基于上下文多维度的移动用户偏好动态分析方法

移动用户偏好的动态分析由于引入了上下文数据,使得原有的用户-项目二维矩阵将扩展为用户-项目-上下文的三维矩阵。根据多维矩阵中低秩分解理论,可以简化数据的分析,但是其移动用户偏好动态分析的自学习方法没有充分利用多维矩阵的低秩分解性质。针对此问题,提出了基于多维度上下文的张量低秩分解的自学习方法,此方法基于张量的平行因子分解性质,加快了算法的收敛速度,降低了数据分析的复杂度。仿真结果验证了算法在移动用户偏好估计精度方面的有效性。     

基于本体的元需求模型与元需求集研究*

针对大型信息系统需求的复杂性,从需求的元级概念出发,提出了元需求概念,分析定义了元需求的构成要素、要素间关系及特征;用模型的方法来表示元需求,构建元需求模型,并形式化地表示模型。引进本体概念,将元需求模型看做是一个本体,用本体网络语言表示元需求模型;借鉴本体构建方法,基于Protégé工具构建了元需求集。元需求模型及元需求集实现了需求获取与分析,为基于元需求的需求获取及分析提供基础。     

面向移动应用评分推荐的多任务图嵌入深度预测模型

随着智能终端设备以及移动应用软件的普及,用户对应用质量的要求和用户体验需要愈发凸显。移动应用的评分推荐作为一项有效的事前评估手段,逐渐得到市场关注。传统的应用评分推荐工作主要围绕解决数据稀疏和模型深度问题,未能对应用推荐本身的图结构、多任务形态进行准确表征。针对该问题,提出了一种面向移动应用评分推荐的图嵌入多任务模型AppGRec,利用归纳型二部图的嵌入结构对特征中的用户交互关系进行挖掘,并使用shared-bottom多任务模型捕获应用评分中的多任务特点,同时兼顾了数据稀疏和模型深度的影响。在Google Play上收集了16 031个有效的移动应用及其特征数据作为验证数据集,实验结果表明,AppGRec在MAE和RMSE上相比state-of-the-art模型分别提升了10.4%和10.9%。此外,对AppGRec超参和核心模块的影响做了具体分析,多角度验证其有效性。     

基于元路径的图Transformer神经网络

图神经网络作为一种新的深度学习模型,被广泛运用在图数据中,并极大地推动了推荐系统、社交网络、知识图谱等应用的发展.现有的异构图神经网络通常事先定义了多条元路径来学习异构图中的复合关系.然而,这些模型通常在特征聚合步骤中只考虑单条元路径,导致模型只关注了元路径的局部结构,忽略了元路径之间的全局相关性;还有一些模型则是忽略掉了元路径的中间节点和边信息,导致模型无法学习到元路径内部的语义信息.针对以上问题,本文提出一种基于元路径的图Transformer神经网络(MaGTNN).该模型首先将异构图采样为基于元路径的多关系子图,利用提出的位置编码和边编码的方法来获取元路径中的语义信息.随后使用改进的图Transformer层计算出目标节点与其元邻居的相似度,并利用该相似度来聚合其所有的元邻居信息.在3个公开数据集的节点分类和节点聚类任务中, MaGTNN均高于最新的基准模型.     

需求可拆分校车路径问题的元启发式算法

校车路径规划中,允许站点乘车需求拆分通常能有效地降低校车服务成本。将该问题定义为需求可拆分校车路径问题(SDSBRP)进行求解。由于校车服务中要顾及学生最大乘车时间,且优化目标要兼顾所需校车数量和校车行驶距离,经典SDVRP算法难以直接应用于SDSBRP。因此分析了该问题的解特征,首次构建双目标SDSBRP数学模型,并首次设计针对该问题的元启发式求解算法。该算法首先构造初始可行解,然后在模拟退火算法框架下,引入站点需求拆分的邻域搜索算子进行迭代搜索,逐步改善解的质量。邻域搜索中,设计了多目标问题的邻域接受准则来引导邻域解的搜索方向,并引入破坏重建机制来增加解的多样性。使用已有的测试案例集和改造的测试案例进行算法测试,实验结果表明所提算法收敛性好,能够显著降低校车服务成本。     

多维应用特征融合的用户偏好预测

近年来,随着智能手机的飞速发展,移动应用的数目也快速增长。因此,移动应用开发者会提前预测用户对于自己开发的应用的偏好情况。选取Android应用的被卸载次数与其被下载次数的比值作为用户偏好的隐式反映,用户对应用的评价(喜爱率)作为用户偏好的显式反映。基于国内某知名手机应用市场提供的2014年5月至9月的大规模真实用户使用数据,选取9 795个活跃用户数不少于50的Android手机应用作为研究对象,进行分析。从7个维度定义了可能影响用户对应用偏好的30种特征,并对每个应用进行特征提取。基于定义的特征,使用随机森林算法训练分类器,按照卸载/下载比率或喜爱率的高低对应用进行划分,并找出显著影响卸载/下载比率、喜爱率的特征。     

基于融合元路径权重的异质网络表征学习

针对基于单条元路径的异质网络表征缺失异质信息网络中结构信息及其它元路径语义信息的问题,本文提出了基于融合元路径权重的异质网络表征学习方法.该方法对异质信息网络中元路径集合进行权重学习,进而对基于不同元路径的低维表征进行加权融合,得到融合不同元路径语义信息的异质网络表征.实验结果表明,基于融合元路径权重的异质网络表征学习具有良好的表征学习能力,可有效应用于数据挖掘.     

