專利名稱：一種移動網(wǎng)絡(luò)中用戶偏好的獲取方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及移動通信領(lǐng)域的業(yè)務(wù)支撐技術(shù)，尤其涉及一種移動網(wǎng)絡(luò)中用戶偏好的 獲取方法及系統(tǒng)。
背景技術(shù)：
隨著3G(第三代移動通信)、4G(第四代移動通信)網(wǎng)絡(luò)架構(gòu)朝著融合化、水平化 方向發(fā)展，移動通信網(wǎng)絡(luò)在與計算機網(wǎng)絡(luò)逐漸融合的基礎(chǔ)上，對傳統(tǒng)互聯(lián)網(wǎng)信息服務(wù)進行 延伸，為用戶提供更加豐富多彩的移動網(wǎng)絡(luò)服務(wù)而不僅是簡單的通信業(yè)務(wù)，如傳統(tǒng)語音與 數(shù)據(jù)業(yè)務(wù)、移動搜索服務(wù)、移動定位服務(wù)、無線瀏覽類業(yè)務(wù)、移動流媒體服務(wù)、移動電子支付 服務(wù)、移動下載服務(wù)、移動網(wǎng)絡(luò)游戲等，各種移動網(wǎng)絡(luò)運營商和服務(wù)提供商提供的移動網(wǎng)絡(luò) 服務(wù)在內(nèi)容、價格、QoS(Quality of krvice，服務(wù)質(zhì)量)等也存在較大差異。由于智能移 動設(shè)備日益普及，信息資源的獲取和推送可以發(fā)生在“任何時間、任何地點、任何方式”，移 動用戶將處于復(fù)雜的通信網(wǎng)絡(luò)環(huán)境和豐富的服務(wù)提供環(huán)境。然而，在移動設(shè)備的界面顯示、 終端處理、輸入輸出等能力有限的情況下，海量、動態(tài)變化的移動網(wǎng)絡(luò)服務(wù)數(shù)據(jù)往往為用戶 帶來極為沉重的信息負擔(dān)，從而將導(dǎo)致“移動信息過載”問題。因而，移動網(wǎng)絡(luò)服務(wù)選擇問題，S卩如何準確為移動用戶提供其真正感興趣的移動 網(wǎng)絡(luò)服務(wù)類型和內(nèi)容，就顯得尤為重要和急迫，已上升為移動網(wǎng)絡(luò)服務(wù)領(lǐng)域急需解決的關(guān) 鍵問題從而得到越來越多的關(guān)注。例如，國內(nèi)外一些研究機構(gòu)開始關(guān)注下一代網(wǎng)絡(luò)服務(wù)領(lǐng) 域的個性化研究，中國移動、Google公司等企業(yè)也開始展開移動個性化服務(wù)產(chǎn)品的研制開 發(fā)。若此問題能夠順利解決，不僅可以提高用戶的移動網(wǎng)絡(luò)服務(wù)體驗，也能夠為移動網(wǎng)絡(luò)運 營商和服務(wù)提供商維系用戶群、實現(xiàn)“以人為本”的優(yōu)質(zhì)服務(wù)起到極大的促進作用。移動網(wǎng)絡(luò)運營商和服務(wù)提供商只有在充分、準確理解用戶對各種服務(wù)的需求及其 變化后，才能提供滿足其需求的服務(wù)及內(nèi)容；因此，構(gòu)建精確的用戶偏好獲取模型以獲取用 戶的個性化需求，是最為關(guān)鍵的技術(shù)。但由于移動通信網(wǎng)絡(luò)的復(fù)雜性一方面，移動網(wǎng)絡(luò)服 務(wù)處于一個高度動態(tài)變化的環(huán)境，涉及到基礎(chǔ)網(wǎng)絡(luò)建設(shè)、運營維護管理、業(yè)務(wù)邏輯設(shè)計、內(nèi) 容制作與分發(fā)、終端設(shè)備等，其應(yīng)用領(lǐng)域廣泛，與各個應(yīng)用行業(yè)的特征密切相關(guān)，而且移動 網(wǎng)絡(luò)服務(wù)及其內(nèi)容的推送可以發(fā)生在“任何時間、任何地點、以任何方式”，使得研究工作的 復(fù)雜度很高；另一方面，移動用戶具有不同的人口統(tǒng)計學(xué)特征背景和上下文環(huán)境，對各種服 務(wù)的認知程度逐步成熟，對服務(wù)的需求和偏好也就不盡相同且日趨復(fù)雜化，這無疑又增加 了研究工作的難度。因此，移動網(wǎng)絡(luò)中用戶偏好獲取技術(shù)的是一項值得研究和富有挑戰(zhàn)性 的工作。上個世紀末，隨著互聯(lián)網(wǎng)技術(shù)的迅猛發(fā)展和用戶“信息過載”和“信息迷航”問題 的出現(xiàn)，人們提出為不同用戶提供區(qū)分服務(wù)的“個性化服務(wù)”的概念。傳統(tǒng)互聯(lián)網(wǎng)領(lǐng)域的個 性化服務(wù)研究以構(gòu)建用戶偏好模型來獲取用戶對項目的感興趣程度，主要基于用戶-項目 (user-item)的二維空間，依賴于協(xié)同過濾、基于內(nèi)容的過濾、混合式過濾等技術(shù)實現(xiàn)。盡管 傳統(tǒng)互聯(lián)網(wǎng)領(lǐng)域的個性化研究取得了許多成果，但大多數(shù)是針對桌面軟、硬件系統(tǒng)的“信息過載”問題的。目前，隨著移動通信網(wǎng)絡(luò)的飛速發(fā)展和用戶對移動服務(wù)的個性化需求越來越高， 國內(nèi)外研究人員開始在移動個性化服務(wù)方面進行研究，移動用戶偏好學(xué)習(xí)作為移動個性化 服務(wù)的關(guān)鍵技術(shù)也開始得到關(guān)注。例如，文獻“G. Lee, S. Bauer, P. Faratin, J. ffroclawski. Learning User Preferences for Wireless ServicesProvisioning. 2004 :P480_487，，針 對動態(tài)無線業(yè)務(wù)選擇問題，提出一種利用強化學(xué)習(xí)算法和馬爾科夫模型學(xué)習(xí)用戶偏好的方 法；文獻“Sheng，Q·，B· Benatallah，and Ζ· Maamar，User-centric services provisioning in wireless environments. Communication of the ACM, Nov, 2008. 51(14) :P130_135，， 描述了一種在無線網(wǎng)絡(luò)環(huán)境中面向不同用戶提供服務(wù)內(nèi)容的機制；文獻“H. J. Lee, S.J. Park, MONERS :A News Recommender for the Mobile Web.Expert Systems with Applications, 2007, 32(1) :P143_150”則提出了一種面向移動互聯(lián)網(wǎng)的新聞推薦系統(tǒng)，所 推薦新聞由新聞主題自身的重要性與時效性、用戶偏好變化、用戶對于新聞所屬類別的偏 好來決定。上個世紀90年代初，Weiser提出了“普適計算”的概念，作為其核心子領(lǐng)域之 一的上下文感知計算開始得到充分關(guān)注。這里，所述上下文感知計算的研究內(nèi)容主要包 括上下文獲取、上下文建模和表示、上下文的有效利用、如何構(gòu)建支持上下文感知的系統(tǒng) 框架等。其目標是使系統(tǒng)能夠自動的發(fā)現(xiàn)并利用位置、周圍環(huán)境等上下文信息前攝地為用 戶提供服務(wù)和計算資源，從而減少人機交互，改善用戶體驗。所述上下文感知計算與信息 網(wǎng)絡(luò)相結(jié)合是最近幾年出現(xiàn)一種新的技術(shù)發(fā)展趨勢。在融合的下一代網(wǎng)絡(luò)(NGN)環(huán)境中， 上下文感知理論多用于物理層或者網(wǎng)絡(luò)層(如無線傳感器網(wǎng)絡(luò))，而在業(yè)務(wù)層(特別是面 向移動用戶的個性化業(yè)務(wù)邏輯)的應(yīng)用則相對較少，例如文獻“Cheng Bo, MengXiangwu, Chen Junliang. An Adaptive User Requirements Elicitation Framework. IEEE Computer Society Washington, DC, USA，2007 :P501_502”考慮到上下文感知計算對用戶需求提 取的作用，提出一種本體驅(qū)動的用戶需求提取框架；文獻“Liu Dong, Meng Xiangwu, Chen Junliang. A Framework for Context-AwareService Recommendation. Advanced Communication Technology, ICACT 2008 :P2131_2134” 提出一種上下文感知服務(wù)推薦框架。