個算法的平均絕對誤差對比如表4所示。

表4 不同數(shù)據(jù)稀疏密度下各個算法MAE值比較

由表4可知，隨著數(shù)據(jù)稀疏密度減小，各算法的平均絕對誤差值不斷增大，說明數(shù)據(jù)稀疏性在一定程度上會降低算法的推薦準(zhǔn)確度。其中，傳統(tǒng)的余弦相似性和Pearson相關(guān)系數(shù)協(xié)同過濾方法的誤差最大；而在此基礎(chǔ)上進(jìn)行改進(jìn)的Cosine1算法、CARS2算法相對于余弦相似性和Pearson相關(guān)系數(shù)協(xié)同過濾方法能減小誤差，但是誤差仍然較大；而TF算法與本文的UCS-TF算法具有相近的推薦性能，但本文所提算法精度最高，整體優(yōu)于其他方法。

圖2(a)和圖2(b)分別表示各個算法在不同數(shù)據(jù)稀疏密度下P@5和P@10的表現(xiàn)值，可以看出UCS-TF算法在P@5和P@10指標(biāo)中都有較為明顯的提升，且表現(xiàn)穩(wěn)定。這表明UCS-TF算法在評分?jǐn)?shù)據(jù)稀疏時能夠較好地進(jìn)行預(yù)測推薦。

圖2 各種算法在不同數(shù)據(jù)稀疏密度下的P@N比較

3 結(jié)語

本文提出了一種新的計算用戶上下文相似度的方法，通過用戶間使用共同移動服務(wù)頻次值來計算多維上下文相似度，并通過可信度進(jìn)行加權(quán)，建立用戶上下文相似度模型，得到目標(biāo)用戶的K個鄰居集合，能更加準(zhǔn)確地找到相似用戶。為了處理多維上下文數(shù)據(jù)，利用鄰居用戶建立移動用戶-上下文-移動服務(wù)三維張量分解模型，獲得目標(biāo)用戶的移動服務(wù)預(yù)測值。實驗結(jié)果表明，有效地將移動用戶的上下文相似度和上下文相似可信度進(jìn)行融合，能夠提高推薦性能并緩解數(shù)據(jù)稀疏性。但UCS-TF算法主要通過模型計算用戶間上下文的相似性，還未考慮廣泛的社交關(guān)系對用戶移動服務(wù)選擇的影響，因此這也將成為下一步研究的重點。

References)

[1] McGRAW I, PRABHAVALKAR R, ALVAREZ R, et al. Personalized speech recognition on mobile devices [C]// ICASSP 2016: Proceedings of the 2016 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ: IEEE, 2016: 5955-5959.

[2] BRIDA P, PICHé R, KOTSOPOULUS S, et al. Enabling technologies for smart mobile services [J]. Mobile Information Systems, 2016, 2016: Article ID 3196046.

[3] ASHLEY-DEJO E, NGWIRA S, ZUVA T. A survey of context-aware recommender system and services [C]// ICCCS 2015: Proceedings of the 2015 International Conference on Computing, Communication and Security. Piscataway, NJ: IEEE, 2015: 1-6.

[4] 王立才,孟祥武, 張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報,2012,23(1):1-20. (WANG L C, MENG X W, ZHANG Y J. Context-aware recommender systems [J]. Journal of Software, 2012, 23(1): 1-20.)

[5] NILASHI M, BAGHERIFARD K, IBRAHIM O, et al. Collaborative filtering recommender systems [J]. Research Journal of Applied Sciences, Engineering and Technology, 2013, 5(16): 4168-4182.

[6] SHI Y, LRASON M, HANJIALIC A. Collaborative filtering beyond the user-item matrix: a survey of the state of the art and future challenges [J]. ACM Computing Surveys, 2014, 47(1): Article No. 3.

[7] ACHAKULVISUT T, ACUNA D E, RUANGRONG T, et al. Science concierge: a fast content-based recommendation system for scientific publications [J]. PLOS ONE, 2016, 11(7): e0158423.

[8] DE CAMPOS L M, FERNNDEZ-LUNA J M, HUETE J F, et al. Combining content-based and collaborative recommendations: a hybrid approach based on Bayesian networks [J]. International Journal of Approximate Reasoning, 2010, 51(7): 785-799.

[9] 徐風(fēng)苓,孟祥武,王立才.基于移動用戶上下文相似度的協(xié)同過濾推薦算法[J].電子與信息學(xué)報,2011,33(11):2785-2789. (XU F L, MENG X W, WANG L C. A collaborative filtering recommendation algorithm based on context similarity for mobile users[J]. Journal of Electronics & Information Technology, 2011, 33(11): 2785-2789.)

[10] SHI Y, KARATZOGLOU A, BALTRUNAS L, et al. CARS2: learning context-aware representations for context-aware recommendations [C]// CIKM ’14: Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management. New York: ACM, 2014: 291-300.

[11] ZAMMALI S, AROUR K, BOUZEGHOUB A. A context features selecting and weighting methods for context-aware recommendation [C]// COMPSAC 2015: Proceedings of the 2015 IEEE 39th Annual International Computer Software and Applications Conference. Washington, DC: IEEE Computer Society, 2015: 575-584.