基于百度地图移动应用的路径覆盖算法设计

本文涉及到百度地图移动应用开发的一个路径覆盖问题,首先经过对百度地图的经纬度坐标和平面坐标的比较,选择用平面坐标作为路径覆盖问题的中点的坐标的描述,接着对路径覆盖问题进行了详细分析,在分析基础上最终设计了路径覆盖算法,给出了平面坐标上一批点Qj（sj,tj）（j=1,2,…,m）到由Pi（xi,yi）（i=0,1,2,…,n）构建的路径P0P1…Pn的距离在覆盖范围D内的算法。     

基于大数据的用户学习偏好建模及应用

针对自主研发的"睿训课堂"移动学习教学软件中长期积累海量数据分析的需要,将学生学习兴趣分为短期学习兴趣和长期学习兴趣,提出一种基于"大数据"的学生学习偏好模型。并根据学生浏览行为和日志记录数据,挖掘学生短期学习兴趣。利用后台服务器数据库中的数据,对初始学生用户注册信息进行挖掘,提取出学生长期学习兴趣。实验结果表明,基于"大数据"的学生用户学习偏好模型方法是合理和有效的。     

移动用户需求获取技术及其应用

近年来,移动用户需求获取技术已成为移动个性化服务研究领域的热点之一.如何利用移动上下文信息进一步提高移动个性化服务的精确性和实时性,成为移动用户需求获取技术的主要任务.对移动用户需求获取技术研究进展进行综述,并对其关键技术、效用评价、应用实践进行前沿概括、比较和分析,最后,对移动用户需求获取技术有待深入的研究难点和发展趋势进行了展望.     

一种上下文移动用户偏好自适应学习方法

针对移动网络对个性化移动网络服务系统的性能提出了更高的要求,但现有研究难以自适应地修改上下文移动用户偏好以为移动用户提供实时、准确的个性化移动网络服务的问题,提出了一种上下文移动用户偏好自适应学习方法,在保证精确度的基础上缩短了学习的响应时间.首先,通过分析移动用户行为日志来判断移动用户行为是否受上下文影响,并在此基础上判断移动用户行为是否发生变化.然后,根据判断结果对上下文移动用户偏好进行修正.在对发生变化的上下文移动用户偏好进行学习时,将上下文引入到最小二乘支持向量机中,进一步提出了基于上下文最小二乘支持向量机(C-LSSVM)的上下文移动用户偏好学习方法.最后,实验结果表明,当综合考虑精确度和响应时间两方面因素时,所提出的方法优于其他学习方法,并且可应用于个性化移动网络服务系统中.     

移动用户界面概念模型到代码的转换方法研究

针对移动用户界面需在多种平台上重复开发的问题,借鉴模型驱动架构（Model Driven Architecture,MDA）思想,研究模型驱动的移动用户界面开发方法。用Mobile IFML（Interaction Flow Modeling Language）表示移动用户界面概念模型,即平台无关的移动用户界面模型。在此基础上,重点研究移动用户界面概念模型到特定平台用户界面代码的转换,定义了映射规则并设计了转换算法,最后基于Eclipse平台实现了一个支持代码生成的工具原型。用户借助该工具可方便地设计移动用户界面概念模型,随后概念模型可自动或半自动地转换为特定平台用户界面代码。     

一种基于用户偏好的协同过滤推荐算法

In this paper, a collaborative filtering recommendation algorithm based on user preference is proposed. First of all, the user similarity is calculated according to the length of the longest common subsequence of different user interest sequences and the num- ber of common subsequences, and then the similarity obtained by this algorithm is weighted and mixed with the similarity obtained by traditional collaborative filtering recommendation algorithm. Project recommendation is completed based on mixed similarity and the possible project score by target users is predicted. Finally, by comparing the average absolute error MAE values of three rec- ommendation algorithms in three data sets of Ciao, Flixster and MovieLens 100K, it is proved that the proposed user collaborative filtering recommendation algorithm (XQCF) has improved the accuracy of the recommendation system.     

