1.2 移动推荐系统研究框架

移动用户的信息需求往往与所处的环境密切相关，移动互联网用户所面临的复杂的情境环境和普适计算的特点非常吻合，其需求处于一种动态变化的状态，这对移动推荐系统的实时性、精确性乃至结果可视化都提出了相应的要求。只有将情境信息融入推荐系统，才能更好地生成移动推荐结果。首先，在移动互联网环境下，移动设备的ID化属性为实现个性化的信息服务带来了可能。其次，移动用户之间的交互行为更加频繁（如移动通信行为、移动社交网络服务等），这使得移动社会化网络的构建相比传统互联网社会化网络更容易实现且更真实、更可靠。各种各样的社交化网络（家人、朋友、同学、同事、兴趣组等）对于移动用户偏好的预测和移动信息内容的推荐都是十分有益的，因此，移动社会化推荐也是移动推荐系统的重要组成部分和重点研究对象。而且将用户行为、情境信息、社会化网络等多源信息融合，可以进一步提高移动推荐系统的精确度。最后，移动推荐系统的效用评价技术根据一些评价指标发现移动推荐系统的优缺点，并做出相应改进，有利于提高移动推荐系统的实用性和自适应性。基于此，移动推荐系统研究内容的基本框架如图1.4所示。

该框架被划分为4层。

1）数据采集层

数据采集层是移动推荐系统的数据来源层，移动推荐系统中的数据源往往包括移动用户信息、情境信息、移动用户的网络使用、通信行为、网络服务日志等信息，属于典型的多源信息采集的特征。

2）数据预处理层

对于采集到的数据，在真正应用到推荐过程之前，还需要进行一些处理，处理结果作为系统的某种数学形式的输入。数据预处理层主要包括：移动用户偏好提取，即根据移动Web行为日志、移动通信行为日志等提取移动用户对移动网络服务或更细粒度的移动信息内容的偏好信息，构建移动用户；移动网络服务二维矩阵；情境推理计算，即对粗糙的情境信息进行规则推理或数量化计算[17]；情境用户偏好提取，即挖掘移动用户行为与情境之间的关联性，提取少量包含情境的移动用户偏好信息，构建移动用户；移动网络服务-情境关联；移动社会化网络构建，即利用移动用户人口统计学特征、移动通信行为日志、移动Web行为日志中的移动社交网络服务行为或与地理位置关联的移动用户行为，构建多模的移动社会化网络。

3）移动推荐生成层

移动推荐生成层是移动推荐系统的核心层，既要考虑移动协同过滤推荐、基于内容和深度学习的移动推荐等技术的实现，又要重点生成移动情境推荐、移动社会化推荐及融合多源信息的集成化移动推荐。其中，移动情境推荐可以分为基于时间的移动推荐、基于位置的移动推荐、基于多维度情境的移动推荐等，也可以分为基于启发式的方法和基于模型的方法；移动社会化推荐可以分为基于启发式的方法和基于模型的方法；融合多源信息的集成化移动推荐则需要按照各种因素对推荐结果进行综合排序。此外，在很多移动推荐系统中，数据预处理过程与移动推荐生成过程会融合在一起。

4）移动推荐效用评价层

在将推荐结果呈现给用户时，需要结合用户的显式或隐式反馈，利用准确性、实时性、有效性、多样性等评价指标评价移动推荐系统的性能，并根据需要对其进行扩展、改进等。