【《基于用户画像的服务框架分析》3500字】

基于用户画像的服务推荐框架分析目录TOC\o"1-3"\h\u2790基于用户画像的服务推荐框架分析 110171.1服务推荐总体框架表示 1176711.2位置上下文 2101021.2.1噪声服务过滤 3204961.2.2动态自调整机制 4257261.3动态兴趣变化预测 5170731.4服务推荐输出 6服务推荐总体框架表示本章节结合养老服务的社会背景，在基于第三章所构建的嵌入式用户画像基础上，搭建了完整的服务推荐框架，来满足在大量的服务信息中为老年人推荐与之特征匹配的个性化服务。该框架采用多层表示的方式搭建的连续服务推荐框架主要包含四层，分别为：数据输入层、用户画像模型层、数据处理层以及服务推荐输出层，整体框架图如下图4-1所示。图4-1服务推荐整体架构图基于嵌入式用户画像的服务推荐框架是一个连续的框架，四层架构都是按顺序排列的。其中服务推荐框架中的第一层是数据输入层。数据输入层的目的在于收集与服务对象相关的各项信息，主要分为两方面：用户的基本属性以及用户的历史信息。其中基本属性包括用户的个人资料、社会关系、生活喜好等，历史信息包括历史服务使用记录以及历史服务评分信息等。在用户画像层主要使用论文第三章所提出的嵌入式用户画像模型，通过神经网络嵌入的方式构建用户画像模型对高维数据进行语义转化，来学习每位老年用户的embedding向量，从而实现离散数据的连续向量化。在数据输入层，本章节所构建的服务推荐框架引入了位置上下文以及用户动态兴趣模型两大模块，对嵌入式向量进行进一步的处理、矫正和优化，以下将从这两个方面进行详细介绍。位置上下文基于位置的社交网络(LBSN)已经成为最受欢迎的应用之一，LBSN结合了社交网络服务(SNS)和基于位置的服务(LBS)，位置上下文以及用户的社会关系都会对用户签到数据产生影响，因此用户的地理位置成为服务推荐中不可忽视的因素。位置上下文和用户画像更好地结合起来，才能够确保根据当前用户所处的地理位置，为其推荐更合适的服务。在对老人进行服务推荐时，需要考虑到地理位置对于推荐的影响。例如，老人在外游玩时，由于口碑的影响，可能更喜欢当地的特产。因此，这会导致他们做出不同的选择。此外，用户的移动也有一定的局限性和成本，在不同用户的日常生活中，不同用户的移动成本或多或少，大多数用户很少去很远的地方，这些都会影响用户服务选择的最终决策。表4-1位置上下文数据表序号字段说明数据类型允许为空主键备注1User_ID用户IDintNY2User_Position经纬度floatNN3User_Time签到时间datatimeYN4User_Date签到日期intNN5User_ServicePOI的标签varchar(n)NN所签到的服务在本小节中关于位置上下文主要考虑当前位置与推荐服务之间的距离。基于此设计位置上下文标签，通过一种动态的个性化自调整机制，滤除噪声服务，提出特定位置环境下的综合影响。位置上下文标签设计所需要的属性及数据类型如上表4-1所示。噪声服务过滤在老年用户实际选择养老服务的过程中，一些长途服务是没有意义的。尤其是针对老年群体，受身体因素影响，没有人会选择10公里以上距离的服务，吃饭、娱乐、体检等等，因此需要根据用户的地理位置，在满足其需求的前提下，首先筛选距离该用户最近的服务。在进行噪声服务过滤之前，对数据进行一些处理能够简化实验操作，并使得算法的效率有所提高。因此需要预先计算老年用户的移动成本。定义1.（用户移动成本（d’））:为老年用户从目前所在的地理位置移动到系统推荐服务所在位置的成本和开销。其中可能包括金钱、时间等等。根据签到数据利用如下公式计算用户的位置与所推荐服务之间的距离。针对老年服务，设定特定距离为5公里，过滤掉距离老年用户五公里以外的噪声服务，不予考虑推荐。定义2.