但在移動網(wǎng)絡(luò)服務(wù)研究領(lǐng)域，由于用戶對移動網(wǎng)絡(luò)服務(wù)及其內(nèi)容的需求或者偏好 常常與各種上下文信息相關(guān)，且比傳統(tǒng)互聯(lián)網(wǎng)領(lǐng)域的上下文環(huán)境更加復(fù)雜，因此，傳統(tǒng)用戶 偏好模型不完全適合移動網(wǎng)絡(luò)服務(wù)環(huán)境下的用戶偏好獲取，傳統(tǒng)的推薦系統(tǒng)框架也不適合 移動網(wǎng)絡(luò)服務(wù)選擇模型建模?？傊?，在上述研究中，上下文感知計算大多用于推薦產(chǎn)生過 程，而較少用于用戶偏好獲取過程，也缺少對移動網(wǎng)絡(luò)中基于上下文計算的用戶偏好獲取 與服務(wù)選擇模型的深入研究?？梢?，雖然國內(nèi)外對于個性化服務(wù)、上下文感知計算、用戶偏好獲取等技術(shù)的研究 較為深入，對于下一代融合網(wǎng)絡(luò)服務(wù)、面向服務(wù)的計算等理論研究也較為豐富，但對于移動 網(wǎng)絡(luò)中用戶偏好獲取技術(shù)的研究尚處于探索階段，亟待進一步深入研究。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的主要目的在于提供一種移動網(wǎng)絡(luò)中用戶偏好的獲取方法及系 統(tǒng)，根據(jù)用戶的使用習(xí)慣并結(jié)合上下文感知計算理論獲取用戶偏好，向用戶提供個性化服務(wù)，以提高移動用戶的網(wǎng)絡(luò)服務(wù)體驗，同時，能夠采用技術(shù)手段過濾大量的冗余信息，充分 利用網(wǎng)絡(luò)資源，提高網(wǎng)絡(luò)運營商和服務(wù)提供商的服務(wù)質(zhì)量和進一步降低運營成本。為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的一種移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，所述獲取系統(tǒng)包括用戶歷史行為及上下 文生成子系統(tǒng)(21)、數(shù)據(jù)存儲與管理子系統(tǒng)(22)、數(shù)據(jù)挖掘子系統(tǒng)和用戶偏好提取子 系統(tǒng)04)；其中用戶歷史行為及上下文生成子系統(tǒng)(21)，用以完成移動用戶歷史行為及用戶歷史 行為上下文的數(shù)據(jù)生成；數(shù)據(jù)存儲與管理子系統(tǒng)(22)，用以完成用戶歷史行為數(shù)據(jù)、用戶歷史行為上下文 信息、用戶偏好信息的存儲和管理；數(shù)據(jù)挖掘子系統(tǒng)(23)，用以完成用戶聚類和用戶歷史行為上下文計算；用戶偏好提取子系統(tǒng)(M)，用于根據(jù)所述數(shù)據(jù)挖掘子系統(tǒng)03)的計算結(jié)果，提取 群組用戶偏好和個體用戶偏好信息，并輸出到所述數(shù)據(jù)存儲與管理子系統(tǒng)02)。其中，所述獲取系統(tǒng)進一步包括用戶偏好自適應(yīng)子系統(tǒng)(25)，用以完成用戶偏好變化/沖突檢測、用戶偏好修正， 并將檢測結(jié)果或修正的結(jié)果保存在數(shù)據(jù)存儲與管理子系統(tǒng)02)中。所述用戶歷史行為及上下文生成子系統(tǒng)進一步包括用戶歷史行為生成模 塊011)和用戶歷史行為上下文生成模塊012)；其中，所述用戶歷史行為生成模塊011)，用于實現(xiàn)用戶歷史行為的數(shù)據(jù)生成功能，其輸 出結(jié)果為群組用戶偏好提取的數(shù)據(jù)源；所述用戶歷史行為上下文生成模塊012)，用于實現(xiàn)用戶歷史行為上下文的數(shù)據(jù) 生成功能，其輸出結(jié)果為用戶歷史行為上下文計算的數(shù)據(jù)源。所述數(shù)據(jù)挖掘子系統(tǒng)(23)，進一步包括用戶聚類模塊(231)和用戶歷史行為上下 文計算模塊032)；其中，所述用戶聚類模塊031)，基于用戶對移動服務(wù)的使用量，通過運用聚類算法，將 所有用戶劃分到多個不同的聚類中，使得同一聚類中的用戶相似度較高，不同聚類中的用 戶相似度較低，聚類分析結(jié)束后，每個用戶擁有一個聚類號標記；所述用戶歷史行為上下文計算模塊032)，用于對用戶歷史行為上下文進行計算， 以求出個體用戶對某一方面上下文的興趣度。所述用戶偏好提取子系統(tǒng)(M)，進一步包括群組用戶偏好提取模塊(Ml)和個體 用戶偏好提取模塊042)；其中，所述群組用戶偏好提取模塊041)，用于對群組用戶聚類結(jié)果和群組用戶歷史行 為進行計算，輸出群組用戶偏好信息；所述個體用戶偏好提取模塊042)，用于對群組用戶偏好以及用戶歷史行為上下 文計算結(jié)果進行融合計算，輸出個體用戶偏好信息?！N移動網(wǎng)絡(luò)中用戶偏好的獲取方法，該方法包括A、利用用戶歷史行為及上下文生成子系統(tǒng)生成用戶歷史行為數(shù)據(jù)與用戶歷 史行為上下文數(shù)據(jù)，并將所述數(shù)據(jù)保存在數(shù)據(jù)存儲與管理子系統(tǒng)0 中；B、由數(shù)據(jù)挖掘子系統(tǒng)03)從所述數(shù)據(jù)存儲與管理子系統(tǒng)02)中獲取用戶歷史行為及其上下文數(shù)據(jù)，并分別進行用戶聚類和用戶行為歷史上下文計算； C、再由用戶偏好提取子系統(tǒng)04)根據(jù)用戶聚類結(jié)果提取群組用戶偏好，然后再
將群組用戶偏好與用戶歷史行為上下文計算結(jié)果進行融合計算，以提取個體用戶偏好，并
將用戶偏好信息存儲到所述數(shù)據(jù)存儲與管理子系統(tǒng)02)中。 所述步驟C之后進一步包括用戶偏好自適應(yīng)子系統(tǒng)05)根據(jù)用戶反饋，檢測用戶歷史行為及其上下文數(shù)據(jù) 的變化，或者檢測已提取用戶偏好與現(xiàn)實用戶需求的沖突，然后對已提取的用戶偏好進行 自適應(yīng)修正，并將經(jīng)過修正后的輸出結(jié)果通過移動網(wǎng)絡(luò)服務(wù)及其內(nèi)容呈現(xiàn)給用戶。一種權(quán)利要求1所述移動網(wǎng)絡(luò)中基于上下文計算的個體用戶興趣度計算方法，該 方法包括A、提取用戶歷史行為上下文計算模塊的案例數(shù)據(jù)信息，讀取用戶歷史行為上下文 數(shù)據(jù)庫，讀取已經(jīng)處理過的上下文信息；B、根據(jù)所讀取的用戶歷史行為上下文信息查詢案例數(shù)據(jù)庫進行匹配，查看案例是 否已存在，如果案例存在，則執(zhí)行步驟C ；否則，執(zhí)行步驟D ；C、對案例庫中的相應(yīng)案例進行修改，然后執(zhí)行步驟E ；D、將對案例所做的修改或新創(chuàng)建的案例存入案例數(shù)據(jù)庫中，然后執(zhí)行步驟E ；E、判斷是否上下文信息已經(jīng)讀取完畢，若未讀取完，則返回執(zhí)行步驟A繼續(xù)讀取 上下文信息，直至所述上下文信息讀取完畢，案例庫創(chuàng)建完畢；否則，執(zhí)行步驟F ；F、結(jié)束案例提取流程，開始上下文計算流程，讀取案例庫中案例信息，通過計算得 出貝葉斯網(wǎng)絡(luò)中的前提條件值，并根據(jù)上一步驟已經(jīng)獲取的條件值，計算出分離的各子網(wǎng) 的貝葉斯網(wǎng)絡(luò)的值，得出用戶的日常行為習(xí)慣，然后將得出的各子網(wǎng)的值存入數(shù)據(jù)庫中；G、根據(jù)各前提條件和各子網(wǎng)的值計算用戶的服務(wù)使用概率值，使用聚類算法對用 戶的服務(wù)使用概率值進行聚類分析，以將概率值劃分為不同的等級，以提取個體用戶興趣 度，并將所提取的個體用戶興趣度存入個體用戶興趣度數(shù)據(jù)庫。一種權(quán)利要求1所述移動網(wǎng)絡(luò)中融合協(xié)同過濾以及上下文計算的用戶偏好提取 方法，該方法包括a、獲取個體用戶興趣度和群體用戶偏好，遍歷每個用戶在每種上下文環(huán)境下對每 類服務(wù)的興趣度；b、判斷用戶是否遍歷完，若未遍歷完，則執(zhí)行步驟c ；否則，結(jié)束本次遍歷 過程；C、判斷針對某個體用戶在某類服務(wù)的遍歷是否完成，若完成則返回步驟b ；否則，執(zhí) 行步驟d;d、判斷針對所述個體用戶在某類服務(wù)下的上下文遍歷是否完成，若完成則返回 步驟C ；否則，執(zhí)行步驟e ；e、判斷所述個體用戶的興趣度是否為零，若是，則執(zhí)行步驟f ；否 則，執(zhí)行步驟i ；f、遍歷該個體用戶所在群組的所有其他用戶在該種上下文環(huán)境下對該類 服務(wù)的興趣度，并獲取該用戶所在群組標識，然后執(zhí)行步驟g;g、計算所述所有其他用戶在 該種上下文環(huán)境下對該類服務(wù)的興趣度的有效平均值；h、判斷所述有效平均值是否為零， 若是，則執(zhí)行步驟i ；否則，執(zhí)行步驟j ；i、個體用戶偏好取值為該用戶所在群組對該類服務(wù) 的偏好值，然后執(zhí)行步驟1 ；j、個體用戶偏好取值為有效平均值；然后執(zhí)行步驟1 ；k、個體 用戶偏好取值為該個體用戶的興趣度，然后執(zhí)行步驟1 ；1、將個體用戶偏好存儲到相應(yīng)的 數(shù)據(jù)庫中，然后返回執(zhí)行步驟d。本發(fā)明所提供的移動網(wǎng)絡(luò)中用戶偏好的獲取方法及系統(tǒng)，具有以下優(yōu)點
