文献类型：期刊文章

作　　者：刘海鸥[1,2,3]

机构地区：[1]燕山大学经济管理学院电子商务系,秦皇岛066004 [2]燕山大学互联网+与产业发展研究中心,秦皇岛066004 [3]燕山大学计算机科学与技术博士后流动站,秦皇岛066004

出　　处：《情报杂志》

基　　金：国家自然科学基金项目"云环境用户多兴趣图谱的移动商务关联性推荐模型及算法研究"(编号:71271186);中国博士后科学基金面上项目"面向旅游情境化推荐的大数据挖掘方法研究"(编号:2015M581320);河北省社会科学基金项目"基于微博集群行为大数据的河北省舆情感知及协同管控机制研究"(编号:HB15GL016);"智慧旅游环境下旅游目的地品牌营销战略研究"(编号:HB15GL009);河北省教育厅自然科学基金青年项目"云环境多源异构情境信息融合的移动商务推荐模型与方法研究"(编号:QN2015248)研究成果之一

年　　份：2016

卷　　号：35

期　　号：4

起止页码：183-189

语　　种：中文

收录情况：BDHX、BDHX2014、CSSCI、CSSCI2014_2016、JST、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：[目的/意义]面对动态网络环境下性能相近的海量移动服务资源,如何为用户推荐与其当前情境需求最为匹配的相关资源成为个性化推荐领域的热点问题。[方法/过程]基于用户位置情境感知角度出发,提出云环境用户情境感知的移动服务Qo S(服务质量)混合推荐模型:a.基于移动用户位置情境信息对其涵盖的用户与服务项目按照自治系统的归类原则进行聚类,形成移动用户-服务项目协同过滤推荐机制;b.针对传统Qo S推荐方法存在的新用户与新项目冷启动问题,基于User-based与Item-based CF对缺少的Qo S属性偏好值进行预测和推荐;c.针对移动网络环境下服务Qo S属性值海量数据、分布不均等带来的混合推荐权值难以确定问题,通过MapReduce化的蚁群神经网络权值训练来进行CF混合推荐。[结果/结论]实验证明,方法有效融合了移动用户与服务在Qo S位置的感知属性,提高了推荐算法的预测精度,User-based与Item-based的移动服务Qo S属性偏好值预测有效缓解了推荐系统的冷启动问题,MapReduce化的蚁群神经网络权值训练方法也显著减少了算法的全局计算时间,明显改进了推荐系统的运行效率。

关 键 词：云环境  情境感知 QOS 协同过滤混合推荐  冷启动 蚁群神经网络

分 类 号：TP393]