用戶對移動網絡服務偏好學習技術綜述

孟祥武，史艷翠，王立才，張玉潔

（1.北京郵電大學 智能通信軟件與多媒體北京市重點實驗室；2.北京郵電大學 計算機學院，北京 100876）

1 引言

隨著“三網融合”和物聯網技術與應用的飛速發展，移動通信網絡在與傳統互聯網逐漸融合的過程中，對傳統互聯網信息服務進行了延伸，可以為移動用戶提供比傳統通信業務更加豐富多彩的移動網絡服務。與此同時，由于智能移動設備、傳感器和射頻識別的日益普及，信息資源的獲取和推送可以發生在“任何時間、任何地點、以任何方式”，為移動用戶提供無處不在的移動網絡服務已經成為可能[1]。然而，隨著移動網絡服務的日益涌現及其廣泛應用，移動網絡服務類型和信息內容的增長將逐漸超出人們所能接受的范圍，加之移動設備的界面顯示、終端處理、輸入輸出等能力有限，將導致嚴重的“移動信息過載”問題[2]，為移動用戶帶來極為沉重的信息負擔，移動網絡服務及其運營資源利用率也將受到嚴重影響。

現在與未來通信服務研究的目標是面向復雜、融合、協作的網絡環境和泛在的移動網絡服務提供環境，不斷發現和滿足移動網絡用戶的個性化需求及其變化，為其提供實時、準確的個性化服務[3]。用戶偏好是提供個性化服務的關鍵所在，為了確保最終提供的移動網絡服務能真正滿足移動用戶的需求，獲取實時準確的移動用戶偏好已成為移動網絡服務研究領域的關鍵問題之一。

目前，國內外尚未有詳細而全面介紹移動用戶偏好學習技術研究成果和發展趨勢的綜述論文。鑒于移動用戶偏好學習技術的重要學術研究意義和實用價值，筆者通過跟蹤研究，總結現階段該領域的研究成果、存在的問題，并對發展趨勢進行展望。

一個完整的移動用戶偏好學習過程包括數據收集、移動用戶偏好表示、移動用戶偏好學習以及移動用戶偏好評價4部分，因此本文安排如下:第1節主要介紹移動用戶偏好的背景和意義；第2節介紹移動用戶偏好學習所需數據以及現有獲取移動數據集的方法；第3節介紹移動用戶偏好的表示方法；第4節介紹移動用戶偏好的學習方法，包括獲取技術以及自適應更新方法；第5節介紹移動用戶偏好的評價方法；第6節對移動網絡服務中用戶偏好學習技術研究領域有待深入研究的難點和發展趨勢進行展望；第7節為結束語。這樣的劃分可以使相關研究人員明確自己的研究是處于移動用戶偏好學習的哪個過程。其中，移動用戶偏好表示、移動用戶偏好學習和移動用戶偏好評價是通過閱讀文獻，總結現有的常用方法。

2 移動網絡服務中移動用戶偏好學習的相關數據

隨著3G網絡的普及以及智能移動手機功能的不斷完善，移動用戶不僅可以通過語音、短信、飛信等方式進行通信，而且手機還提供了拍攝、視頻錄制、音樂播放、網頁瀏覽、下載應用軟件、GPS(global position system)定位等功能[1,4]。因此，可以根據用戶自身信息、用戶使用的移動網絡服務(包括使用次數和頻率)以及相應的上下文信息，例如時間、地點、周圍人員等[4～6]學習移動用戶偏好。

2.1 移動用戶偏好相關數據采集

1) 移動用戶信息

移動用戶的人口統計學數據(如年齡、職業、收入、性別等)是學習移動網絡服務中移動用戶偏好的主要數據來源之一[7～9]。這些信息通常由移動用戶入網注冊時填寫，也可以根據一些機器學習或者數據挖掘技術推理獲取(如可以在移動用戶授權許可范圍內根據身份證信息獲取其籍貫信息、通過移動用戶購買行為預測其收入信息、通過移動社交化網絡挖掘移動用戶的工作/教育背景等)。它們從概貌層面對移動用戶進行刻畫，相比傳統互聯網用戶信息來講，具有明確的移動用戶標識，更加真實可靠。此外，還可以通過某些方式獲取移動用戶的其他信息，這對于特定的移動網絡服務來說是十分重要的，例如通過GPS或基站定位系統獲取移動用戶的地理位置信息或者移動用戶軌跡，有利于為移動用戶提供基于位置的服務，也有利于各種移動網絡服務提供商提供地理信息系統方面的服務[10～12]。

2) 移動用戶使用移動網絡服務的行為信息

移動用戶使用的移動網絡服務包括2部分:基本業務和增值服務[13]。基本業務主要是指通過語音方式進行的交互行為。移動網絡中用戶的聯系人一般是家人、朋友、同學、同事等。通過用戶的通話行為以及時間和位置上下文信息可以推導出移動用戶之間的社會關系[14～16]。分析通信行為構建的移動社會化網絡，對學習移動用戶偏好、提供移動社交化網絡類服務來講十分重要。文獻[17]通過分析移動電話數據獲取移動用戶之間關系的動態變化。移動用戶使用增值服務的行為主要是指短信、彩信、彩鈴、在線瀏覽、下載游戲、電子書/音樂/電影等多媒體信息、應用軟件以及收發郵件等[5,13]。這些行為信息主要通過移動用戶行為日志直接或者間接獲取，并利用移動用戶行為挖掘方法來處理。