本發(fā)明通過提出一種基于上下文計算的移動網(wǎng)絡(luò)中用戶偏好獲取模型，并設(shè)計相 應(yīng)的原型系統(tǒng)來實現(xiàn)以該用戶偏好獲取模型的有效性，其中，通過使用用戶歷史行為上下 文生成模塊，記錄用戶歷史行為發(fā)生時用戶所處的上下文環(huán)境，并對這些歷史上下文進行 計算，從而求解出基于上下文計算的用戶偏好，將有利于提高個性化服務(wù)的精確度；在用戶 歷史行為上下文計算模塊中采用基于上下文計算的用戶興趣度計算方法，對歷史上下文進 行推理和利用貝葉斯理論計算用戶歷史行為上下文，求解出用戶歷史行為發(fā)生時的各種上 下文概率，并最終利用多維度矩陣的形式描述的個體用戶興趣度，豐富了用戶偏好的精度 描述；在用戶偏好提取子系統(tǒng)中采用融合協(xié)同過濾技術(shù)和上下文計算的用戶偏好提取方 法，將基于上下文計算的個體用戶興趣度和個體用戶所在群組的服務(wù)偏好進行融合計算， 從而預(yù)測和提取不同用戶在不同上下文環(huán)境下對不同移動網(wǎng)絡(luò)服務(wù)的偏好，最終產(chǎn)生所需 的以多維度矩陣形式描述的用戶偏好信息。另外，在用戶偏好自適應(yīng)子系統(tǒng)中實施了基于 上下文計算的用戶偏好自適應(yīng)方法，通過對用戶偏好的變化和沖突進行檢測，并對用戶偏 好信息的結(jié)果進行修正，進一步提高了提取用戶偏好信息的精確度。


圖1為本發(fā)明實施例中基于上下文計算的用戶偏好獲取模型示意圖；圖2為本發(fā)明的移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)結(jié)構(gòu)示意圖；圖2A為本發(fā)明圖2中用戶歷史行為及上下文生成子系統(tǒng)的用戶歷史行為生成模 塊功能結(jié)構(gòu)示意圖；圖2B為本發(fā)明圖2中用戶歷史行為及上下文生成子系統(tǒng)的用戶歷史行為上下文 生成模塊功能結(jié)構(gòu)示意圖；圖2C為本發(fā)明圖2中數(shù)據(jù)挖掘子系統(tǒng)的用戶聚類模塊功能結(jié)構(gòu)示意圖；圖2D為本發(fā)明圖2中數(shù)據(jù)挖掘子系統(tǒng)的用戶歷史行為上下文計算模塊功能結(jié)構(gòu) 示意圖；圖2E為本發(fā)明圖2中用戶偏好提取子系統(tǒng)的群組用戶偏好提取模塊功能結(jié)構(gòu)示 意圖；圖2F為本發(fā)明圖2中用戶偏好提取子系統(tǒng)的個體用戶偏好提取模塊功能結(jié)構(gòu)示 意圖；圖2G為本發(fā)明圖2中用戶偏好自適應(yīng)子系統(tǒng)的功能結(jié)構(gòu)示意圖；圖3為本發(fā)明實施例中移動網(wǎng)絡(luò)用戶偏好獲取系統(tǒng)的物理結(jié)構(gòu)示意圖； 圖3A為本發(fā)明的移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)的基本處理流程示意圖；圖4為本發(fā)明原型系統(tǒng)中歷史行為上下文生成過程示意圖；圖5為本發(fā)明原型系統(tǒng)中基于上下文計算的個體用戶興趣度計算方法的流程示 意圖；圖6為本發(fā)明原型系統(tǒng)中的融合協(xié)同過濾以及上下文計算的用戶偏好提取方法 流程示意圖。
具體實施例方式下面結(jié)合附圖及本發(fā)明的實施例對本發(fā)明的方法作進一步詳細的說明。
本發(fā)明的核心思想是通過建立一個基于上下文計算的用戶偏好獲取模型，在傳 統(tǒng)個性化服務(wù)系統(tǒng)的基礎(chǔ)上，充分考慮復(fù)雜動態(tài)變化的上下文信息在移動網(wǎng)絡(luò)用戶偏好獲 取中的重要性，將可利用的上下文信息分為當(dāng)前上下文和歷史上下文，并因之將上下文的 計算分為當(dāng)前上下文感知計算和歷史上下文計算，然后以用戶歷史行為及其上下文作為主 要的數(shù)據(jù)源，通過協(xié)同過濾和歷史上下文計算等方法逐步精確挖掘用戶偏好及其變化；然 后根據(jù)所述用戶偏好獲取模型，結(jié)合移動終端用戶、移動網(wǎng)絡(luò)運營商和網(wǎng)絡(luò)服務(wù)提供商的 實際情況，設(shè)計一個移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)，以檢驗所述用戶偏好提取模型對移動 網(wǎng)絡(luò)實際場景中的擬合效果，從而驗證所述用戶偏好提取模型的有效性和先進性。所述原 型系統(tǒng)實質(zhì)是一個獨立的系統(tǒng)，其功能由一些子系統(tǒng)和模塊相互配合、共同完成，其功能與 所述模型應(yīng)完成的功能相對應(yīng)，原型系統(tǒng)主要包括用戶歷史行為及上下文生成子系統(tǒng)、數(shù) 據(jù)存儲與管理子系統(tǒng)、數(shù)據(jù)挖掘子系統(tǒng)、用戶偏好提取子系統(tǒng)、用戶偏好自適應(yīng)子系統(tǒng)以 及用戶界面。通過利用所述原型系統(tǒng)的用戶歷史行為及上下文生成子系統(tǒng)、數(shù)據(jù)存儲與管 理子系統(tǒng)、數(shù)據(jù)挖掘子系統(tǒng)、用戶偏好自適應(yīng)子系統(tǒng)以及用戶偏好提取子系統(tǒng)，最終實現(xiàn)從 海量信息中提取出針對不同對象的群組用戶偏好和個體用戶偏好的目的。圖1為本發(fā)明實施例中基于上下文計算的用戶偏好獲取模型示意圖，如圖1所示， 該用戶偏好獲取模型屬于數(shù)據(jù)驅(qū)動型模型，其從功能層面上由低到高可分為數(shù)據(jù)采集層、 用戶偏好獲取層和用戶偏好自適應(yīng)層，該模型使用用戶偏好提取技術(shù)和用戶偏好自適應(yīng)技 術(shù)，其研究的對象，即數(shù)據(jù)信息，主要來自移動網(wǎng)絡(luò)的服務(wù)商，所述數(shù)據(jù)信息包括用戶歷史 行為信息、用戶歷史行為上下文信息、用戶人口統(tǒng)計學(xué)信息、移動網(wǎng)絡(luò)服務(wù)信息、上下文信 息等；也可按數(shù)據(jù)的來源劃分為三類即用戶信息、資源信息和上下文信息?；谏舷挛挠嬎愕挠脩羝毛@取模型的數(shù)學(xué)描述初步為M= {U, I, C, P}, UXIXC-P0其中U代表用戶信息，I代表客體資源信息，C代表上下文信息，P代表用戶 偏好。模型計算依據(jù)主要是用戶歷史行為及用戶歷史行為上下文，由模型底層的“數(shù)據(jù)采集 層”來獲取。其中，用戶歷史行為用于描述用戶對客體資源(當(dāng)前模型以移動網(wǎng)絡(luò)服務(wù)為對 象)的使用情況；用戶歷史行為上下文用于描述用戶使用客體資源時所處的上下文條件。由于用戶偏好的提取是一個逐步精確的過程，圖1所示模型中的用戶“偏好提取 層”首先要通過計算用戶歷史行為提取到較為粗糙的群組用戶偏好，然后通過計算用戶歷 史行為上下文提取出個體用戶興趣度，最后再將兩種數(shù)據(jù)融合計算，提取出較為精確的個 體用戶偏好。這里，用戶偏好自適應(yīng)，是指檢測用戶偏好發(fā)生變化或者所提取用戶偏好與現(xiàn)實 用戶需求的沖突，并進行修正的技術(shù)。用戶偏好自適應(yīng)技術(shù)是通過所述“用戶偏好自適應(yīng) 層”來實現(xiàn)，其主要包括兩個必要過程第一、用戶偏好變化/沖突檢測；第二、用戶偏好修 正。由于本發(fā)明用戶偏好獲取模型的構(gòu)建是實現(xiàn)所述移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng) 的基礎(chǔ)，因此需要對所述用戶偏好獲取模型中利用到的理論或技術(shù)，如本體、協(xié)同過濾、上 下文計算、矩陣理論和馬爾可夫過程等做一簡單介紹所述本體，共享概念模型的明確的形式化規(guī)范說明?；诒倔w對用戶、客體資源、 上下文、用戶偏好等進行建模，有利于從語義層面對上述各個領(lǐng)域數(shù)據(jù)進行結(jié)構(gòu)化、形式化 描述，便于對各個領(lǐng)域數(shù)據(jù)的復(fù)雜關(guān)系的進行推斷。
