1.3 移动推荐系统的应用

在移动互联网蓬勃发展的今天，移动推荐系统由于具有普适性和个性化的特点，因此具有广阔的市场和应用前景，接下来的内容将对移动推荐系统的应用进展进行分析、总结，移动推荐系统的典型案例如表1.2所示。

1）移动新闻推荐

新闻推荐是推荐技术应用较早的领域之一，近年来在移动领域也受到研究者的关注。Daily Learner[18]主要根据用户兴趣来进行推荐。通过对用户的新闻观看历史记录来获取用户兴趣，对于新用户则根据用户预设的感兴趣的内容进行推荐。同时，对于用户兴趣的时效性也会在推荐算法中设定一定的权重，将新闻自身的重要性、用户兴趣和兴趣的时效性综合考虑形成推荐。今日头条在其推荐算法中大量采用机器学习相关技术，以特征提取为主要方法（主要包含相关性特征、环境特征、新闻热度特征及协同特征）来进行新闻推荐。

2）移动社交推荐

Facebook使用Apache Giraph作为基础平台，其推荐方法采用的是协同过滤推荐技术，Facebook的推荐系统的数据集合中包含了超过1000亿个评分、超过10亿个用户及数百万件物品。为了降低时间和空间复杂度，一些从随机特征向量开始的迭代算法被提出。随机梯度下降法（Stochastic Gradient Descent，SGD）就是其中一种迭代算法，交替最小二乘法（Alternating Least Square，ALS）是另一种迭代算法，其基本思路为交替固定用户特征向量和物品特征向量的值，不断地寻找局部最优解，直到满足求解条件为止。实验结果表明，Facebook的推荐系统比标准推荐系统要快10倍左右，而且，Facebook的推荐系统可以轻松处理超过1000亿个评分。此外，Facebook会继续对推荐系统的算法进行改进，包括利用社交图和用户连接改善推荐集合、自动化参数调整及尝试比较好的划分机器等。

3）移动应用程序推荐

移动应用程序下载推荐具有广泛适用性，各大应用市场都采用了不同类型的推荐系统，其中，较有特点的是华为应用市场的推荐系统，在该系统中，华为应用市场联合华为诺亚方舟实验室开发了一款推荐引擎——伏羲推荐引擎，其推荐算法中应用了端到端的深度学习推荐模型DeepFM，以期为用户提供更加精准、个性化的推荐体验。特征工程（Feature Engineering）是影响推荐系统的重要因素。相比于其他机器学习系统，推荐系统更依赖于特征工程，深度学习作为一种先进的非线性模型技术，在特征组合挖掘方面具有很大的优势，如可以解决大量有效的特征组合无法被专家识别的问题，在实现特征自动组合的挖掘方面具有较大的优势。另外，DeepFM模型是一个端到端的模型，不需要任何人工特征工程。目前基于深度学习的推荐算法研究是移动推荐系统的研究热点之一。

4）移动广告推荐

移动广告弥补了互联网和电视广告的空缺，使得广告可以根据移动用户的个性化需求、位置、移动社交网络等进行实时、有针对性的推送，从而能够准确地为潜在的产品用户提供相关信息。目前在移动广告推荐中常用的推荐方法包括：①隐式获取用户的偏好信息并结合情境信息，形成推荐结果[19]；②利用手机通讯录中包含的社交信息及用户自身的偏好信息，进行社会化推荐[20]；③使用行为定向方法来获取用户的广告偏好，为了避免移动用户信息集中在系统的中心节点，系统采用P2P的体系结构获取信息并进行移动协同过滤推荐[21]。

5）移动博客推荐

由于移动博客中博文的数量巨大，用户想要获取自己感兴趣的博文存在较大的困难，移动博客的推荐主要是为了解决这一问题[22，23]。文献[23]中采用聚类的方法，利用用户的移动博客浏览记录数据获取用户的博文偏好，然后以此为依据，将点击率高且满足用户偏好的博文推送给用户。类似新浪微博这样的移动博客往往还具有社交属性。基于移动博客的用户推荐也是移动推荐系统的应用热点之一。

6）移动音乐/电影推荐

随着4G和5G网络的建立，移动互联网带宽得到了极大的提高。而且，移动终端处理能力也逐渐增强，越来越多的用户通过手机来听音乐、看电影。向用户进行个性化的多媒体信息推荐成为热点应用方向。该领域研究的主要问题在于如何准确获取用户偏好，并根据用户偏好形成有效的推荐。目前采用的主要方法是先通过用户行为数据隐式获取用户偏好，不同的用户行为所对应的权重不同，如付费行为所代表的用户偏好一定强于仅仅浏览、试看、试听的行为所代表的偏好，再在用户偏好获取基础上，通过移动协同过滤推荐方法预测用户对其他多媒体资源的偏好。

文献[24]通过移动用户的浏览行为（忽略、点击、试听、购买等）隐式地获取移动用户对音乐的相对偏好，如购买行为表达的偏好强于试听行为表达的偏好，根据偏好向用户进行个性化的音乐推荐。文献[25]使用向量空间模型描述电影特征和移动用户对电影特征的偏好，对用户的行为进行分析，利用移动协同过滤推荐方法向用户进行推荐，推荐的结果是否受到用户的喜欢会影响下次推荐结果的生成。