（位置与服务间的距离（D））:用户可接受的最远服务距离如公式4-1：(4(4-1)d(其中lp(lap,在养老服务推荐过程中，首先过滤掉距离用户5公里以外的全部服务，进而计算用户移动成本d’与位置与服务间的距离D之间的距离。如果d’>D，则启动噪声服务过滤，该项养老服务将被系统自动移出服务推荐列表。动态自调整机制在服务推荐框架实现噪声服务过滤后，基于位置上下文采用动态自调整机制。该机制结合不同用户间的相似度进行综合，引入用户兴趣属性和社会关系属性对相似度进行处理，结合用户所居住地理位置以及当前所处地理位置综合因素对相似度进行矫正和动态自调整，使得在当前位置上下文中的服务推荐选择出的养老服务更符合老年用户需求。(4-2)(4-2)C公式中的p(d)和p(d此外，用户的综合影响因素模型能够在用户的反馈信息（例如服务评分、服务评价）中获得提升。例如，当一个用户通过对服务提交评分提供给系统反馈表明其需要提升社交范围的影响，那么动态自调整机制将会增加p(d动态兴趣变化预测在老人用户使用过某些服务后，通常会通过服务评分来反应对该服务的满意程度，但由于数据的稀疏性，服务评分数据的缺失会极大地影响推荐的性能。此外，受动态兴趣变化因素影响，用户对服务的兴趣程度总是在不断发生变化的。因此本课题在基于嵌入式用户画像模型的服务推荐框架中设计用户动态兴趣标签，建立用户兴趣之间的关系，从用户的历史签入标签记录中推导出其对于服务的感兴趣程度，对老年用户兴趣进行动态变化预测。在论文第三章所提出的嵌入式用户画像模型中，模型通过神经网络嵌入，依据36项标签数据为每一位老年用户学习到700维嵌入向量。基于模型中相似语义的数据信息在嵌入空间范围内距离更接近，通过欧式距离可计算用户间的相似度，公式如下4-3所示：定义4.（用户相似度（sim(u,v)））:用户u与v的相似度计算公式：(4(4-3)sim(式中(x1,选取相似度最邻近K，根据老年用户直接的相似度进行排序，筛选出与推荐对象u的最邻近K，将K的使用服务存在S(u,K)，并过滤掉u已使用服务：定义5.（用户感兴趣程度（p(u,i)））:对于每个候选服务i，目标老人u对它感兴趣的程度用如下公式4-4：(4(4-4)p(u,i)=其中代表用户v对服务i的动态兴趣变化，具体公式：rvi=代表用户u与用户v的相似度，代表用户v对于服务i的行为权重。我们设定用户对于服务的浏览、搜索、收藏、加购、购买分别为1-5的权重，代表用户兴趣随时间的动态变化。T代表现在的时间，t是指上一次发生用户对服务产生行为的时间。我们通过离差标准化来对进行处理，使得结果始终在区间[0~1]内。在动态兴趣标签中所涉及到的属性及数据类型如下表4-2所示：表4-2用户动态兴趣数据表序号字段说明数据类型允许为空主键备注1User_behavior用户行为varchar(n)NY用户行为对应浏览、点击、收藏、加购、购买2Service_rating服务评分tinyint(n)YN1-5服务评分3User_ID用户IDintNN4Service_time签到时间datatimeNN服务签到时间用户动态兴趣预测属性设计标签主要为用户行为、服务评分、用户ID以及用户签到服务的时间。其中用户ID和服务签到时间与上一小节中的位置上下文表相关联，共同构成服务框架中的数据处理层，对老年用户的嵌入向量进行矫正和优化。服务推荐输出服务推荐框架的最后一层为服务推荐输出层。该层的主要工作为对数据处理层数据进行整合，根据每位用户矫正后的向量化数据选择目标用户的最近邻对未使用服务进行服务评分预测，存储在字典里。再根据预测评分进行排序，筛选出预测评分最高的top-N项服务。输出为该用户的服务推荐列表。定义6.（服务预测评分（G(u,i)））:对于推荐服务对象u对其未使用服务i的感兴趣评分进行预测计算，公式如4-5所示：(4(4-5)G其中rv表示老人所使用过服务的平均服务评分。通过老人感兴趣