10
所述協(xié)同過濾，協(xié)同過濾方法利用用戶之間的相似性(或者項目之間的相似性)， 基于其他人的評價和建議為用戶提供決策支持。本發(fā)明中主要用于對群組用戶偏好進行提 取的過程。所述上下文計算，指系統(tǒng)能發(fā)現(xiàn)并有效利用上下文信息(如用戶位置、時間、環(huán)境 參數(shù)、鄰近的設(shè)備和人員、用戶活動等)進行計算的一種計算模式。發(fā)明中提出的模型將上 下文分為兩種，即歷史上下文、當(dāng)前上下文；因而上下文計算也分為兩部分，即歷史上下文 計算、當(dāng)前上下文感知計算。在本發(fā)明中獲取用戶偏好時，考慮用戶歷史行為發(fā)生時用戶所 處的歷史上下文；在產(chǎn)生推薦時，考慮用戶當(dāng)前的上下文。所述矩陣理論，用戶偏好獲取模型從用戶、服務(wù)、上下文等多維角度來考察用戶偏 好，因而使用多維矩陣理論對影響用戶偏好的各維因素進行計算，并將獲取到的用戶偏好 存儲到多維矩陣中。所述馬爾科夫過程，是指在某一時刻發(fā)生的事件，只是在有限時段內(nèi)產(chǎn)生影響的 隨機過程，屬于隨機過程理論。將馬爾科夫過程理論應(yīng)用到用戶偏好自適應(yīng)計算過程中，能 夠有效檢測和計算用戶偏好變化，從而進行用戶偏好修正。圖2為本發(fā)明的移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)結(jié)構(gòu)示意圖，如圖2所示，所述原型 系統(tǒng)主要由用戶歷史行為及上下文生成子系統(tǒng)21、數(shù)據(jù)存儲與管理子系統(tǒng)22、數(shù)據(jù)挖掘子 系統(tǒng)23、用戶偏好提取子系統(tǒng)M以及用戶偏好自適應(yīng)子系統(tǒng)25構(gòu)成。其中，用戶歷史行為及上下文生成子系統(tǒng)21，用以完成移動用戶歷史行為及用戶歷史行 為上下文的數(shù)據(jù)生成。這里，所述用戶歷史行為及上下文生成子系統(tǒng)21還包括用戶歷史行為生成模塊 211、用戶歷史行為上下文生成模塊212。所述用戶歷史行為生成模塊211，用于實現(xiàn)用戶歷史行為的數(shù)據(jù)生成功能，其輸出 結(jié)果可以作為群組用戶偏好提取的數(shù)據(jù)源。所述用戶歷史行為上下文生成模塊212，用于實現(xiàn)用戶歷史行為上下文的數(shù)據(jù)生 成功能，其輸出結(jié)果可以作為用戶歷史行為上下文計算的數(shù)據(jù)源。需要說明的是，在本發(fā)明中僅選擇那些影響用戶偏好最深刻的上下文類型，如時 間、位置、使用設(shè)備和用戶活動狀態(tài)等，但這并不限定所述基于上下文計算的用戶偏好獲取 模型僅支持上述幾種類型的上下文，所述模型并不依賴于具體的上下文類型，還可以進一 步擴展，如增加天氣、噪音環(huán)境、光線、用戶的社會環(huán)境等。數(shù)據(jù)存儲與管理子系統(tǒng)22，用以完成用戶歷史行為數(shù)據(jù)、用戶歷史行為上下文信 息、用戶偏好信息的存儲和管理。這里，所述數(shù)據(jù)存儲與管理子系統(tǒng)22，進一步包括用戶偏好存儲與管理模塊221、 用戶歷史行為存儲與管理模塊222和用戶歷史行為上下文存儲與管理模塊223。其中所 述用戶偏好存儲與管理模塊221，用于存儲和管理用戶偏好信息。所述用戶歷史行為存儲與 管理模塊222，用于存儲和管理用戶歷史行為信息。所述用戶歷史行為上下文存儲與管理模 塊223，用于存儲和管理用戶歷史行為上下文信息。所述數(shù)據(jù)存儲與管理子系統(tǒng)22，通過用戶信息表、用戶歷史行為表、用戶歷史行為 上下文信息表、群組用戶偏好表、個體用戶偏好表以及用戶界面相關(guān)的數(shù)據(jù)表對各類數(shù)據(jù) 信息進行管理。數(shù)據(jù)存儲與管理子系統(tǒng)22主要對用戶信息表、用戶歷史行為表、用戶歷史行為上下文信息表、群組用戶偏好表、個體用戶偏好表及其相關(guān)聯(lián)的數(shù)據(jù)結(jié)構(gòu)對數(shù)據(jù)信息 進行管理。數(shù)據(jù)挖掘子系統(tǒng)23，用以完成用戶聚類和用戶歷史行為上下文計算。這里，所述數(shù)據(jù)挖掘子系統(tǒng)23，進一步包括用戶聚類模塊231和用戶歷史行為上 下文計算模塊232 ；其中，所述用戶聚類模塊231，基于用戶對移動服務(wù)的使用量，通過運用K-Means聚類算 法，將所有用戶劃分到K個不同的聚類中，使得同一聚類中的用戶相似度較高，不同聚類中 的用戶相似度較低，聚類分析結(jié)束后，每個用戶擁有一個聚類號標記。用戶歷史行為上下文計算模塊232，用于對用戶歷史行為上下文進行計算，以求出 個體用戶對某一方面的興趣度。用戶偏好提取子系統(tǒng)M，用于根據(jù)所述數(shù)據(jù)挖掘子系統(tǒng)23的計算結(jié)果，從所述數(shù) 據(jù)存儲與管理子系統(tǒng)22中提取群組用戶偏好和個體用戶偏好信息并輸出；還用于根據(jù)所 述用戶偏好自適應(yīng)子系統(tǒng)25的檢測/修正結(jié)果以及結(jié)合所述數(shù)據(jù)挖掘子系統(tǒng)23的計算結(jié) 果提取并輸出修正后的群組用戶偏好和個體用戶偏好信息。這里，所述用戶偏好提取子系統(tǒng)對，進一步包括群組用戶偏好提取模塊241和個 體用戶偏好提取模塊M2 ；其中，所述群組用戶偏好提取模塊對1，用于對群組用戶聚類結(jié)果和群組用戶歷史行為 進行計算，輸出群組用戶偏好信息。所述個體用戶偏好提取模塊M2，用于對群組用戶偏好以及用戶歷史行為上下文 計算結(jié)果進行融合計算，輸出個體用戶偏好信息。用戶偏好自適應(yīng)子系統(tǒng)25，用以完成用戶偏好變化/沖突檢測、用戶偏好修正，并 將檢測結(jié)果或修正的結(jié)果保存在數(shù)據(jù)存儲與管理子系統(tǒng)22中。這里，用戶偏好自適應(yīng)子系統(tǒng)25，進一步包括用戶偏好變化/沖突檢測模塊251和 用戶偏好修正模塊252。其中所述用戶偏好變化/沖突檢測模塊251，用于根據(jù)事先設(shè)定的變化閾值或變化檢 測算法及時捕捉用戶偏好的變化；或用于檢測當(dāng)多源渠道提取的用戶偏好進行融合時，可 能出現(xiàn)用戶偏好不一致而產(chǎn)生沖突的現(xiàn)象，或檢測所提取用戶偏好與用戶顯式設(shè)定的偏好 之間存在不一致而產(chǎn)生沖突的現(xiàn)象，并將所述用戶偏好變化/沖突情況傳給用戶偏好修正 模塊252。所述用戶偏好修正模塊252，用于完成用戶偏好的修正功能，即針對用戶偏好沖突 和用戶偏好變化的不同客觀情況，設(shè)定用戶偏好修正算法，以達到對用戶偏好信息進行修 正，進一步使得所獲取的用戶偏好信息精確化的效果。另外，原型系統(tǒng)之外，還包括一個負責(zé)用戶與所述原型系統(tǒng)之間信息交互的用戶 界面。這里，所述用戶包括移動終端用戶和系統(tǒng)管理維護用戶。圖2A為本發(fā)明圖2中用戶歷史行為及上下文生成子系統(tǒng)的用戶歷史行為生成模 塊功能結(jié)構(gòu)示意圖，如圖2A所示，用戶歷史行為生成模塊211，進一步包括如下子模塊讀取外界信息文檔子模塊2111，用于對外界信息文檔進行解析，并將解析結(jié)果存 入指定數(shù)組中供其他子模塊使用。初始化用戶信息子模塊2112，用于生成用戶ID，將其存入數(shù)據(jù)庫中，并給該用戶的各個屬性字段賦值。初始化用戶行為表子模塊2113，用于根據(jù)用戶信息表中的用戶ID (主鍵)來初始 化用戶歷史行為表，所述用戶歷史行為表包括用戶行為表中各條記錄的主鍵(用戶ID)以 及各個服務(wù)量。