3) 移動上下文信息及上下文用戶行為信息

與傳統互聯網相比，移動網絡服務中用戶偏好受周圍上下文因素的影響更明顯。例如，有些用戶在工作時間喜歡使用語音方式進行通信，在公共場所喜歡用文本方式進行通信，如郵件、短信等[5]；有些用戶喜歡在乘坐地鐵時通過移動終端瀏覽網頁、看電子書、聽音樂、看電影、玩游戲，有些用戶喜歡在晚上使用移動微博服務等。移動網絡中涉及的上下文包括時間、位置、周圍人員、社會關系以及用戶情緒[5,18～22]等信息，這些信息可以通過傳感器或者安裝在移動終端上的軟件直接或者間接推理獲取。由于移動網絡中用戶行為很大程度上受上下文影響，記錄上下文相關的移動用戶行為對移動用戶偏好的學習十分重要。

2.2 移動網絡服務中典型數據集

目前包含用戶使用移動網絡服務以及相應上下文的公開數據集比較少，因此可以采用以下3種數據集學習移動用戶偏好。

1) 真實移動數據集

目前，真實的移動數據集主要是通過志愿者或者移動運營商獲取[2,5,14～17]，但這些數據集出于對用戶隱私的保護公開的比較少。MIT Reality Mining[14]數據集是目前公開的包含上下文信息和用戶使用移動網絡服務行為的一個數據集。該數據集是麻省理工學院多媒體實驗室在 2004年收集的用于社會感知計算的數據集，包括94個用戶從2004年9月到2005年6月共9個月的通信行為、周圍人員信息、位置信息、手機狀態、用戶使用的服務以及相應的時間信息。但該數據集只有 94個移動用戶的行為信息，而且移動用戶被局限在特定區域，因此研究的結果不具有普遍性。Nokia研究中心[15]對MIT數據集進行了擴展，增加了志愿者的人數以及使用時間，但該數據集考慮到用戶隱私問題目前還沒有公開。SUMATRA數據集[23]主要用于研究移動用戶行為軌跡和用戶社區挖掘計算，包含180多萬條移動用戶的通話行為和位置信息。目前，由于成本問題對于小型實驗室來說，采集豐富的包含上下文信息關聯移動用戶行為的數據集仍然比較困難。

2) 半模擬移動數據集

上述真實數據集是針對特定的用戶偏好學習采集的，所采集的數據量比較少或者不全面。當通過這些數據集學習移動用戶偏好時，只能得到用戶對部分通信服務或者增值服務的偏好。一個比較常見的數據集構建方法是:在原有真實數據集基礎上，按照預先設定的合理規則增加移動用戶數量、使用通信服務、增值服務等的行為信息[24～26]。例如，可以對MIT數據集進行擴展，通過分析MIT數據以及調研學習的合理規則可以將 MIT數據集擴展為包括幾百甚至幾千個移動用戶行為的數據集。

3) 仿真移動數據集

仿真移動數據集主要是根據調研得到的各種規則以及實驗需要仿真生成的數據[6,27～29]。文獻[27]中通過仿真數據獲取移動用戶偏好，并將其應用在移動服務選擇機制中。仿真數據集的優點是可以針對具體問題生成需要的數據集，與獲取真實的數據集相比，仿真數據集操作簡單、獲取成本低。但仿真數據集對移動用戶的分布以及使用行為是按照設定的規則產生的，因此存在局限性[30]。但目前由于公開數據集比較少，在參考已公開的數據集以及相關調查研究的基礎上生成仿真數據集是小型實驗室進行研究的一種可行方法。

3 移動網絡服務中移動用戶偏好表示方法

與傳統互聯網相比，在移動網絡中移動用戶偏好學習將面臨動態多樣的移動網絡環境和泛在的移動網絡服務提供環境，而且受上下文因素的影響更加明顯。為了提高移動用戶偏好獲取的準確性，文獻[31]將上下文引入到用戶偏好建模中，文獻[30]對上下文感知推薦系統進行了綜述性分析，其中涉及上下文用戶偏好提取、基于上下文感知的移動網絡服務推薦等。將上下文信息引入移動用戶偏好學習后，其表示方法需要進行相應的擴展以適應移動網絡對移動用戶偏好學習的要求。通過閱讀文獻總結，本文主要介紹常用的幾種表示方法。

