基于用户兴趣行为模型的个性化广告推荐研究

随着移动互联网和网络终端的快速发展,产品的营销方式发生了重大变化,在互联网上投放广告已成为商家的重要宣传和销售渠道。然而,在线广告能否进行准确推荐是困扰产品厂家和广告代理商的一个主要问题。文章通过分析在线广告的非结构化特征和搜索用户行为数据,提出一种基于用户兴趣行为模型的个性化广告推荐方法,该方法可以通过主题模型提取用户的兴趣偏好,并基于最近邻算法和用户行为生成广告推荐列表。实验结果表明,基于最近邻算法和用户行为的个性化广告推荐方法可以推荐个性化广告,并且比基于内容的推荐方法具有更好的性能。     

基于Spark的实时广告推荐系统研究

随着信息技术及智能移动设备的发展和普及，广告的推送方式和投放平台呈现多样化。传统电商推荐系统的运行速度较慢，无法根据根据用户的实际需求进行推荐。实时广告推荐系统作为应对这些挑战的有效手段，成为个性化服务领域的研究热点之一。文章重点分析了基于Spark的实时广告推荐系统，以期为相关研究提供借鉴。     

移动情景和用户轨迹感知的众包服务推荐

随着移动互联网的快速发展和智能终端设备的迅速普及,服务类型与服务内容的日新月异,为移动用户带来严重的移动信息过载问题,如何为用户提供更好的服务推荐是亟待解决的难题。提出了一个移动情景和用户轨迹感知的众包服务推荐策略,首先对历史日志中的位置坐标通过聚类算法聚合成区域,然后挖掘出用户在不同移动情景下的轨迹模式,进而提取出移动规则并判断每条规则所属的情景;在进行众包服务推荐时,通过实时感知到的位置轨迹和移动情景信息,预测用户即将到达的位置区域,从而将区域内的众包服务推送给该用户。提出的预测方法避免了额外增加用户执行任务的时间、行程、费用等成本,给用户推荐更适合的任务,提高用户服务满意度。     

基于WLAN移动定位的个性化商品信息推荐平台

随着WLAN在室内环境的日益普及,基于现代的移动设备可以方便实时地获取各种有价值的WLAN数据,这对我们识别个体日常生活中的多样化行为提供了前所未有的机会。近年来,用户的兴趣点与行为模式挖掘等领域日益引起各界的广泛关注,设计了一套基于室内定位的推荐系统,基于用户的历史访问记录,实现从过载的信息中识别出用户感兴趣的内容。现有的位置服务通常只针对用户的室外位置数据,缺乏对室内数据的挖掘分析,忽略了室内位置数据中蕴含的大量语义信息。利用室内定位技术获取用户在商场中的活动轨迹,根据用户去过的店铺和浏览过的商品等历史信息,估算用户的兴趣爱好并进而向用户个性化地推荐感兴趣的商品,基于以上思路设计实现了一套基于室内定位和微信平台的个性化商品推荐系统。     

一种基于动态概率的定位管理策略

提出了基于动态概率的定位管理方法, 能够适用于多种移动模式.该方法包括在不同情况下分别使用基于方向和基于距离的位置更新策略以及一种动态的基于用户定位概率和方向概率的终端寻呼策略.给出了根据移动单元居住位置的概率和移动单元运动的方向概率来决定更新方法和寻呼策略的分析模型.通过位置更新和终端寻呼的代价可决定位置更新和终端寻呼的总的平均代价.实验证明动态的基于用户定位概率的终端寻呼策略的寻呼代价远小于ring-by-ring的终端寻呼代价.     

支持多维标签云的移动餐厅推荐系统仿真研究

实现了一个可提供基于位置的移动餐厅推荐及导航服务的系统。结合最新的Web2.0应用数据,实现了多模式的餐厅信息推送服务,包括基于模糊条件约束的查询机制,基于位置的地图浏览模式和基于三维标签云的协同信息共享机制,为用户提供实时的基于位置的餐厅个性推荐及导航。同时,针对移动手机屏幕较小,显示内容受限的问题,研究并提出了一个“面向移动终端的多维标签云可视化方法”,并实现了一种标签云关联分析和聚类算法,实现了基于用户偏好的快速导航。     

移动商务推荐系统中的一种基于P2P的隐私保护策略

近年来,移动推荐系统已成为推荐系统研究领域最活跃的课题之一。但由于移动终端的私人性和移动网络的复杂性,在保证高精度推荐的同时如何保护用户隐私已经成为移动商务发展的主要挑战。传统推荐系统中的隐私保护技术由于移动终端的计算能力差、无线网络的带宽弱等局限无法适用于移动商务推荐系统。针对以上问题,面向移动商务推荐提出一种基于P2P的隐私保护策略,通过构建P2P好友圈,采用基于k-匿名的代理转发的增量数据更新方式,实现不对增量数据进行任何修改以保证高精度推荐,同时保护用户隐私安全。最后通过实验验证了基于P2P的隐私保护策略的可行性和推荐服务的有效性。     

个性化广告推荐系统及其应用研究

近年来,随着互联网及智能移动设备的发展和普及,丰富了广告的推送方式和投放平台.但是传统的广告推送无法满足用户对个性化广告的需求,导致用户对广告产生抵触情绪,给广告推送带来极大的挑战.个性化广告推荐系统作为应对这些挑战的有效手段,成为个性化服务领域的研究热点之一.个性化广告推荐系统获取用户兴趣偏好,利用多种个性化广告推荐...     