生成用戶行為數(shù)據(jù)子模塊2114，用于讀取外界信息文檔子模塊2111中的解析結(jié) 果數(shù)組作為輸入，并將生成的數(shù)據(jù)更新到數(shù)據(jù)庫用戶行為表中的相應(yīng)字段。用戶歷史行為數(shù)據(jù)子模塊2115，用于實現(xiàn)用戶歷史行為數(shù)據(jù)的增減，如在上個月 的歷史數(shù)據(jù)的基礎(chǔ)上進行增減，并將其保存到數(shù)據(jù)庫中。數(shù)據(jù)庫備份子模塊2116，用于實現(xiàn)數(shù)據(jù)庫信息的備份，以便于查看前期產(chǎn)生的數(shù) 據(jù)。圖2B為本發(fā)明圖2中用戶歷史行為及上下文生成子系統(tǒng)的用戶歷史行為上下文 生成模塊功能結(jié)構(gòu)示意圖，如圖2B所示，用戶歷史行為上下文生成模塊212，進一步包括如 下子模塊用戶歷史行為上下文生成父代理子模塊2121，用于啟動父代理、啟動子代理、接收 上級代理的控制消息、并從數(shù)據(jù)庫中獲取用戶服務(wù)量數(shù)據(jù)，作為整個用戶歷史行為上下文 信息生成入口模塊，該子模塊控制其它模塊的運行步驟和過程，該子模塊的代理通過接收 上級子模塊即用戶歷史行為生成模塊的控制信息來控制自身各模塊的運行，當(dāng)接收到上級 子模塊的控制消息后，該子模塊代理開始啟動其它各代理，并通過用戶信息數(shù)據(jù)流控制各 代理模塊的運行節(jié)奏。用戶信息生成代理子模塊2122，用于生成用戶的用戶信息，將生成的用戶信息存 儲到用戶信息表中，通過該代理子模塊，能夠根據(jù)不同的情形為用戶的信息設(shè)定符合自己 的活動規(guī)律，當(dāng)該代理子模塊運行后，能夠根據(jù)用戶設(shè)定的規(guī)律為用戶生成符合某種規(guī)律 的用戶信息。設(shè)備信息生成代理子模塊2123，用于為每個服務(wù)生成用戶設(shè)備，使每一條使用記 錄對應(yīng)一種用戶設(shè)備，并將生成的上下文信息存入用戶上下文信息表，同上述模塊，該子模 塊也可設(shè)置不同的規(guī)律，讓不同特征的用戶使用不同的設(shè)備，由于各代理子模塊之間是相 互獨立的，因此在設(shè)置不同的規(guī)律時，其它代理很少能影響的當(dāng)前代理的邏輯，而且該代理 內(nèi)部邏輯的改動完全不會影響到其他代理邏輯的實現(xiàn)。時間信息生成代理子模塊2124，用于為每個服務(wù)生成用戶的時間上下文，使每一 條記錄對應(yīng)一個不同的時間，同上述所述代理子模塊，該代理子模塊也可根據(jù)設(shè)定的自身 需求的規(guī)律來生成自己的邏輯，該代理的邏輯的修改不影響其它代理，產(chǎn)生結(jié)果存入相應(yīng) 用戶的歷史行為上下文數(shù)據(jù)庫表中。位置信息生成代理子模塊2125 用于為每個業(yè)務(wù)生成用戶地點的上下文，使每一 條使用記錄對應(yīng)一個用戶所在位置；該代理的生成邏輯，可以完全根據(jù)不同的用戶，不同的 身份信息，產(chǎn)生不同的位置信息，這樣生成的上下文位置信息將很接近現(xiàn)實中的上下文信 息，能為今后的工作提供更好的依據(jù)?；顒有畔⑸纱碜幽K21 為每個服務(wù)生成用戶歷史行為的活動信息上下 文，使每一條使用記錄都對應(yīng)一種用戶狀態(tài)。與上述代理子模塊同理，根據(jù)不同的用戶信 息，生成不同的用戶活動信息，活動信息產(chǎn)生的規(guī)律在所述代理子模塊內(nèi)部設(shè)置，依據(jù)不同規(guī)律，從而最終產(chǎn)生符合用戶需求的上下文信息記錄。服務(wù)量分配代理子模塊2127 將用戶歷史行為的服務(wù)量進行分配，讓各種服務(wù)的 服務(wù)量很好的分配到一個月的30天中的每一段時間內(nèi)，服務(wù)量的分配可以使隨機將總量 分配到所有天中，也可以根據(jù)一定得使用習(xí)慣分配服務(wù)量，總之代理中的業(yè)務(wù)邏輯是可以 隨時變化的，通過不同的業(yè)務(wù)邏輯的變化可以適應(yīng)不同的環(huán)境，滿足各種需求。圖2C為本發(fā)明圖2中數(shù)據(jù)挖掘子系統(tǒng)的用戶聚類模塊功能結(jié)構(gòu)示意圖，如圖2C 所示，用戶聚類模塊231進一步包括如下子模塊提取用戶信息子模塊2311，用于從存放用戶歷史行為信息的數(shù)據(jù)庫中提取用戶的 ID號與用戶歷史行為信息，即服務(wù)的使用量。數(shù)據(jù)映射子模塊2312，用于將所有的數(shù)據(jù)按照某種映射法映射到同一區(qū)間[a，b] 上，目的是為了降低多維數(shù)據(jù)屬性之間的相互影響，避免大數(shù)淹沒小數(shù)，從而使得聚類效果 更加理想。尋找聚類中心子模塊2313，用于產(chǎn)生K個互不相同的隨機數(shù)確定初始聚類中心， 并選擇初始聚類中心。計算聚類中心子模塊2314，用于計算每個聚類的聚類中心；計算聚類中心的方法 是以每個聚類中所有數(shù)據(jù)的平均值作為聚類中心，具體做法為多維數(shù)據(jù)計算每維的平均值。聚類劃分子模塊2315，用于將所有的數(shù)據(jù)劃分到與之最近的聚類中，劃分方法是 計算數(shù)據(jù)與每個聚類中心的歐幾里得距離。算法收斂判斷子模塊2316，用于通過收斂條件判斷聚類劃分是否結(jié)束，如果滿足 收斂條件，則結(jié)束聚類算法；反之，則繼續(xù)進行聚類劃分，直到滿足收斂條件為止。用戶聚類號設(shè)置子模塊2317，用于為數(shù)據(jù)庫中的每個用戶設(shè)置一個聚類號。圖2D為本發(fā)明圖2中數(shù)據(jù)挖掘子系統(tǒng)的用戶歷史行為上下文計算模塊功能結(jié)構(gòu) 示意圖，如圖2D所示，用戶歷史行為上下文計算模塊232，進一步包括如下子模塊〈時間I位置I活動，移動服務(wù)〉案例提取子模塊2321，該模塊通過獲取已經(jīng)生成 的上下文使用記錄信息，通過提取其中的時間、位置、活動、服務(wù)信息建立〈時間I位置I活 動，移動服務(wù) > 案例庫，在該案例提取過程中，逐個讀取產(chǎn)生的上下文記錄信息，建立案例， 對于重復(fù)的案例予以清除，只保留單一案例。對每個用戶都建有對應(yīng)的案例庫以便下一步 求解?！磿r間，位置〉日常習(xí)慣案例提取子模塊2322，該模塊通過獲取已經(jīng)生成上下文使 用記錄信息，通過提取時間、位置信息建立 < 時間，位置 > 案例庫。在該案例提取過程中，確 定對案例類型的需求后，逐個讀取產(chǎn)生的上下文記錄信息，建立案例，對于重復(fù)的案例予以 清除，只保留單一案例。對每個用戶都建有對應(yīng)的案例庫以便下一步求解。<位置，活動 > 日常習(xí)慣案例提取子模塊2323，該模塊通過獲取已經(jīng)生成上下文使 用記錄信息，通過提取位置、活動上下文信息建立 < 位置，活動 > 的案例庫。在該案例提取 過程中，確定對案例類型的需求后，逐個讀取產(chǎn)生的上下文記錄信息，建立案例，對于重復(fù) 的案例予以清除，只保留單一案例。對每個用戶都建有對應(yīng)的案例庫以便下一步求解。<時間I位置I活動，移動服務(wù) > 興趣度計算子模塊23M，根據(jù) < 時間I位置I活 動，移動服務(wù) > 興趣度計算子模塊提取的案例，計算用戶對于相應(yīng)案例的興趣度，由于在提取過程中案例對應(yīng)的值是不同的(如移動服務(wù)的使用量不同)，所以不同案例最后計算所 得興趣度值也不同。通過使用貝葉斯公式能夠?qū)⒑篁灨怕实挠嬎戕D(zhuǎn)化成先驗概率的計算， 使興趣度的計算得到很好的解決和實現(xiàn)。貝葉斯網(wǎng)絡(luò)將有向無環(huán)圖與概率理論有機結(jié)合， 將因果關(guān)系用有向圖直觀的表示出來，而且歷史記錄的統(tǒng)計值都是離散數(shù)據(jù)，使得貝葉斯 公式在應(yīng)用于移動領(lǐng)域歷史記錄統(tǒng)計計算方面具有很好的效果。〈時間，位置〉日常習(xí)慣興趣度計算子模塊2325，根據(jù)〈時間，位置〉日常習(xí)慣興 趣度計算子模塊提取的案例，計算用戶對于相應(yīng)案例的興趣度，由于在提取過程中案例對 應(yīng)的時間量值是不同的，所以不同案例最后計算所得興趣度值也不同。通過貝葉斯公式將 后驗概率的計算轉(zhuǎn)化成先驗概率的計算，使興趣度的計算得到很好的解決和實現(xiàn)?！