3.1 基于向量空間模型的表示方法

向量空間模型(VSM, vector space model)是常用的移動用戶偏好表示方法。該方法將移動用戶偏好表示為n維特征向量{(t1,w1),(t2,w2),…,(tn,wn)}，向量的每一維由一個關鍵詞及其權重組成，權重表示移動用戶對某個移動網絡服務感興趣的程度。當移動用戶偏好不受上下文影響時，可以直接采用該方法進行表示。文獻[32]通過向量空間模型表示短消息，并將其應用在短信檢索中。當移動用戶偏好受上下文影響時，需要從影響移動用戶偏好的各種關聯因素角度出發對表示方法進行擴展，構建一個包含用戶、移動網絡服務、上下文信息、用戶偏好信息的多元組[5,6,10,18]。

基于向量空間模型的表示方法具有直觀、簡單、擴展性良好，能反映不同概念在用戶偏好中的重要程度，便于展開數學計算的優點，可應用在支持向量機[33]、貝葉斯分類[20]方法中。但這種表示方法較少考慮影響用戶偏好獲取的各種因素之間存在的層次關系，在應用時可能出現偏差。

3.2 基于評分矩陣的表示方法

用戶—項目評分矩陣是一個二維矩陣，矩陣中的元素表示用戶對給定項目的量化偏好/評分。當移動用戶偏好不受上下文影響時，可以直接采用用戶—項目評分矩陣進行表示[2,25]。當移動用戶偏好受上下文影響時，矩陣需要擴展為用戶—項目—上下文多維度評分矩陣[27]。

該表示方法簡單易懂，主要應用在協同過濾計算方法中。缺點是當引入上下文后，矩陣由原來的二維矩陣擴展為多維矩陣，加劇了矩陣的稀疏性，降低了移動用戶偏好獲取的精確度。所以采用該表示方法獲取移動用戶偏好時，需要解決數據的稀疏性問題。文獻[27]通過引入移動用戶之間的信任度來緩解矩陣的稀疏性問題。

3.3 基于神經網絡的表示方法

基于神經網絡的表示方法用網絡狀態表示用戶偏好。網絡狀態由網絡輸入狀態、網絡輸出狀態以及輸入與輸出之間的連接狀態組成。當移動用戶偏好不受上下文影響時，可以直接用該方法表示；當移動用戶偏好受上下文影響時，需要對輸入狀態進行擴展[12,19,34]。文獻[34]中通過將上下文信息添加到輸入向量對原有表示方法進行擴展。

然而，基于神經網絡的表示方法依賴于用戶偏好學習過程中所采用的神經網絡類別和算法，其適用范圍較窄且表示不易被理解。

3.4 基于本體的表示方法

本體由實體、屬性、關系和公理組成，可以表示豐富的概念和實體之間的關系，可以在特定域內對數據信息進行一致性理解。研究人員考慮到本體在概念、領域知識表示方面的諸多優點，通過建立本體域，以期比較豐富、完整地表示移動用戶偏好，并進一步精確地獲取移動用戶偏好[35]。上下文是在對數據信息一致理解的基礎上，考慮不同使用者、不同應用場景所導致的對數據及其數值上的理解差異，文獻[36]將本體和上下文進行集成化，并應用在決策信息系統中。文獻[37]將上下文引入到本體中來表示移動用戶偏好，并應用在移動網絡服務選擇中。

引入本體來表示用戶偏好的最大好處在于能夠實現知識的重用和共享。但是這種表示方法的缺點是:本體的構建成本太高。本體的設計在很大程度上依賴于研究人員的知識和經驗，特別是當定義域很大時，本體設計的有效性更加難以保證。

4 移動網絡服務中移動用戶偏好學習技術

4.1 常用的移動用戶偏好獲取技術

1) 基于貝葉斯分類器的移動用戶偏好獲取技術

貝葉斯分類器是一種用于分類的概率方法。該方法首先計算用戶對給定項目屬于某個類的概率，然后根據概率將項目進行分類。其優點是需要較小的內存空間，響應時間比較短。當移動用戶偏好不受上下文影響時可以直接采用基于貝葉斯分類器的用戶偏好獲取技術得到移動用戶偏好；當移動用戶偏好受上下文影響時，需要對其進行改進。文獻[20]在判定移動用戶偏好類別時，將上下文作為一個條件添加到條件概率計算中，以提高移動用戶偏好獲取的精確度。文獻[38]將上下文、服務內容和用戶偏好作為顯著變量引入到貝葉斯網絡模型構建中。

2) 基于神經網絡的移動用戶偏好獲取技術

神經網絡具有自學習和自適應能力，能夠通過調整權值適應環境的變化。當移動用戶偏好不受上下文影響時，可以直接采用該技術獲取移動用戶偏好；當移動用戶偏好受上下文影響時，需要對輸入向量進行擴展[12,19,34]。文獻[12]將時間、位置等上下文信息引入到人工神經網絡的輸入向量中。文獻[19]將設備信息、用戶信息和服務信息作為神經網絡的輸入信息。

