面向个性化推荐的情境感知关键技术研究
文献类型：学位论文
| 作者 | 叶剑 |
| 答辩日期 | 2010-06-03 |
| 文献子类 | 博士 |
| 授予单位 | 中国科学院研究生院 |
| 授予地点 | 北京 |
| 导师 | 李锦涛 研究员 |
| 关键词 | 普适计算 情境感知 个性化推荐 模糊推理 协同过滤技术 流形学习 |
| 学位专业 | 其它专业 |
| 英文摘要 | 随着计算技术和通信技术的不断发展，用户对信息的需求呈现出多元化和个性化的趋势，个性化推荐技术迎合了计算模式发展的需要，得到了蓬勃发展。同时，计算模式从传统的以计算设备为中心的模式转向以人为中心的普适计算模式。在普适计算环境中，用户的个性化需求与服务场景特征绑定，呈现较强的动态性，因此要求个性化推荐决策中内嵌情境知识，以满足环境中用户的服务访问需求。普适计算环境是典型的异构分布式环境，因此要求面向个性化推荐的情境感知技术需要适配这一环境特征，为用户偏好计算提供有力的支撑。 本文面向普适计算环境中的个性化推荐的需求，针对动态的情境组织和分布式的情境推理技术开展研究。在此基础上，分析场景特征对个性化推荐决策的影响，研究情境场景特征分析技术，设计并实现基于情境场景特征的协同过滤算法。本文主要取得如下研究成果： （1） 提出了一种面向对等计算的情境共享模型 针对普适计算环境的异构、分布式、动态的系统特点，以及支持透明计算的系统需求，本文提出了一种面向对等计算的情境共享模型（Peer-to-Peer Context Sharing Model，PCSM）。在PCSM 模型研究中，定义分布式情境资源模型作为理论基础，通过建立自组织的情境共享模型定义和情境共享协议，适配情境感知平台的系统动态性和共享要求。PCSM 模型引入服务角色定义，建立单一系统映像的情境空间，支持透明计算的情境组织结构。本文通过实验，验证了面向对等计算的情境共享模型的有效性和系统特点。 （2）提出了一种分布式模糊推理Petri 网模型 本文提出一种新颖的面向分布式推理的模糊Petri 网模型— — dFRPN（Distributed Fuzzy Reasoning Petri Net），用于形式化规约普适计算环境中的分布式推理机制。dFRPN 为一层次模型，通过层次表征推理任务在推理服务器和分布式计算节点上的推理任务划分，反映了情境感知中模糊推理的分布式本质特征。本文在dFRPN 模型中引入与负载度相关的模型因子，对分布式推理中的推理任务提交和迁移进行了有效的规约。以此为基础，本文研究、设计并实现了逆向推理树生成算法和正向推理算法。仿真实验结果表明，dFRPN 模型对分布式推理机制的规约是有效的；另一方面，通过与经典的模糊推理Petri 网模型的对比试验，证明dFRPN 模型规约的分布式推理机制能够有效降低系统负载，是一种高效的分布式推理模型。 （3）提出了一种基于流形学习的场景特征分析算法 在普适计算环境的个性化推荐系统中，多维用户偏好计算需要内嵌情境知识。针对这一需求，本文提出一种基于流形学习的场景特征分析算法，求解高维的情境空间在低维特征空间的流形嵌入。该算法将利用流形学习的降维能力，提取表征场景特征的低维特征向量；设计基于情境感知的协同过滤算法，求解用户在特定场景特征中的偏好，实现基于情境感知的个性化推荐所需的决策知识基础。本文以会议室设备控制数据集为基础，对基于场景特征的协同过滤算法和贝叶斯网络方法进行了比较，目标设备控制决策结果表明基于场景特征的协同过滤算法能取得了更优的效果。 总之，本文通过分析基于情境感知的个性化推荐的系统特点，在情境感知平台的数据共享模型、分布式推理机制的形式化规约、情境场景特征分析技术以及多维用户偏好求解方面展开研究，有效地解决了面向普适计算环境中个性化推荐的情境感知技术的相关问题。 |
| 学科主题 | 计算机应用 |
| 语种 | 中文 |
| 公开日期 | 2010-07-19 |
| 分类号 | TP3 |
| 源URL | [http://ictir.ict.ac.cn/handle/311040/497]  |
| 专题 | 中国科学院计算技术研究所学位论文_2010博士 |
| 推荐引用方式 GB/T 7714 | 叶剑. 面向个性化推荐的情境感知关键技术研究[D]. 北京. 中国科学院研究生院. 2010. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。