一种基于传感器与用户行为数据分析的移动学习场景感知分类方法

随着智能手机和移动互联网的普及,使用智能移动终端进行学习的用户也逐渐增多,移动学习在数字教育领域占据着越来越重要的地位.移动学习的有效性体现在情境感知的能力,即能够感知不同学习情境并提供相应合理的学习内容.因而,移动学习中的情境感知技术已经成为一个研究热点.学习场景的感知是移动学习情境感知的重点,但是由于移动学习的动态性和复杂性,准确的场景感知具有一定的难度.基于实际的移动学习环境,提出了一种根据传感器与学习操作行为对学习场景进行感知分类的方法,处理并分析了由移动学习客户端采集到的传感器数据和学习操作行为日志数据,对比了以传感器数据特征值与学习操作行为特征值共同作为输入特征值的多种场景感知分类算法.结果表明：对比仅使用传感器数据作为分类算法输入特征值的结果,结合学习操作行为日志和传感器数据一起作为学习场景分类感知的依据,可以显著提高移动学习场景的感知分类效果.     

基于移动终端日志数据的人群特征可视化

随着我国移动互联网的迅猛发展,如何从海量移动终端日志数据中提取出有效信息,并进行合理、清晰的可视化分析,为工业界等提供有价值的统计分析功能显得尤为重要.目前,对于移动终端日志数据的研究和分析多是基于对单一属性的统计结果分析,如应用下载排行、用户留存率等.为了进一步挖掘移动终端日志数据背后深层次的隐含信息,更加准确地概括出移动终端用户的特征,提出了一种基于移动应用程序日志数据的人群特征分析与画像计算方法,构造了基于移动应用程序数据的主题模型,并将移动设备用户按照与不同应用主题的相关度进行聚类,得到了具有不同特征的人群,从而提出了基于层次气泡图和Voronoi Treemap的可视化展现与分析方案.进一步将人群特征与时间信息、地理位置信息相结合,从多角度可视化展现人群特征.最后,根据该研究内容,实现了B/S架构的日志数据可视化分析原型系统,并通过案例分析验证了该方法的有效性.     

一种用户故事需求质量提升方法

敏捷开发采用用户故事表达用户需求.一般采用格式受限的自然语言编写,但在用户故事编写过程中经常出现一些表述上的缺陷.典型的缺陷包括缺失必要信息、意思表达含糊不清、故事间有重复或存在冲突等.这很大程度上影响了需求的质量,影响软件开发项目的进行.提出一种用户故事需求质量提升方法.从故事缺陷定位的角度出发,该方法构建了用户故事概念模型,并根据实际案例总结并提出11条用户故事应遵循的质量准则.从而提出故事结构分析、句法模式分析以及语法分析等技术,用于自动构建带场景用户故事的实例层模型,并根据准则进行故事缺陷检测,进而提升用户故事质量.在包含36个用户故事84个场景的实际项目中进行实验,自动检测出173个缺陷,缺陷检测的准确率和召回率分别达到88.79%和95.06%.     

基于多维上下文感知图嵌入模型的兴趣点推荐

近些年来,兴趣点推荐系统已经逐渐成为移动推荐系统领域的研究热点之一.多种因素联合建模的方法逐渐深入,如时间、空间、序列、社会化和语义信息被引入统一模型,以建模多维情景下的用户偏好.其中,嵌入学习模型作为一种有效的多因素联合建模方法,在移动推荐领域有较好的性能.然而,多数嵌入学习的模型只是简单地将显式因素,如时间戳、项目、区域、序列等嵌入到相同的空间,由于缺乏对用户和项目的语义特征的深层次挖掘,在用户签到极端稀疏时,难以精准获取用户偏好.鉴于此,提出一种多维上下文感知的图嵌入模型——MCAGE.在MCAGE中,利用主题模型提取用户和项目间的潜在语义特征,并重新定义了一系列图的节点及关联规则,设计了更有效的用户偏好公式,以此提升刻画移动用户偏好的精准度.最后,通过在真实数据集上的实验分析,证明了该模型具有更好的推荐性能.     

移动终端设备的用户体验设计

移动互联网的飞速发展,催生了很多实用的、生动有趣的互联网应用。首先介绍了移动互联网以及即时通信软件的发展,然后讲解了用户体验设计的概念、发展历程及方法,提出了用户体验设计的关键技术。     

一种基于高阶混合投影估计的网络嵌入方法

特征提取对于网络分析任务而言是至关重要的,而网络嵌入学习的目的则是根据网络的结构和语义信息自动化构建节点或边的特征。现有的方法将网络嵌入分解为网络数据挖掘和数据降维两个独立的过程,因而无法很好地在潜在空间中对节点的分布进行建模描述。因此,提出了一种基于高阶混合投影估计的网络嵌入方法,该方法借鉴谱分解的思想,利用线性投影算子将网络从高维结构空间映射至低维特征空间,然后利用混合概率模型对节点的分布进行建模以维持网络的社区结构性质。此外,该方法还融入了局部节点相似性来防止发生过拟合现象。最后,为了验证该方法的有效性和鲁棒性,在四个真实的网络数据集之上和现有的网络嵌入算法进行了对比实验,在链路预测任务中,该方法分别将Micro-F1和Macro-F1指标的基准线平均提升了3.97%和2.23%,在节点分类任务中,该方法将AUC值的基准线平均提升了10.43%。