[12] WASID M, KANT V, ALI R. Frequency-based similarity measure for context-aware recommender systems [C]// ICACCI 2016: Proceedings of the 2016 International Conference on Advances in Computing, Communications and Informatics. Piscataway, NJ: IEEE, 2016: 627-632.

[13] CHEN A. Context-aware collaborative filtering system: predicting the user’s preference in the ubiquitous computing environment [C]// LoCA 2005: Proceedings of the 2005 International Symposium on Location- and Context-Awareness, LNCS 3479. Berlin: Springer-Verlag, 2005: 244-253.

[14] CHOI K, SUH Y. A new similarity function for selecting neighbors for each target item in collaborative filtering [J]. Knowledge-Based Systems, 2013, 37: 146-153.

[15] KARATZOGLOU A, AMATRIAIN X, BALTRUNAS L, et al. Multiverse recommendation: n-dimensional tensor factorization for context-aware collaborative filtering [C]// Recsys 2010: Proceedings of the 4th ACM Conference on Recommender Systems. New York: ACM. 2010: 79-86.

Tensorfactorizationrecommendationalgorithmbasedoncontextsimilarityofmobileuser

YU Keqin1,2, WU Yingbo1,2*, LI Shun1,2,JIANG Jiacheng1,2, XIANG De1,2,WANG Tianhui1,2

(1.KeyLaboratoryofDependableServiceComputinginCyberPhysicalSociety(ChongqingUniversity),MinistryofEducation,Chongqing400030,China;2.SchoolofSoftwareEngineering,ChongqingUniversity,Chongqing401331,China))

To solve the problem of complex context and data sparsity, a new algorithm for the tensor decomposition based on context similarity of mobile user was proposed, namely UCS-TF (User-Context-Service Tensor Factorization recommendation). Multi-dimensional context similarity model was established with combining the user context similarity and confidence of similarity. Then,K-neighbor information of the target user was applied to the three-dimensional tensor decomposition, composed by user, context and mobile-service. Therefore, the predicted value of the target user was obtained, and the mobile recommendation was generated. Compared with cosine similarity method, Pearson correlation coefficient method and the improved Cosine1 model, the Mean Absolute Error (MAE) of the proposed UCS-TF algorithm was reduced by 11.1%, 10.1% and 3.2% respectively; and the P@N index of it was also significantly improved, which is better than that of the above methods. In addition, compared with Cosine1 algorithm, CARS2 algorithm and TF algorithm, UCS-TF algorithm had the smallest prediction error on 5%, 20%, 50% and 80% of data density. The experimental results indicate that the proposed UCS-TF algorithm has better performance, and the user context similarity combining with the tensor decomposition model can effectively alleviate the impact of score sparsity.

user context; context similarity model; data sparseness; tensor decomposition algorithm; mobile service recommendation

2017- 01- 20;

2017- 03- 12。

國家十二五科技支撐計劃項目(2014BAH25F01)；國家自然科學(xué)青年基金項目(71301177)；中央高?；究蒲袠I(yè)務(wù)費資助項目(106112014CDJZR008823)；重慶市基礎(chǔ)科學(xué)與前沿技術(shù)研究項目(cstc2013jcyjA1658)。

余可欽(1991—)，女，湖南益陽人，碩士研究生，CCF會員，主要研究方向：上下文感知推薦系統(tǒng)； 吳映波(1978—)，男，湖北通城人，副教授，博士，CCF會員，主要研究方向：服務(wù)計算、軟件服務(wù)工程； 李順(1991—)，男，河南安陽人，博士研究生，CCF會員，主要研究方向：服務(wù)計算、數(shù)據(jù)挖掘； 蔣佳成(1992—)，男，四川雙流人，碩士研究生，CCF會員，主要研究方向：云計算、虛擬機(jī)放置； 向德(1992—)，男，重慶石柱人，碩士研究生，CCF會員，主要研究方向：大數(shù)據(jù)流式計算的資源調(diào)度； 王天慧(1994—)，男，湖南邵陽人，碩士研究生，CCF會員，主要研究方向：用戶行為分析與推薦系統(tǒng)。

1001- 9081(2017)09- 2531- 05

10.11772/j.issn.1001- 9081.2017.09.2531

TP311

A

This work is partially supported by the National Science and Technology Support Program of China (2014BAH25F01), the National Natural Science Foundation of China (71301177), the Fundamental Research Funds for the Central Universities (106112014CDJZR008823), the Basic and Advanced Research Program of Chongqing (cstc2013jcyjA1658).

YUKeqin, born in 1991, M. S. candidate. Her research interests include context-aware recommendation system.

WUYingbo, born in 1978, Ph. D., associate professor. His research interests include service computing, software services engineering.

LIShun, born in 1991, Ph. D. candidate. His research interests include service computing, data mining.

JIANGJiacheng, born in 1992, M. S. candidate. His research interests include cloud computing, virtual machine placement.

XIANGDe, born in 1992, M. S. candidate. His research interests include resource scheduling for large data flow computing.

WANGTianhui, born in 1994, M. S. candidate. His research interests include behavior targeting and recommendation system.