3) 基于關聯規則的移動用戶偏好獲取技術

關聯規則通過在數據集中找出具有用戶給定的最小支持度和最小置信度的項目來產生關聯規則。由于移動終端輸入能力的限制，移動用戶反饋的信息比較少，鑒于關聯規則方法在獲取和推理項目關聯性方面的優勢，有些研究人員將其引入移動用戶偏好獲取過程以獲取一些新穎性的用戶偏好。Apriori算法是一種經典的關聯規則方法。文獻[13]通過 Apriori算法挖掘移動網絡中增值業務之間的關聯性以獲取移動用戶對移動增值業務的偏好。當移動用戶偏好受上下文影響時，需要對關聯規則進行擴展。文獻[28]采用Apriori算法挖掘在上下文約束下移動用戶偏好之間的關聯性，在挖掘關聯規則時把相應的上下文看作頻繁項來處理。

4) 基于決策樹的移動用戶偏好獲取技術

決策樹是以實例為基礎的歸納學習算法，其優點是建模速度快。文獻[39]中為了降低移動用戶的流失，通過C5.0決策樹算法挖掘移動用戶對通信服務的偏好信息。當移動用戶偏好受上下影響時，需要將上下文添加到決策樹中。由于移動網絡服務對上下文比較敏感，而上下文類型和屬性之間的關系可以利用層次化樹來表示，使得決策樹模型較適合用于與上下文相關的移動用戶偏好獲取中。文獻[11]中采用決策樹算法獲取移動用戶對多媒體信息的偏好，在構建決策樹時，將上下文信息當作屬性作為樹的節點，在進行分類時，從根節點比較相應的上下文以及移動用戶偏好的其他屬性。

5) 基于支持向量機的移動用戶偏好獲取技術

支持向量機(SVM, support vector machine)可以解決小樣本、非線性和高維度等問題，在分類方面可以獲得比較好的精確度。文獻[33]提出了上下文支持向量機(C-SVM)，通過將上下文信息添加到支持向量的特征向量中來實現對支持向量機的擴展。但支持向量機的訓練時間比較長，因此Suykens等[40]人修改了SVM的損失函數和約束條件，使訓練轉換為線性問題，由此構建的最小二乘支持向量機(LSSVM, least squares support vector machine)不僅保持了標準SVM的泛化能力，而且可直接用于多分類問題。借鑒文獻[33]的方法，文獻[41]對LSSVM進行了擴展，將上下文添加到LSSVM中。目前，在移動網絡中基于上下文最小二乘支持向量機(C-LSSVM)的移動用戶偏好獲取技術的研究比較少，鑒于其在分類精確度和響應時間方面的優勢，在今后的研究中，可以嘗試通過C-LSSVM技術來獲取移動用戶偏好。

6) 基于本體的移動用戶偏好獲取技術

除了在概念表示方面的優點，本體還具有很強的推理計算能力，并被廣泛應用于移動用戶偏好獲取中。在移動網絡服務環境下，大多數移動用戶偏好獲取技術沒有考慮移動用戶歷史行為的語義信息，為了解決這個問題，研究人員對基于本體的移動用戶偏好獲取技術進行了廣泛研究[35～37]。與傳統互聯網相比，為了精確地定位移動用戶偏好，移動網絡中在構建本體庫時，除了服務本體庫、用戶本體庫外，還增加了上下文本體庫。其中用戶、服務以及上下文之間的聯系通過推導規則產生。文獻[37]提出了一個基于本體的框架用來發現大多數與用戶偏好以及設備能力相關的服務，文中采用了W3C發布的本體，其豐富的數據信息可以完成個性化移動服務的發現以及自適應學習等。

4.2 移動用戶偏好自適應學習技術

在移動網絡中，由于移動用戶和移動網絡服務數量比較大，因此采用4.1節提出的技術重新獲取移動用戶偏好的響應時間會隨時間的遷移，越來越大。借鑒文獻[42]中的方法，可以將移動用戶行為數據存儲在不同的數據庫中，在修正時只需對臨時移動用戶行為數據庫中的移動用戶偏好進行學習。移動用戶偏好自適應學習技術主要包括顯性自適應學習技術和隱性自適應學習技術2種。

4.2.1 移動用戶偏好的顯性自適應學習

顯性自適應學習根據移動用戶的顯性反饋信息更新移動用戶偏好，例如移動用戶對移動網絡服務的評分[2,26,28,43,44]。但在移動網絡中，由于移動終端輸入能力的限制，顯性的反饋信息比較少，因此更新后得到的移動用戶偏好的準確性比較低。

4.2.2 移動用戶偏好的隱性自適應學習

隱性自適應學習通過機器學習對移動用戶的行為(使用服務時長、頻率、上下文等)進行學習來更新移動用戶偏好[26,45]。隨時間遷移，移動用戶偏好只有部分發生變化，因此在學習時只需對發生變化的移動用戶偏好進行學習。為了獲取實時、精確、無沖突的移動用戶偏好，需要解決3個方面的問題。

1) 檢測移動用戶行為的變化

在移動網絡中，由于移動用戶偏好受上下文影響比較明顯，因此，在判斷移動用戶行為是否發生變化時，首先需要確定移動用戶偏好受哪些上下文影響。文獻[46]根據上下文約束下用戶使用服務的波動率來確定用戶行為受哪些上下文影響。在確定了上下文信息后，可以根據移動用戶對服務使用的相對變化量來判斷移動用戶對該服務的偏好是否發生變化。