Html5互动广告在移动终端的用户体验探究

伴随着移动互联网的兴起,广告业为了适应新的媒体环境与市场环境,诞生了众多新型的广告形态,如手机App中的LBS广告(Location Based Service,基于位置的服务)、HTML5广告等。移动端HTML5广告凭借其精美的设计风格、有趣的交互性以及良好的体验性迅速成长与发展,吸引了越来越多的品牌用它进行数字化营销。文章结合实际案例来探究新型互动HTML5广告中的交互设计形式及广告中的用户体验。     

融合多模传感器的室内实时高精度轨迹生成

提出了一种融合多模传感器的室内实时高精度轨迹生成方法,亦即将室内Wi-Fi定位与传感器定位结合起来,生成用户在室内移动的实时轨迹。首先由Wi-Fi定位出用户的初始位置,然后结合Wi-Fi定位的结果以及多个传感器的数据,得到用户的运动速度以及方向,通过航迹推算算法得到用户下一时刻的位置,最后对得出的位置坐标进行卡尔曼滤波处理,得到用户的位置坐标,最终生成用户移动的实时轨迹。实验结果表明,该方法可以得到比Wi-Fi定位更为平滑稠密的移动轨迹,且精确度 比其他同类方法更高。     

手机广告推荐中的用户兴趣建模研究*

为了增强基于WAP网页的手机广告推荐中用户建模的准确性,并对"非邀"式广告推荐中脱离用户兴趣试探性推荐进行修正,针对手机广告推荐中手机屏幕小、用户注意力集中等特点,根据用户对广告的访问历史和操作模式建立其广告兴趣模型和非兴趣模型,同时分析用户网页访问模式探测其网页兴趣度,在此基础上建立用户综合兴趣模型。分别采用基于网页兴趣模型、基于广告兴趣模型和基于用户综合兴趣模型进行广告推荐,随着样本空间增大,综合兴趣模型的查准率明显优于另两者。实验验证了用户综合兴趣模型在手机广告推荐中的有效性和优越性。     

基于情境感知的餐饮O2O推荐系统研究

餐饮O2O推荐具有情境敏感性,而普适计算和移动互联网的发展为更全面、更实时的情境信息的获取提供了基础,也使得对情境与推荐对象进行知识表示和推理成为提高推荐质量的关键。充分考虑移动商务活动中情境对用户需求的影响,设计了基于情境感知的领域本体模型结构并研究模型的实例化,通过规则推理实现餐饮O2O推荐。在此基础上,提出基于关联分析的情境规则生成方法,根据用户的历史行为挖掘情境与推荐对象的通用关联模式。并通过基于内容推荐的用户兴趣模型与菜品特征模型来表示个人对菜品的特殊兴趣偏好,构建了基于情境和基于内容相融合的混合推荐系统。实验结果表明,该方法有效解决了基于内容推荐的用户冷启动问题,并可以提高餐饮O2O推荐的准确性。     

基于轨迹相似度的伴随人员推荐

移动网络和智能终端的发展使得基于优质用户的伴随人员的推荐成为互联网发展的热点之一,而伴随人员的推荐算法则是至关重要的因素.针对以往基于地理位置的用户轨迹性相似推荐算法中需基于地理位置或基站数据,且数据稀疏时推荐结果不理想的问题,提出了基于IP场所的轨迹余弦相似度的伴随人员推荐,以更完善的IP场所数据代替地理位置数据,以一段时间的纵向日期和横向时刻分别计算余弦相似度以消除数据稀疏性问题.最后推荐出了相似度质量更高的伴随人员.     

MQTT协议在移动互联网即时通信中的应用

移动互联网下的即时通信应用现今已经成为人们日常沟通必不可少的工具,然而作为其开发基础的即时通信协议却始终没有一个统一的标准,已有的即时通信协议都不能够很好的适应移动互联网网络环境不稳定,低带宽高延迟,设备计算能力差等特点. MQTT协议作为一种基于发布/订阅模型的轻量级消息传输协议,在移动平台具有节省流量和能耗,可扩展性强的优点.本文首先介绍了当前一些主流的即时通信协议,指出了它们在移动互联网环境下存在哪些缺陷;之后研究了MQTT协议的消息格式与使用方式,并与已有的即时通信协议进行了对比;最后基于MQTT协议,对即时通信应用的两项核心功能IM和Presence进行了设计和实现,并经过测试表明使用MQTT协议能够在移动互联网环境下提供比传统即时通信协议更少的带宽耗费和更良好的用户体验.     

