1、融入情境的个性化推荐模型在旅游业的应用摘要：近年来，移动电子商务的快速发展及应用使得商家可准确地为用户提供相关的推荐，个性化推荐系统成为业界研究的新方向。本文主要阐述了移动电子商务在我国发展的趋势，重点在于将移动定位 LBS技术同传统的推荐系统相结合，将情境融入到个性化推荐模型当中，提出了 U-C-I 模型，将情境作为一个新的维度添加到传统的用户-项目矩阵中。 关键词：移动电子商务；个性化推荐；基于位置的服务（LBS） ；用户兴趣模型 一、引言 2011 年中国移动电子商务进入了快速发展的轨道，部分电商企业在移动终端取得了非常不错的成绩，到 2012 年年末，中国移动电子商务的发展进入爆发期。
2、相对于传统电子商务而言，移动电子商务具有移动性、虚拟性、非结构化数据、个性化和社会性等主要特征，其移动性一般体现在用户的可移动特征及用户需求对情境的依赖性。推荐系统便是在这种大的环境下产生的，主要是为用户推荐其感兴趣的对象。 二、个性化推荐系统简介 个性化推荐系统主要是为了向用户自动推荐，是从信息中找出符合用户喜好或需求的资源，在此基础上为用户提供一种智能推荐系统，解决互联网信息过载的问题。 （一）个性化推荐系统的构成 个性化推荐系统可分三个部分：输入模块（Input Function） 、推荐模块（Recommendation Method）和输出模块（Output Function） 。一
3、个完整的个性化推荐系统包括三个部分：用户信息的收集和分类、建立用户喜好的模型、使用算法为用户推荐。 （二）电子商务活动与个性化推荐系统的结合 客户在选择商品时往往会碰到在商家提供的浩大的信息面前无法快速找到所需产品信息的问题，在此种情形下，商家通过个性化推荐可快速地为客户提供服务，找到其所需的商品，最终完成购买活动。 1.将电子商务网站的浏览者转变为购买者 个性化推荐可快速的为客户找到其所需的商品，可以将一个网页的浏览者变成一个实实在在的购买者。可减少商家客户的流失率，减少客户浏览网页查询商品目录的时间。 2.提高电子商务网站的销售能力 个性化推荐可减少客户浏览网页的时间，为客户提供精准的推荐
4、，如果推荐的产品得到客户的认同，可大大地提高网站的销售量，订单数量也会增加。 （三）个性化推荐系统的分类 从技术实现角度来看，个性化推荐系统主要划分为四大类：一是规则基础上的推荐；二是内容基础上的推荐；三是协同过滤基础上的推荐；四是混合型推荐。 1.规则基础上的推荐 规则基础上的推荐主要是通过系统之前的规则进行推荐。规则基础上的推荐所用的语句为 IF-Then，根据事先设定的规则， “IF”主要规定了所出现的各种情形，在各种情形基础上， “Then”将输出提供的各种推荐资源和服务。这种规则也是可变的，客户也可以制定规则。规则基础上的推荐相对比较简单，客户理解起来比较容易。 2.内容基础上的推荐
5、 内容基础上的推荐主要是基于用户之前喜欢的产品，通过分析之前所喜好的产品特征，通过相似度计算和其他技术，最终为客户提供与其偏好相似的新产品系列。 3.协同过滤推荐 协同过滤推荐是一种综合推荐，结合客户之前的购买活动特征与新晋的目标客户之间的相似度进行比较，为新客户进行推荐。 4.混合型推荐 和如上两种推荐不同，混合型推荐不涉及比较用户模型和信息的相似度，而主要是利用用户对于各个资源的评分或评价来发掘各个用户之前的相似点，应用这些相似点为新客户提供更加精确的推荐。混合型推荐成立的前提是具有相似点的客户对于一种资源的评价一致，那么其对另外一种资源的评价也将是一致的。这样我们便可将不同兴趣的用户进行
6、划分分类，为同一类的客户推荐相似的产品。 三、移动客户端与个性化的结合 使用移动客户端的用户，其兴趣和需求并不是固定不变的，而是随着时间和用户所处的情景而变化。例如，用户在旅行时往往会关注天气、旅馆和交通工具信息；在休假时一般会关注娱乐信息和促销信息。这些都极大地增加了预测用户行为和分析用户偏好的难度。 （一）移动电子商务环境下个性化推荐的特点 随着 3G 技术的发展及移动客户端的开发应用，用户可在移动环境下进行办公或购物。相比传统电子商务环境下的推荐，移动商务环境下的个性化推荐拥有新的特点，主要表现在推荐范围和推荐时间方面。从推荐范围来看，移动环境下的推荐并非是固定的，面对的用户群也不是有限