次恢茫顒印等粘Ａ?xí)慣興趣度計算子模塊23 ，根據(jù)〈位置，活動〉日常習(xí)慣興 趣度計算子模塊提取的案例，計算用戶對于相應(yīng)案例的興趣度，由于在提取過程中案例對 應(yīng)的量值是不同的，所以不同案例最后計算所得興趣度值也不同。再通過貝葉斯公式能夠 將后驗概率的計算轉(zhuǎn)化成先驗概率的計算，能夠簡單高效地計算出對應(yīng)的興趣度值。圖2E為本發(fā)明圖2中用戶偏好提取子系統(tǒng)的群組用戶偏好提取模塊功能結(jié)構(gòu)示 意圖，如圖2E所示，群組用戶偏好提取模塊M1，進一步包括如下子模塊群組歷史行為矩陣構(gòu)造子模塊M11，用于完成群組歷史行為矩陣構(gòu)造的功能，即 以用戶聚類結(jié)果為輸入，計算每個群組的所有用戶對各類移動網(wǎng)絡(luò)服務(wù)的平均使用量，構(gòu) 造群組歷史行為矩陣。服務(wù)聚類子模塊M12，用于完成服務(wù)聚類的功能，即以群組歷史行為矩陣為輸入， 以各個群組的歷史行為數(shù)據(jù)為待聚類對象，根據(jù)聚類算法，將每類服務(wù)的各個群組使用情 況聚類為5個(或3個)等級，即5-很偏好，4-較偏好，3-—般偏好，2-較不偏好，1-很 不偏好(或，3-高級偏好，2- 一般偏好，1-較不偏好)。群組用戶偏好計算子模塊M13，用于完成群組用戶偏好計算功能，即以群組歷史 行為矩陣和服務(wù)聚類結(jié)果為輸入，根據(jù)服務(wù)聚類結(jié)果將群組歷史行為矩陣映射為群組用戶 偏好矩陣，其中，所述矩陣采用“群組-服務(wù)”的二維形式，以群組名為行向量，以各類服務(wù) 為列向量，群組用戶偏好矩陣存儲于數(shù)據(jù)存儲與管理子系統(tǒng)中的群組用戶偏好存儲與管理 模塊。群組用戶偏好結(jié)構(gòu)化描述子模塊M14，用于完成群組用戶偏好的結(jié)構(gòu)化描述功 能，即以群組用戶偏好提取結(jié)果為輸入，按照已經(jīng)設(shè)計好的XML Schema來生成XML格式的 半結(jié)構(gòu)化群組用戶偏好描述文檔，并將文檔存儲到群組用戶偏好存儲與管理模塊。圖2F為本發(fā)明圖2中用戶偏好提取子系統(tǒng)的個體用戶偏好提取模塊功能結(jié)構(gòu)示 意圖，如圖2F所示，個體用戶偏好提取模塊對2，進一步包括如下子模塊個體用戶興趣度零值檢測子模塊M21，用于完成個體用戶興趣度零值檢測功能， 即個體用戶興趣度數(shù)據(jù)庫中某用戶在某種特定上下文條件下對某類服務(wù)的興趣度是否為 零；如果為零，則執(zhí)行個體用戶偏好計算子模塊功能；否則，執(zhí)行有效平均興趣度計算子模 塊。有效平均興趣度計算子模塊M22，用于完成有效平均興趣度計算功能，即有效平 均興趣度計算子模塊需要從群組用戶偏好矩陣數(shù)據(jù)庫找到個體用戶所屬群組的其他用戶， 并在個體用戶興趣度數(shù)據(jù)庫中遍歷這些用戶在某種特定上下文條件下對某類服務(wù)的非零值興趣度，并計算出它們的平均值，輸出為有效平均興趣度。有效平均興趣度零值檢測子模塊M23，主要完成有效平均興趣度零值檢測功能， 即檢測有效平均興趣度計算子模塊所輸出的有效平均興趣度是否為零。如果為零，則執(zhí)行 個體用戶偏好計算子模塊功能，且不訪問群組用戶偏好數(shù)據(jù)庫；否則，執(zhí)行個體用戶偏好計 算模塊功能，且訪問群組用戶偏好數(shù)據(jù)庫。個體用戶偏好計算子模塊MM，用于完成個體用戶偏好計算功能，具體為根據(jù) 上述模塊的計算結(jié)果與判斷條件，在不同的條件下，將個體用戶偏好的取值分別設(shè)置為個 體用戶興趣度、有效平均興趣度或者個體所在群組用戶偏好，從而預(yù)測出該用戶在不同的 上下文環(huán)境下對不同類服務(wù)的偏好值，并將輸出結(jié)果存儲到個體用戶偏好數(shù)據(jù)庫(個體用 戶偏好存儲與管理模塊)中。個體用戶偏好結(jié)構(gòu)化描述子模塊M25，用于完成個體用戶偏好的結(jié)構(gòu)化描述功 能，即以個體用戶偏好提取結(jié)果為輸入，按照已經(jīng)設(shè)計好的XML Schema來生成XML格式的 半結(jié)構(gòu)化個體用戶偏好描述文檔，并將文檔存儲到個體用戶偏好存儲與管理模塊。圖2G為本發(fā)明圖2中用戶偏好自適應(yīng)子系統(tǒng)的功能結(jié)構(gòu)示意圖，如圖2G所示，所 述用戶偏好自適應(yīng)子系統(tǒng)25，通過使用用戶偏好變化/沖突檢測模塊251根據(jù)設(shè)定的變化 閾值或變化檢測算法及時捕獲群組/個體用戶偏好的變化；或在將多源渠道提取的用戶偏 好進行融合時，及時檢測出用戶偏好不一致而產(chǎn)生沖突、或是所提取用戶偏好與用戶顯式 設(shè)定的偏好之間不一致而導(dǎo)致的沖突；然后再利用所述用戶偏好修正模塊252進行修正， 并將修正結(jié)果保存在用戶偏好數(shù)據(jù)庫中。圖3為本發(fā)明實施例中移動網(wǎng)絡(luò)用戶偏好獲取系統(tǒng)的物理結(jié)構(gòu)示意圖，圖中示出 了包括運營商、服務(wù)內(nèi)容提供商、終端用戶在內(nèi)的移動網(wǎng)絡(luò)環(huán)境下所述原型系統(tǒng)中的關(guān)系， 所述數(shù)據(jù)存儲與管理子系統(tǒng)記錄網(wǎng)絡(luò)運營商和服務(wù)內(nèi)容提供商供終端用戶使用移動設(shè)備 所產(chǎn)生的數(shù)據(jù)信息，通過使用用戶偏好提取子系統(tǒng)以及用戶偏好自適應(yīng)子系統(tǒng)，結(jié)合上下 文環(huán)境對所述數(shù)據(jù)存儲與管理子系統(tǒng)中的數(shù)據(jù)信息進行處理，以期得到所述終端用戶的群 組偏好和用戶偏好信息。圖3A為本發(fā)明的移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)的基本處理流程示意圖，下面結(jié) 合圖3對本發(fā)明所述原型系統(tǒng)中移動網(wǎng)絡(luò)用戶偏好的獲取方法進行進一步的說明參考圖3A，所述原型系統(tǒng)的各子系統(tǒng)之間信息交互過程，包括如下步驟步驟301 302:從用戶界面觸發(fā)用戶歷史行為及上下文生成子系統(tǒng)21，生成用戶 歷史行為數(shù)據(jù)與用戶歷史行為上下文數(shù)據(jù)；步驟303 將所述用戶歷史行為及上下文生成子系統(tǒng)將生成的用戶歷史行為及其 上下文存儲到數(shù)據(jù)存儲與管理子系統(tǒng)22中；步驟304 305 數(shù)據(jù)挖掘子系統(tǒng)23從數(shù)據(jù)存儲與管理子系統(tǒng)22中獲取用戶歷 史行為及其上下文數(shù)據(jù)，分別進行用戶聚類和用戶行為歷史上下文計算；步驟306 313 用戶偏好提取子系統(tǒng)M根據(jù)用戶聚類結(jié)果提取群組用戶偏好， 然后再將群組用戶偏好與用戶歷史行為上下文計算結(jié)果進行融合計算，以提取個體用戶偏 好，并存儲到數(shù)據(jù)存儲與管理子系統(tǒng)22 ；步驟314:根據(jù)用戶偏好、當(dāng)前上下文感知信息選擇適合該用戶在當(dāng)前上下文環(huán) 境需要的移動網(wǎng)絡(luò)服務(wù)類型，并推薦給用戶；