2) 修正上下文約束下的移動用戶偏好

當移動用戶偏好發生變化時，需要對其進行修正。當對移動用戶偏好進行修正時，可以根據 4.1節中介紹的偏好獲取技術對發生變化的移動用戶偏好進行重新學習

3) 解決上下文移動用戶偏好沖突

修正后的移動用戶偏好可能與原有移動用戶偏好發生沖突，為了解決沖突問題，可以借鑒文獻[43]的方法，為每個移動用戶偏好設置一個可信度，當移動用戶偏好不發生變化時，置信度增加，否則減小。當置信度為0時，將相應的移動用戶偏好刪除；對于新學習得到的移動用戶偏好賦予默認的初始值。當新學習得到的移動用戶偏好和原有移動用戶偏好發生沖突時，比較其可信度，選擇其中可信度最大的偏好作為移動用戶偏好。

4.3 移動用戶偏好的應用

根據本節中提到的移動用戶偏好學習技術，移動用戶偏好學習能夠回答類似于下面的問題，例如:1)根據用戶的通話習慣，可以獲取移動用戶對移動套餐的偏好；2)根據用戶當前的位置信息，可以預測移動用戶當前需要的移動網絡服務[2,10]；3)根據與用戶使用網絡服務相似的其他用戶（即近似鄰居）的偏好，可以預測移動用戶對未使用過的移動網絡服務的偏好[10,25,26]；4)根據移動用戶的軌跡以及移動用戶使用移動網絡服務的歷史行為，可以預測出用戶在下一時刻可能使用的移動網絡服務[47,48]；5)根據用戶的好友關系和位置信息，可以挖掘用戶想知道附近有哪些好友的偏好[49,50]；6)根據用戶使用移動手機的行為，可以獲取移動用戶對移動終端軟硬件的偏好，例如拍照、聽音樂、看電子書、鬧鐘等[5]。

5 移動用戶偏好的評價指標

為了確保移動用戶偏好的準確性，需要對學習得到的移動用戶偏好進行評價，目前通過實驗的方法，根據平均絕對誤差(MAE, mean absolute error)、準確率、召回率、F指標等來評價學習得到的移動用戶偏好。

1) 平均絕對誤差

MAE是評價學習得到的移動用戶偏好的常用指標，用來度量學習得到的移動用戶偏好值與實際的移動用戶偏好值的平均絕對誤差[24,27,51,52]，其計算公式如下:

其中，ui表示實際的移動用戶偏好值，表示學習得到的移動用戶偏好值。

2) 準確率和召回率

準確率和召回率是評價信息獲取系統常用的評價指標[6,22,25,52]。準確率的計算公式可表示為

其中，N1表示學習得到的移動用戶偏好正確的數量，N2表示學習得到的移動用戶偏好的總量。召回率表示學習得到的移動用戶偏好正確的數量與系統中實際的移動用戶偏好的數量的比值，計算公式為

其中，N3表示系統中實際的移動用戶偏好的數量。

3) F指標

由于召回率經常和準確率一起使用，為了能同時準確觀察召回率和準確率，Pazzani M[43]等提出了F指標，其計算公式為

文獻[25,52]中使用F指標來評價獲取的移動用戶偏好，由于F指標將準確率和召回率綜合考慮，因此能更好地衡量系統的性能。

4) 響應時間

本文的響應時間不包括收集數據、數據傳輸、移動用戶偏好傳輸等所花費的時間。這里的響應時間主要是指學習移動用戶偏好所花費的時間。由于移動網絡的特點，需要及時地為移動用戶提供滿足其個性化需求的移動網絡服務[10,13,22,28,31,32]。例如，當移動用戶在電影院附近時，移動用戶想知道新上映的電影信息，如果移動用戶沒有及時收到信息，則可能選擇其他娛樂活動，這對服務提供商來說是不利的。因此需要移動用戶偏好學習的響應時間要比較小。

5) 其他評價指標

上述的評價方法主要是通過客觀的計算對學習得到的移動用戶偏好的準確度進行評價。但一個好的移動用戶偏好學習技術不僅要有較高的準確度，還需要好的移動用戶滿意度。用戶對系統的滿意度不僅表現在系統獲取的偏好信息準確度高，還表現在新鮮性、意外性、多樣性、用戶對系統的信任度等方面[52]。為了提高移動用戶對偏好學習系統的信任度，可以給出獲取偏好的方法或原因。Amazon在向用戶推薦書籍時會給出為什么推薦這本書，例如用戶買過同一個作者的書，用戶的好友買過這本書等。移動用戶偏好學習系統在給出移動用戶偏好時也需要給出相應的理由。但關于信任度、新鮮性以及意外性的研究比較少，沒有定量的計算標準。目前，移動用戶滿意度主要通過用戶對偏好學習系統的顯性評分得到。

文獻[35]中將客觀評價與主觀評價結合起來使用。文獻[10]則通過志愿者的主觀評價來判斷系統提供的服務是否滿足移動用戶的需求，測試時要求移動用戶對學習得到的每項移動用戶偏好進行滿意度評價，通過最終的滿意度來判斷系統是否能很好地滿足移動用戶需求。