7、的；移动推荐系统所面对的是“移动”的用户，而不是传统的位置相对不变的传统的台式机访问，移动环境下更多的要考虑用户的空间位置变化，要随时将用户位置纳入到推荐序列中。 （二）基于 LBS 的个性化推荐系统 1.LBS 简介 LBS（Location Based system）是在互联网快速发展的基础上新兴的位置服务。伴随着手机终端的迅速发展，使用 LBS 的用户总数也在逐年增加。LBS 也被称为位置签到服务，其定义为采用 GPS 基站等相关定位技术，结合 GIS，以短信、彩信及客户端软件为用户提供的基于地理位置的信息服务。下图主要展示了我国提供 LBS 企业的市场情况。 特别对于旅行者而言，LBS
8、 可实时了解到旅行者的空间位置信息，针对移动变化的位置也可以提供准确的推荐。 2.LBS 的特征及其对个性化推荐的要求 （1）LBS 的特征 LBS 的突出特征体现在位置敏感、突发性和即时访问三个方面。在LBS 环境下，可以方便地跟踪到用户的地理位置信息，很容易地识别用户的身份及对用户的需求进行处理。在移动环境下，即使发生突发事件，也能及时满足用户的需要，这些都提高了用户使用 LBS 的便利性。例如，用户可及时了解天气、酒店和所感兴趣的其他信息，不会受到时间、地点的阻碍，同步性增强。 （2）LBS 对个性化推荐系统的要求 LBS 环境下的用户处于不断变化的情境之下，用户的兴趣可分为短期的和长期
9、的，因此必须区分出长期兴趣和短期兴趣，对于用户兴趣的变化要进行及时响应，最终才能为用户做出精准的个性化推荐。 四、个性化推荐系统与情境的结合 （一）传统二维推荐系统 传统的推荐系统将用户作为一个推荐列表输出，将用户项目描述成一个函数，主要包括：输入数据、二维推荐函数、推荐输出列表。 传统推荐系统使用的数据一般以用户、项目、评分的形式出现。首先收集数据，之后构建推荐函数，在构建函数过程中主要是使用函数处理用户 u 及每个用户对项目的评价或评分，在分析后根据用户的项目评分排序最终生成推荐列表。 （二）基于情境的推荐系统 和传统的推荐系统相比，融入了情境的推荐流程会发生变化，数据由 U*I*R 变为
10、 U*I*C*R，该模型中引入的 C 为情境维度，也就是将情境加入到推荐模型中。随着应用情境信息阶段的不同，有了在推荐系统中整合情境信息的三种不同的方式。 1.前置情境过滤 这种方式的推荐模型主要是将情境 C 纳入到用于选择或构建相关数据之中，在处理数据之前便将情境融入模型中。前置情境过滤方法使用情境信息作为过滤条件来选择最相关的用户 X 项目数据来生成推荐。前置情境过滤相比较其他两种的优势主要是其使用是为传统推荐方法。 2.后置情境过滤 与前置情境过滤相比较而言，在后置情境过滤下，一开始并没有将情境信息融入进来，应用传统的推荐系统事先将各种数据进行处理和评分，在此之后再将情境信息 C 引入到
11、模型中，调整之前的推荐结果，主要是剔除与情境不符合的推荐列表，调整列表推荐的顺序，找出最符合用户特定情境的推荐列表。 启发式和模型式是后置情境过滤的两种方法，前一种方法主要是找到用户所共有的特征然后使用这些属性来调整推荐。对于后置情境过滤而言，其可以使用任何传统推荐技术。 3.情境建模 情境建模方法直接应用了情境所包含的内容信息，这种方法使用的为多维推荐，其整合了情境信息、用户数据、项目信息的预测模型或启发式计算方法。 四、结论 移动环境下的个性化推荐研究日益被业界重视。抓住了用户兴趣建模也是抓住了个性化推荐的核心，本文主要在传统的推荐模型下将情境信息引入到用户兴趣模型，将情境融入到推荐矩阵中，将情境与用户对项目的兴趣度相结合，为移动环境下的用户模型构建提供理论框架。 参考文献： 1吴丽花，刘鲁.个性化推荐系统用户建模技术综述J.情报学报，2006（02）. 2曾春，邢春晓，周立柱.个性化服务技术综述J.软件学报，2002（10）. 3裴仰军.个性化服务中用户兴趣模型的研究D.重庆大学，2005. 4费洪晓，戴戈，穆?等.个性化信息过滤系统中用户兴趣模型建立和更新J.计算机系统应用，2007（08）. 5曲桂英，冯丽娜，张志嵩等.基于用户兴趣模型的个性化信息服务系统研究J.哈尔滨商业大学学报（自然学科报） ，2006（09）. （作者单位：上海理工大学）