步驟315 用戶界面將被推薦的移動網(wǎng)絡(luò)服務(wù)及其內(nèi)容呈現(xiàn)給用戶，并進行反饋；步驟316 317 用戶偏好自適應(yīng)子系統(tǒng)25根據(jù)用戶反饋，檢測用戶歷史行為及 其上下文數(shù)據(jù)的變化，或者檢測已提取用戶偏好與現(xiàn)實用戶需求的沖突，然后對已提取的 用戶偏好進行自適應(yīng)修正，并將經(jīng)過修正后的輸出結(jié)果，即通過用戶界面將被推薦的移動 網(wǎng)絡(luò)服務(wù)及其內(nèi)容呈現(xiàn)給用戶。圖4為本發(fā)明原型系統(tǒng)中歷史行為上下文生成過程示意圖，用戶歷史行為上下文 生成模塊212以用戶歷史行為生成模塊211的輸出結(jié)果作為輸入，首先為用戶生成用戶的 個人信息，然后以移動網(wǎng)絡(luò)服務(wù)為單位生成時間，再生成設(shè)備，然后再生成位置(用戶的個 人信息決定的用戶位置的范圍)，接下來將生成用戶的活動(用戶活動的生成結(jié)果取決于 用戶的位置信息)，最后是用戶的服務(wù)量分配。以上各個生成過程中不是相互獨立的，各代 理之間也存在依賴和約束關(guān)系，并最終生成用戶歷史行為上下文信息。如圖4所示，該過程 具體包括步驟401 啟動歷史行為上下文生成父代理及各個子代理，接收上級代理(用戶歷 史行為生成代理)的控制消息。步驟402 歷史行為上下文生成父代理從數(shù)據(jù)庫中獲取用戶歷史行為數(shù)據(jù)。步驟403 用戶信息生成代理接收歷史行為上下文生成父代理的控制消息，控制 消息傳遞的變量為用戶ID和服務(wù)使用總量。步驟404 用戶信息生成代理生成用戶的用戶信息，將生成的用戶信息存儲到用 戶信息表中，并發(fā)送控制消息給用戶設(shè)備生成代理。步驟405 使用用戶設(shè)備生成代理為每個用戶生成用戶設(shè)備，并發(fā)送控制消息給 時間生成代理。步驟406 使用時間生成代理，為每類服務(wù)生成用戶的時間上下文，使每一條記錄 對應(yīng)一個不同的時間，并發(fā)送控制消息給位置生成代理。步驟407 使用地點生成代理，為每類服務(wù)生成用戶的地點上下文，使每一條使用 記錄對應(yīng)一個用戶所在位置，并發(fā)送控制消息給用戶活動生成代理。步驟408 使用用戶活動生成代理，為每類服務(wù)生成用戶歷史行為的活動信息上 下文，使每一條使用記錄都對應(yīng)一種用戶狀態(tài)，并發(fā)送控制消息給服務(wù)量生成代理。步驟409 使用服務(wù)量分配代理，對每個用戶的用戶歷史行為服務(wù)量進行分配，讓 各種移動網(wǎng)絡(luò)服務(wù)的服務(wù)量分配到一個月的30天中的每一段時間內(nèi)，并將帶上下文的用 戶歷史行為存儲到用戶歷史行為上下文數(shù)據(jù)庫中。需要說明的是，每次分配一天/24小時 的服務(wù)量，然后發(fā)送控制消息到用戶設(shè)備生成代理，執(zhí)行該用戶的下一次服務(wù)量分配的循 環(huán)。步驟410 服務(wù)量分配代理發(fā)送控制消息到用戶設(shè)備生成代理。步驟411 時間生成代理檢測到該用戶一個月/30天的用戶行為分配完畢后，發(fā) 送控制消息給歷史行為上下文生成父代理，執(zhí)行下一個用戶的用戶歷史行為上下文數(shù)據(jù)生 成。此外，在用戶歷史行為上下文數(shù)據(jù)生成過程中，使用到多線程并發(fā)控制技術(shù)，每次 循環(huán)生成N(取5 10)個用戶的數(shù)據(jù)。圖5為本發(fā)明原型系統(tǒng)中基于上下文計算的個體用戶興趣度計算方法的流程示意圖，以用戶歷史行為上下文數(shù)據(jù)作為輸入，通過對上下文知識進行推理和利用貝葉斯理 論計算用戶歷史行為上下文，求解出用戶歷史行為發(fā)生時的各種上下文概率，最終輸出包 含上下文信息的個體用戶興趣度，如圖5所示，該過程包括步驟501 提取用戶歷史行為上下文計算模塊的案例數(shù)據(jù)信息；步驟502 讀取用戶歷史行為上下文數(shù)據(jù)庫，讀取已經(jīng)處理過的上下文信息；這里，所述上下文信息是從傳感器獲取的原始信息經(jīng)過領(lǐng)域本體的處理之后的上 下文信息，此時上下文信息已不再是原始的數(shù)字，而是一種語義信息；步驟503 根據(jù)所讀取的用戶歷史行為上下文信息查詢案例數(shù)據(jù)庫進行匹配，查 看案例是否已存在，如果案例存在，則執(zhí)行步驟504 ；否則，執(zhí)行步驟505 ；步驟504 對案例庫中的相應(yīng)案例進行修改，然后執(zhí)行步驟506 ；步驟505 創(chuàng)建一個新的案例，然后執(zhí)行步驟506 ；步驟506 將對案例所做的修改或新創(chuàng)建的案例存入案例數(shù)據(jù)庫中，然后執(zhí)行步 驟 507 ；步驟507:判斷是否上下文信息已經(jīng)讀取完畢，若未讀取完，則返回執(zhí)行步驟501 繼續(xù)讀取上下文信息，直至所述上下文信息讀取完畢，案例庫創(chuàng)建完畢；否則，執(zhí)行步驟 508 ；步驟508 結(jié)束案例提取流程開始上下文計算流程，執(zhí)行步驟509 ；步驟509 讀取案例庫中案例信息，通過計算得出貝葉斯網(wǎng)絡(luò)中的前提條件值，然 后執(zhí)行步驟510 ；步驟510 根據(jù)上一步驟已經(jīng)獲取的條件值，計算出分離的各子網(wǎng)的貝葉斯網(wǎng)絡(luò) 的值，即得出用戶的日常行為習(xí)慣，然后執(zhí)行步驟511;步驟511 將得出的各子網(wǎng)的值存入數(shù)據(jù)庫中；步驟512 根據(jù)各前提條件和各子網(wǎng)的值計算用戶的服務(wù)使用概率值；步驟513 使用聚類算法對用戶的服務(wù)使用概率值進行聚類分析，以將概率值劃 分為不同的等級，以提取個體用戶興趣度；步驟514 將所提取的個體用戶興趣度存入個體用戶興趣度數(shù)據(jù)庫；步驟515 結(jié)束計算過程。圖6為本發(fā)明原型系統(tǒng)中的融合協(xié)同過濾以及上下文計算的用戶偏好提取方法 流程示意圖，參照圖1所示的用戶偏好獲取模型可知，該方法是以用戶歷史行為及用戶歷 史行為上下文信息為輸入，利用基于聚類算法的協(xié)同過濾方法來計算用戶歷史行為，并提 取出群組用戶偏好；利用歷史上下文計算方法來計算用戶歷史行為上下文，并提取出個體 用戶興趣度；然后將基于協(xié)同過濾方法的群組用戶偏好和基于上下文計算的個體用戶興趣 度進行融合計算，從而預(yù)測和提取不同用戶在不同上下文環(huán)境下對不同移動網(wǎng)絡(luò)服務(wù)的偏 好，即個體用戶偏好信息。參考圖6，該方法包括如下步驟步驟601 獲取個體用戶興趣度和群體用戶偏好，遍歷每個用戶在每種上下文環(huán) 境下對每類服務(wù)的興趣度；步驟602 判斷用戶是否遍歷完，若未遍歷完，則執(zhí)行步驟603 ；否則，若執(zhí)行完，則 執(zhí)行步驟613 ；步驟603 判斷針對某個體用戶在某類服務(wù)的遍歷是否完成，若完成則返回步驟602 ；否則，執(zhí)行步驟604 ；步驟604;判斷針對所述個體用戶在某類服務(wù)下的上下文遍歷是否完成，若完成 則返回步驟603 ；則，執(zhí)行步驟605 ；步驟605 判斷所述個體用戶的興趣度是否為零，若是，則執(zhí)行步驟606 ；否則，執(zhí) 行步驟611 ；步驟606 遍歷該個體用戶所在群組的所有其他用戶在該種上下文環(huán)境下對該類 服務(wù)的興趣度，并獲取該用戶所在群組標識，然后執(zhí)行步驟607 ；步驟607 計算所述所有其他用戶在該種上下文環(huán)境下對該類服務(wù)的興趣度的平 均值；這里所述平均值為非零值的興趣度的平均值，即有效平均值；步驟608:判斷所述有效平均值是否為零，若是，則執(zhí)行步驟609;則，執(zhí)行步驟 610 ；步驟609 個體用戶偏好取值為該用戶所在群組對該類服務(wù)的偏好值，然后執(zhí)行 步驟612 ；步驟610 個體用戶偏好取值為有效平均值；然后執(zhí)行步驟612 ；步驟611 個體用戶偏好取值為該個體用戶的興趣度，然后執(zhí)行步驟612 ；步驟612 將個體用戶偏好存儲到相應(yīng)的數(shù)據(jù)庫中，然后返回執(zhí)行步驟604 ；步驟613 結(jié)束本次遍歷過程。以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。
權(quán)利要求
1.一種移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，其特征在于，所述獲取系統(tǒng)包括用戶歷史行 為及上下文生成子系統(tǒng)、數(shù)據(jù)存儲與管理子系統(tǒng)02)、數(shù)據(jù)挖掘子系統(tǒng)03)和用戶偏 好提取子系統(tǒng)04)；其中用戶歷史行為及上下文生成子系統(tǒng)(21)，用以完成移動用戶歷史行為及用戶歷史行為 上下文的數(shù)據(jù)生成；數(shù)據(jù)存儲與管理子系統(tǒng)(22)，用以完成用戶歷史行為數(shù)據(jù)、用戶歷史行為上下文信息、 用戶偏好信息的存儲和管理；數(shù)據(jù)挖掘子系統(tǒng)(23)，用以完成用戶聚類和用戶歷史行為上下文計算；用戶偏好提取子系統(tǒng)(M)，用于根據(jù)所述數(shù)據(jù)挖掘子系統(tǒng)03)的計算結(jié)果，提取群組 用戶偏好和個體用戶偏好信息，并輸出到所述數(shù)據(jù)存儲與管理子系統(tǒng)02)。