6 移動網絡服務中移動用戶偏好學習技術研究發展的難點與熱點

目前，移動用戶偏好學習技術已經在學術界得到了廣泛的研究。隨著 3G、4G的普及以及移動終端設備的改進，移動用戶可以更方便地獲取各種信息，因此移動網絡服務中的移動用戶偏好學習顯得越來越重要。盡管已經存在很多學習移動用戶偏好的技術，但移動用戶偏好學習仍有一些值得研究和探討的領域，歸納起來大概有以下幾個研究難點。

1) 數據集的獲取。目前公開的數據集比較少，研究人員使用的真實數據集是志愿者或移動運營商提供的。通過志愿者獲取數據集的成本比較大，例如智能手機的成本。移動運營商一般只給與其合作的實驗室提供數據集。因此希望本領域的研究人員能夠公開已獲取的數據集以便為更多的研究人員提供研究的依據。

2) 移動用戶偏好學習的形式化分析和驗證。目前關于移動用戶偏好學習的合理性主要是通過實驗方法進行驗證的。偏好獲取技術受參數、閾值、數據集等的影響，而實驗時參數、閾值的選擇方法主要根據經驗值、多次實驗等方法選取，因此得出的實驗結果的說服力比較弱。為了提高移動用戶偏好學習技術合理性驗證的說服力，需要對選取的用戶偏好獲取技術、相關參數、閾值給出合理的形式化分析。移動用戶偏好獲取技術的合理性主要包括時間復雜度和準確性分析；參數、閾值的合理性分析主要是指給出選擇參數或閾值時所遵循的定理、準則或實際需要。

3) 隱私與安全問題。隱私問題一直是用戶最敏感的話題。現有的方法是通過分析移動用戶行為來學習移動用戶偏好，在學習的過程中可能涉及移動用戶自身的信息，例如移動用戶的年齡、性別、周圍人員以及活動等。研究如何精確學習移動用戶偏好的同時又能對移動用戶信息進行保密也是進一步研究的方向。

研究熱點歸納起來有以下幾個。

1) 適合移動網絡的移動用戶偏好獲取技術。目前關于移動用戶偏好獲取技術的方法主要是一些分類算法，這些方法在互聯網中可以獲取令人滿意的結果。但由于移動網絡的實時性以及移動終端輸入輸出能力有限，對用戶偏好獲取技術提出了更高的要求，因此需要對原有方法進行改進或尋找更適合移動網絡需要的移動用戶偏好獲取技術。

2) 對學習得到的移動用戶偏好的評價。現在對學習得到的移動用戶偏好的評價主要是針對其獲取的準確性進行評價。為了真正滿足移動用戶的需求，還可以考慮根據移動用戶的滿意度、移動用戶偏好的新鮮性、覆蓋率、多樣性、意外性等更多的角度去評價學習得到的移動用戶偏好。

3) 更細致地挖掘上下文之間的關聯。移動用戶周圍的物理上下文、社會上下文之間有著密切的關系，現有的移動用戶偏好獲取技術將各種上下文假設為獨立或者簡化了上下文之間的關系。如何更精確地確定各上下文之間的關系也是進一步研究的方向。

7 結束語

移動網絡以及移動終端軟硬件的發展，可以使移動用戶更便捷地訪問信息，使用移動網絡服務。但同時也為移動用戶偏好學習帶來了新的挑戰。本文將移動用戶偏好學習技術的研究進展和趨勢進行歸納、總結和預測，并介紹給信息科學工作者，希望促進此領域及其相關研究在我國的發展。

[1]KWOK R.Phoning in data[J].Nature, 2009, 458(7241):959-961.

[2]CHIU P H, KAO G Y M, LO C C.Personalized blog content recommender system for mobile phone users[J].Int’l Journal of Human-Computer Studies, 2010, 68(8):496-507.

[3]TUZHILIN A.Personalization:the State of the Art and Future Directions[M].Business Computing, Handbooks in Information System,2009.3-44.

[4]杜一, 田豐, 戴國忠等.一種移動環境下的用戶模型[J].軟件學報,2011, 22(2):120-128.DU Y, TIAN F, DAI G Z, et al.A user model based on mobile environment[J].Journal of Software, 22(2):120-128.

[5]DO T M T, DANIEL G P.By their apps you shall understand them:mining large-scale patterns of mobile phone usage[A].Proc of the 13th Int’l Conf on multimodal interfaces[C].Alicante, Spain, 2011.353-360.

[6]JEMBERE E, ADIGUN M O, XULU S S.Mining context-based user preferences for m-Services applications[A].Proc of the IEEE/WIC/ACM International Conference on Web Intelligence[C].Silicon Valley,USA, 2007.57-763.

[7]SHINTARO O.Exploring gender effects in a mobile advertising context:on the evaluation of trust, attitudes, and recall[J].Sex Roles, 2007,57:897-908.