Semantic trajectory-based high utility item recommendation system

The topic on recommendation systems for mobile users has attracted a lot of attentions in recent years. However, most of the existing recommendation techniques were developed based only on geographic features of mobile users’ trajectories. In this paper, we propose a novel approach for recommending items for mobile users based on both the geographic and semantic features of users’ trajectories. The core idea of our recommendation system is based on a novel cluster-based location prediction strategy, namely TrajUtiRec, to improve items recommendation model. Our proposed cluster-based location prediction strategy evaluates the next location of a mobile user based on the frequent behaviors of similar users in the same cluster determined by analyzing users’ common behaviors in semantic trajectories. For each location, high utility itemset mining algorithm is performed for discovering high utility itemset. Accordingly, we can recommend the high utility itemset which is related to the location the user might visit. Through a comprehensive evaluation by experiments, our proposal is shown to deliver excellent performance.     

用户关系和上下文感知的下一个兴趣点推荐

随着移动设备和社交软件的普遍应用,下一个兴趣点推荐（next POI recommendation）变成了基于位置的社交网络（LBSN）的一个非常重要的任务。现实生活中用户访问的下一个兴趣点通常受到用户签到序列信息、用户关系和该地点的上下文信息等诸多方面的影响。基于循环神经网络（RNN）的方法已经被广泛的应用到下一个兴趣点推荐中,但是这些基于RNN的方法缺乏对用户关系进行深入建模。为了解决上述问题,提出了一种整合用户关系和门控循环单元（GRU）进行下一个兴趣点推荐的模型（GRU-R）,同时该模型能够考虑用户签到序列信息、用户关系、兴趣点的时空信息和类别信息等进行下一个兴趣点推荐。在两个真实公开的数据集上进行实验,结果表明提出的模型比现有主流的下一个兴趣点推荐算法具有更高的推荐准确性。     

Android用户隐私保护系统

随着移动互联网的快速发展,手机作为移动互联的重要终端其所受的安全威胁已不亚于传统PC。文章针对目前手机用户的隐私信息(如通讯信息、短信息、通话记录、相册、文件等)泄露这一用户最为关心的问题,在目前主流的手机操作系统Android OS下设计并实现一个用户隐私保护系统。其主要研究和解决Android系统下的恶意进程识别和隐私数据加密两个问题,通过设计黑白名单授权访问隐私数据和实时监控每个进程以及用AES、MD5等算法加密隐私数据,从而达到保护用户隐私的目的。     

一种基于语义的标签推荐系统框架

随着Internet和WEB2.0应用的快速发展,推荐系统成为了互联网重要的技术之一。传统的标签推荐系统较好的解决了经典的冷启动问题,但存在不能准确理解用户喜好的缺点。本文针对此系统作出了一些改进,提出了基于语义的标签推荐系统框架。     

Personalized News Recommendation: A Review and an Experimental Investigation

Online news articles,as a new format of press releases,have sprung up on the Internet.With its convenience and recency,more and more people prefer to read news online instead of reading the paper-format press releases.However,a gigantic amount of news events might be released at a rate of hundreds,even thousands per hour.A challenging problem is how to efficiently select specific news articles from a large corpus of newly-published press releases to recommend to individual readers,where the selected news items should match the reader’s reading preference as much as possible.This issue refers to personalized news recommendation.Recently,personalized news recommendation has become a promising research direction as the Internet provides fast access to real-time information from multiple sources around the world.Existing personalized news recommendation systems strive to adapt their services to individual users by virtue of both user and news content information.A variety of techniques have been proposed to tackle personalized news recommendation,including content-based,collaborative filtering systems and hybrid versions of these two.In this paper,we provide a comprehensive investigation of existing personalized news recommenders.We discuss several essential issues underlying the problem of personalized news recommendation,and explore possible solutions for performance improvement.Further,we provide an empirical study on a collection of news articles obtained from various news websites,and evaluate the effect of different factors for personalized news recommendation.We hope our discussion and exploration would provide insights for researchers who are interested in personalized news recommendation.     

基于印象空间的互联网广告效果评价

互联网广告效果评价是网络营销的核心问题,评价方法存在信息源单一、无差别假、全局假设等问题,对互联网广告效果评价提出了巨大挑战。寻找一种全新的衡量互联网广告效果的评价指标成为亟待解决的任务。首先,创新地提出印象空间概念,作为更有效的网页广告效果评价指标,以解决信息源单一问题;其次,分析用户类型、行为方式、行为过程等特征对互联网广告效果评价标准的影响,消除用户无差异假设所造成的评价偏差;再次,引入网页的局部性特征,分析页面布局、广告与页面内容相关性等因素对互联网广告效果的影响,以消除全局性假设;最后,构建基于多模态特征的印象空间模型来预测互联网广告效果。实验结果表明,提出的印象空间对互联网广告质量评价的准确率显著提升,达到92.4％。而且印象空间模型的预测结果不仅更加准确科学,而且具有明显的可解释性。