2.根據(jù)權(quán)利要求1所述的移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，其特征在于，所述獲取系 統(tǒng)進一步包括用戶偏好自適應(yīng)子系統(tǒng)05)，用以完成用戶偏好變化/沖突檢測、用戶偏好修正，并將 檢測結(jié)果或修正的結(jié)果保存在數(shù)據(jù)存儲與管理子系統(tǒng)02)中。
3.根據(jù)權(quán)利要求1所述的移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，其特征在于，所述用戶歷 史行為及上下文生成子系統(tǒng)進一步包括用戶歷史行為生成模塊(211)和用戶歷史行 為上下文生成模塊012)；其中，所述用戶歷史行為生成模塊011)，用于實現(xiàn)用戶歷史行為的數(shù)據(jù)生成功能，其輸出結(jié) 果為群組用戶偏好提取的數(shù)據(jù)源；所述用戶歷史行為上下文生成模塊012)，用于實現(xiàn)用戶歷史行為上下文的數(shù)據(jù)生成 功能，其輸出結(jié)果為用戶歷史行為上下文計算的數(shù)據(jù)源。
4.根據(jù)權(quán)利要求1所述的移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，其特征在于，所述數(shù)據(jù)挖 掘子系統(tǒng)(23)，進一步包括用戶聚類模塊(231)和用戶歷史行為上下文計算模塊032)；其 中，所述用戶聚類模塊031)，基于用戶對移動服務(wù)的使用量，通過運用聚類算法，將所有 用戶劃分到多個不同的聚類中，使得同一聚類中的用戶相似度較高，不同聚類中的用戶相 似度較低，聚類分析結(jié)束后，每個用戶擁有一個聚類號標記；所述用戶歷史行為上下文計算模塊032)，用于對用戶歷史行為上下文進行計算，以求 出個體用戶對某一方面上下文的興趣度。
5.根據(jù)權(quán)利要求1所述的移動網(wǎng)絡(luò)中用戶偏好的獲取系統(tǒng)，其特征在于，所述用戶偏 好提取子系統(tǒng)(M)，進一步包括群組用戶偏好提取模塊(Ml)和個體用戶偏好提取模塊 (242)；其中，所述群組用戶偏好提取模塊041)，用于對群組用戶聚類結(jié)果和群組用戶歷史行為進 行計算，輸出群組用戶偏好信息；所述個體用戶偏好提取模塊042)，用于對群組用戶偏好以及用戶歷史行為上下文計 算結(jié)果進行融合計算，輸出個體用戶偏好信息。
6.一種移動網(wǎng)絡(luò)中用戶偏好的獲取方法，其特征在于，該方法包括A、利用用戶歷史行為及上下文生成子系統(tǒng)生成用戶歷史行為數(shù)據(jù)與用戶歷史行 為上下文數(shù)據(jù)，并將所述數(shù)據(jù)保存在數(shù)據(jù)存儲與管理子系統(tǒng)0 中；B、由數(shù)據(jù)挖掘子系統(tǒng)03)從所述數(shù)據(jù)存儲與管理子系統(tǒng)02)中獲取用戶歷史行為及 其上下文數(shù)據(jù)，并分別進行用戶聚類和用戶行為歷史上下文計算；C、再由用戶偏好提取子系統(tǒng)04)根據(jù)用戶聚類結(jié)果提取群組用戶偏好，然后再將群 組用戶偏好與用戶歷史行為上下文計算結(jié)果進行融合計算，以提取個體用戶偏好，并將用 戶偏好信息存儲到所述數(shù)據(jù)存儲與管理子系統(tǒng)02)中。
7.根據(jù)權(quán)利要求6所述的移動網(wǎng)絡(luò)中用戶偏好的獲取方法，其特征在于，所述步驟C之 后進一步包括用戶偏好自適應(yīng)子系統(tǒng)05)根據(jù)用戶反饋，檢測用戶歷史行為及其上下文數(shù)據(jù)的變 化，或者檢測已提取用戶偏好與現(xiàn)實用戶需求的沖突，然后對已提取的用戶偏好進行自適 應(yīng)修正，并將經(jīng)過修正后的輸出結(jié)果通過移動網(wǎng)絡(luò)服務(wù)及其內(nèi)容呈現(xiàn)給用戶。
8.—種權(quán)利要求1所述移動網(wǎng)絡(luò)中基于上下文計算的個體用戶興趣度計算方法，其特 征在于，該方法包括A、提取用戶歷史行為上下文計算模塊的案例數(shù)據(jù)信息，讀取用戶歷史行為上下文數(shù)據(jù) 庫，讀取已經(jīng)處理過的上下文信息；B、根據(jù)所讀取的用戶歷史行為上下文信息查詢案例數(shù)據(jù)庫進行匹配，查看案例是否已 存在，如果案例存在，則執(zhí)行步驟C ；否則，執(zhí)行步驟D ；C、對案例庫中的相應(yīng)案例進行修改，然后執(zhí)行步驟E；D、將對案例所做的修改或新創(chuàng)建的案例存入案例數(shù)據(jù)庫中，然后執(zhí)行步驟E；E、判斷是否上下文信息已經(jīng)讀取完畢，若未讀取完，則返回執(zhí)行步驟A繼續(xù)讀取上下 文信息，直至所述上下文信息讀取完畢，案例庫創(chuàng)建完畢；否則，執(zhí)行步驟F ；F、結(jié)束案例提取流程，開始上下文計算流程，讀取案例庫中案例信息，通過計算得出貝 葉斯網(wǎng)絡(luò)中的前提條件值，并根據(jù)上一步驟已經(jīng)獲取的條件值，計算出分離的各子網(wǎng)的貝 葉斯網(wǎng)絡(luò)的值，得出用戶的日常行為習(xí)慣，然后將得出的各子網(wǎng)的值存入數(shù)據(jù)庫中；G、根據(jù)各前提條件和各子網(wǎng)的值計算用戶的服務(wù)使用概率值，使用聚類算法對用戶的 服務(wù)使用概率值進行聚類分析，以將概率值劃分為不同的等級，以提取個體用戶興趣度，并 將所提取的個體用戶興趣度存入個體用戶興趣度數(shù)據(jù)庫。
9.一種權(quán)利要求1所述移動網(wǎng)絡(luò)中融合協(xié)同過濾以及上下文計算的用戶偏好提取方 法，其特征在于，該方法包括a、獲取個體用戶興趣度和群體用戶偏好，遍歷每個用戶在每種上下文環(huán)境下對每類服 務(wù)的興趣度；b、判斷用戶是否遍歷完，若未遍歷完，則執(zhí)行步驟c；否則，結(jié)束本次遍歷過程；C、判斷針對某個體用戶在某類服務(wù)的遍歷是否完成，若完成則返回步驟b;否則，執(zhí)行 步驟d;d、判斷針對所述個體用戶在某類服務(wù)下的上下文遍歷是否完成，若完成則返回步驟c； 否則，執(zhí)行步驟e;e、判斷所述個體用戶的興趣度是否為零，若是，則執(zhí)行步驟f；否則，執(zhí)行步驟j ；f、遍歷該個體用戶所在群組的所有其他用戶在該種上下文環(huán)境下對該類服務(wù)的興趣 度，并獲取該用戶所在群組標識，然后執(zhí)行步驟g ；g、計算所述所有其他用戶在該種上下文環(huán)境下對該類服務(wù)的興趣度的有效平均值；h、判斷所述有效平均值是否為零，若是，則執(zhí)行步驟i；否則，執(zhí)行步驟j ；i、個體用戶偏好取值為該用戶所在群組對該類服務(wù)的偏好值，然后執(zhí)行步驟1； j、個體用戶偏好取值為有效平均值；然后執(zhí)行步驟1 ；k、個體用戶偏好取值為該個體用戶的興趣度，然后執(zhí)行步驟1 ； 1、將個體用戶偏好存儲到相應(yīng)的數(shù)據(jù)庫中，然后返回執(zhí)行步驟d。
全文摘要
本發(fā)明公開了一種移動網(wǎng)絡(luò)中用戶偏好的獲取方法及系統(tǒng)，通過建立一個基于上下文計算的用戶偏好獲取模型，將可利用的上下文信息分為當(dāng)前上下文和歷史上下文，并因之將上下文的計算分為當(dāng)前上下文感知計算和歷史上下文計算，然后以用戶歷史行為及其上下文作為主要的數(shù)據(jù)源，通過協(xié)同過濾和歷史上下文計算等方法逐步精確挖掘用戶偏好及其變化；然后根據(jù)所述用戶偏好獲取模型，結(jié)合移動網(wǎng)絡(luò)的實際情況，設(shè)計一個移動網(wǎng)絡(luò)中用戶偏好獲取系統(tǒng)，以檢驗所述用戶偏好提取模型對移動網(wǎng)絡(luò)實際場景中的擬合效果，從而驗證所述用戶偏好提取模型的有效性和先進性。最終實現(xiàn)從海量信息中提取出針對不同對象的群組用戶偏好和個體用戶偏好的目的。
文檔編號H04W4/00GK102075851SQ20091023850
公開日2011年5月25日 申請日期2009年11月20日 優(yōu)先權(quán)日2009年11月20日
發(fā)明者孟祥武, 張向陽, 張建成, 張玉潔, 王洪明, 王立才 申請人:北京郵電大學(xué)