[8]GOKUL C, JAN B, DANIEL G P.Mining large scale smartphone data for personality studies[J].Personal and Ubiquitous Computing, 2011.1-18.

[9]BRDAR S, ?ULIBRK D, CRNOJEVI? V.Demographic attributes prediction on the real-world mobile data[A].The Workshop on Mobile Data Challenge 2012 (by Nokia)[C].Newcastle, UK, 2012.

[10]LI X Y, MI Z C, ZHAN Z M.A location-aware recommender system for mobile shopping environments[A].Proc of the 2nd Int’l Conf on Information Science and Engineering (ICISE)[C].Hangzhou, China,2010.1709-1711.

[11]CHEN N, CHEN A.Integrating context-aware computing in decision support system[J].Lecture Notes in Engineering and Computer Sci-ence, 2010, 2180(1):359-364.

[12]QUSAY H M, EYHAB A M, WANG Z X.Design and implementation of a smart system for personalization and accurate selection of mobile services[J].Requirements Engineering, 2007, 12(4):221-230.

[13]YAO X L, SHU H Y.Study on value-added service in mobile telecom based on association rules[A].Proc of the 10th Int’l Conf on Software Engineering, Artificial Intelligences, Networking and Parallel/ Distributed Computing[C].Dezhou, China, 2009.116-119.

[14]EAGLE N, PENTLAND A, LAZER D.Inferring social network structure using mobile phone data[J].Proc of the National Academy of Sciences (PNAS), 2009, 106(36):15274-15278.

[15]NIKO K, JAN B, OLIVIER D.Towards rich mobile phone datasets:lausanne data collection campaign[A].Proc of the ACM Int Conf on Pervasive Services (ICPS)[C].Berlin, Germany, 2010.

[16]SHI Y C, MENG X W, ZHANG Y J.A trust calculating algorithm based on mobile phone data[A].Proc of the IEEE Global Telecommunications Conference, (GLOBECOM)[C].California, USA, 2012.2036-2041.

[17]CESAR A H, SICKERT C R.The dynamics of a mobile phone network[J].Physica A:Statistical Mechanics and Its Applications, 2008,387(12):3017-3024.

[18]王立才,孟祥武,張玉潔.移動網絡服務中基于認知心理學的用戶偏好提取方法[J].電子學報, 2011, 39(11):2548-2553.WANG L C, MENG X W, ZHANG Y J.A cognitive psychology-based approach to user preferences elicitation for mobile network services[J].Acta Electronica Sinica, 2011, 39(11):2548-2553.

[19]EYHAB A M, QUSAY H M.A context-aware service discovery and selection mechanism using artificial neural networks[J].Int’l Journal of Intelligent Systems Technologies and Applications, 2009, 6(1):144-156.

[20]TOON D P, TOM D, LUC M.Extending the bayesian classifier to a context-aware recommender system for mobile devices[A].Proc of the 20105th International Conference on Internet and Web Applications and Services [C].Barcelona, 2010.242-247.

[21]MALLIKHARJUNA R N, NAIDU P M M, SEETHARAM P.An intelligent location management approaches in GSM mobile network[J].International Journal of Advanced Research in Artificial Intelligence, 2012, 1(1):30-37.

[22]YAN T X, CHU D, GANESAN D.Fast App launching for mobile devices using predictive user context[A].Proc of the 10th international conference on MobiSys[C].Lake District, UK, 2012.113-126.

[23]LAM D, COX D C, WIDOM J.Teletraffic modeling for personal communications services[J].IEEE Communications Magazine, 1997,53(2):79-87.

[24]KARATZOGLOU A, AMATRIAIN X, BALTRUNAS L.Multiverse recommendation:N-dimensional tensor factorization for contextaware collaborative filtering[A].Proc of the Recsys[C].Barcelona,Spain,2010.79-86.

[25]SU J, YEH H, YU P.Music recommendation using content and context information mining[J].IEEE Intelligent Systems, 2010, 25(1):16-26.

[26]LINAS B.Context-Aware Collaborative Filtering Recommender Systems[D].Italy:Free University of Bozen, 2011.

[27]王玉祥,喬秀全,李曉峰.上下文感知移動社交網絡服務選擇機制研究[J].計算機學報,2010, 33(11):2126-2135.WANG Y X, QIAO X Q, LI X F.Research on context awareness mobile SNS service selection mechanism[J].Chinese Journal of Computers, 2010, 33(11):2126-2135.

[28]HONG J Y, SUH E H, KIM J Y.Context-aware system for proactive personalized service based on context history[J].ACM:Expert Systems with Applications, 2009, 36(4):7448-7457.

[29]KUO M H, CHEN L C, LIANG C W.Building and evaluating a location-based service recommendation system with a preference adjustment mechanism[J].Expert Systems with Applications, 2009, 36(2):3543-3554.

[30]王立才,孟祥武,張玉潔.上下文感知推薦系統研究[J].軟件學報,2012, 23(1):1-20.WANG L C, MENG X W, ZHANG Y J.Context-aware recommender systems:a survey of the state-of-the-art and possible extensions[J].Chinese Journal of Software, 2012, 23(1):1-20.

[31]STEFANIDIS K, PITOURA E, VASSILIADIS P.Adding context to preferences[A].Proc of the IEEE 23rd Int’l Conf on Data Engineering[C].Istanbul, Turkey, 2007.846-855.

[32]WU W, JU Y C, LI X.Paraphrase detection on SMS messages in automobiles[A].Proc of the IEEE International Conference on Acoustics Speech and Signal Processing (ICASSP)[C].Dallas, TX, 2010.5326-5329.

[33]KENTA O, SHINSUKE N, JUN M.Context-aware SVM for context-dependent information recommendation[A].Proc of the Int’l Conf on Mobile Data Management[C].Nara, Japan, 2006.109-112.

[34]GUI F, MALEK A, NAPHTALI R.A contextualized and personalized approach for mobile search[A].Proc of the 2009 International Conference on Advanced Information Networking and Applications Workshops[C].Bradford, 2009.966-971.

[35]GOENKA K, ARPINAR I B, NURAL M.Mobile web search personalization using ontological user profile[A].Proc of the 48th Annual Southeast Regional Conference[C].Oxford:MS, USA, 2010.1-6.

[36]劉棟,孟祥武,陳俊亮.上下文感知系統中的規則生成與匹配算法[J].軟件學報, 2009, 20(10):2655-2666.LIU D, MENG X W, CHEN J L.Algorithms for rule generation and matchmaking in context-aware system[J].Journal of Software, 2009,20(10):2655-2666.

[37]NIAZI R, QUSAY H M.An ontology-based framework for discovering mobile services[A].Proc of the 7th Annual Research Conf on Communication Networks and Services, CNSR'09[C].Moncton, NB,Canada, 2009.178-184.

[38]XU J J, LIAO S Y, LI Q D.Combining empirical experimentation and modeling techniques:a design research approach for personalized mobile advertising applications[J].Decision Support Systems, 2007,44(3):710-724.

[39]INDRANIL B, CHEN X.Hybrid models using unsupervised clustering for prediction of customer churn[J].Journal of Organizational Computing and Electronic Commerce, 2009, 19(2):133-151.

[40]SUYKENS J A K, VANDEWALLE J.Least squares support vector machine classifiers[J].Neural Processing Letters,1999.293-300.

[41]史艷翠,孟祥武,張玉潔等.一種上下文移動用戶偏好自適應學習方法[J].軟件學報,2012,23(11):2533-2549.SHI Y C, MENG X W, ZHANG Y J.Adaptive learning approach of contextual mobile user preferences[J].Journal of Software, 2012,23(10):2533-2549.

[42]SARAH M, ELIZA P, NICK T.Adapting pervasive environments through machine learning and dynamic personalization[A].Proc of the International Symposium on Parallel and Distributed Processing with Applications[C].Sydney, NSW, 2008.395-402.

[43]PAZZANI M, BILLSUS D.Learning and revising user profiles:the identification of interesting web sites[J].Machine Learning, 1997, 27:313-331.

[44]OURDIA B, LYNDA T L, MOHAND B.Dynamically personalizing search results for mobile users[J].Lecture Notes in Computer Science,2009, (5822):99-110.

[45]SARAH M, ELIZABETH P, NICK T.Implicit adaptation of user preferences in pervasive systems[A].2009 Fourth International Conference on Systems[C].Gosier, Guadeloupe, 2009.56-62.

[46]WANG L C, MENG X W, ZHANG Y J.New approaches to mood-based hybrid collaborative filtering[A].ACM CAMRa’10[C].Barcelona, Spain, 2010.28-33.

[47]WANG J J, BHASKAR P.Periodicity based next place prediction[A].The Workshop on Mobile Data Challenge (by Nokia)[C].Newcastle,UK, 2012.

[48]GAO H J, TANG J L, LIU H.Mobile location prediction in spatio-temporal context[A].The Workshop on Mobile Data Challenge (by Nokia)[C].Newcastle, UK, 2012.

[49]SYMEONIDIS P, PAPADIMITRIOU A, MANOLOPOULOS Y.Geo-social recommendations based on incremental tensor reduction and local path traversal[A].Proc of the 3rd ACM SIGSPATIAL International Workshop on Location-Based Social Networks[C].Chicago,Illinois, USA, 2011.89-96.

[50]XU B, CHIN A, WANG H.Using physical context in a mobile social networking application for improving friend recommendations[A].IEEE Int’l Conf on Internet of Things, and Cyber, Physical and Social Computing[C].Dalian, China, 2011.602-609.

[51]SHI Y C, MENG X W, WANG L C.A heuristic approach to identifying the specific household member for a given rating[A].ACM CAMRa’11[C].Chicago, Illinois, USA, 2011.47-52.

[52]劉建國,周濤,郭強.個性化推薦系統評價方法綜述[J].復雜系統與復雜性科學,2009, 6(3):1-9.LIU J Q, ZHOU T, GUO Q.Overview of the evaluated algorithms for the personal recommendation systems[J].Complex Systems and Complexity Science, 2009, 6(3):1-9.