移動社交網絡情境化推薦關鍵問題研究綜述

劉海鷗，黃文娜，張源強，蘇妍嫄

1(燕山大學 經濟管理學院，河北 秦皇島 066004) 2(東營區人力資源和社會保障局，山東 東營 257000)

E-mail:3672402@qq.com

1 引 言

移動互聯時代海量數據的規模化、隱性知識的價值性以及數據分析的高效性顯著提高了大數據價值的外顯性和應用性，大數據挖掘已成為信息服務范式發展的重要內容.大數據是數據維數和數據量大到傳統的數據處理方法難以對其進行有效處理、挖掘的數據集合，其中的移動社交網絡大數據是隨著微博、微信、簽到、網絡社區、LBS等社會網絡的普及而產生的多源異質、動態異構的海量信息[1].傳統的個性化服務模式很難適應目前動態、異構的移動社交網絡推薦研究，也無法滿足用戶情境感知的個性化需求，亟需提出深度挖掘移動用戶情境屬性的特征提取方法，構建融合多源異構情境特性的移動社交網絡推薦模型.總體而言，移動社交網絡推薦服務面臨如下幾方面挑戰.

首先，移動社交網絡大數據的處理存在較大的困難.移動終端具有較高的移動性和靈活性，推薦系統需要實時處理用戶頻繁交互而產生的大規模異構情境信息，這勢必會增加推薦系統算法計算的復雜度，而傳統的數據處理方法無法對移動社交網絡異構大數據進行有效地挖掘，亟需開發新的數據處理模型算法.其次，情境特征提取技術制約了移動社交網絡用戶行為模式的深入挖掘.當前的情境特征提取與情境挖掘方法尚未達到理想的準確率要求，特別是在移動環境下，移動社交網絡信息交互方式多樣，用戶的信息引用、轉發導致語義分析更為困難.而當前技術難以對移動社交網絡異構大數據進行情境特征提取和挖掘，應通過提取用戶的情境特征來深入挖掘其行為模式，基于情境關聯分析發現與用戶當前情境語義最為關聯的個性化服務資源.最后，移動社交網絡大數據的多源、海量、異構特性使得傳統的個性化推薦模型不再適用.當前個性化推薦研究大多針對傳統集中式、依靠Web支撐的社交網絡，隨著移動互聯網絡的飛速發展，社交網絡與無線移動通訊技術相融合的各種平臺不斷涌現，移動社交網絡消解了空間距離和個性化服務的時滯性，讓用戶隨時隨地、隨心所欲進行溝通交流；移動社交網絡的定位、信源確認等服務，增加了在線社交網絡平臺的可信度；借助移動互聯網的上下文識別、情境信息挖掘感知、終端個性化等特點，用戶個性化需求、興趣探索等逐漸成為移動社交網絡發展新的風向標，最終實現信息的個性化表達和商業價值.

通過上述分析可以發現，傳統的數據處理方法在面對移動社交網絡異構大數據時已力不從心，亟需開發新的數據模型算法，以精確抽取移動社交網絡用戶歷史行為、情境特征、社會化關系等價值數據.特別是移動互聯新生態的到來，使得人們已不再滿足于單純的社交活動.如何在移動社交網絡推薦系統中引入大數據多源異構情境信息參量，根據用戶的興趣和偏好自主地發現相關度較高的社會化信任關系，據此提供情境特征挖掘與信任關系融合的移動社交網絡個性化推薦服務，具有重要的理論意義與現實價值.

2 移動社交網絡情境化推薦的大數據處理問題

移動社交網絡情境化推薦是系統融合移動社交用戶的個人興趣以及情境信息，將其加工為能夠生動描述用戶情境偏好的知識元，并應用于移動社交網絡的個性化推薦服務領域，以此為用戶提供與其情境需求最為匹配的服務資源.需要指出的是，隨著用戶數量的增多，推薦算法的計算量成線性加大，其性能也越來越差，加之響應速度、海量數據的并行處理與計算成本問題也難以解決，極大限制了個性化推薦在移動社交網絡大數據環境中的使用.目前，大數據處理的策略包括數據分治、增量學習、并行挖掘等.本文將從上述幾方面詳細闡述移動社交網絡情境化推薦的大數據處理相關進展.

2.1 移動社交網絡大數據的分治

數據分治是近年來大數據處理經常采用的一種策略，具體是將規模較大、難以處理的數據集分割為幾個規模較小、相似的問題，然后采取各個擊破的方式分而治之.如文獻[2]基于分治的思想，通過將復雜的CNF表示問題劃分為多個子問題來進行求解，從而在很大程度上降低了原先計算的復雜度.文獻[3]在研究中通過數據分治方法提出了一種并行的雙向圖匹配算法，最后以較小的計算代價獲得了更高的圖匹配精度.文獻[4]提出基于分治策略的視頻內容情感提取框架，實驗證明，該框架模型能夠更為準確地反映用戶情感內容，有利于提取用戶的情感特征和個性化偏好.文獻[5]探討了并行支持向量機以及機器學習的大數據分治策略，證實了分治在大數據處理于挖掘方面的有效性.此外，文獻[6]針對數據分治難以確定大數據置信區間的問題進行了研究，分析了數據分治邊界的確定問題，從而在保持數據分布的前提下給出理想的數據分治邊界確定策略，并就大數據分治后的輸出誤差進行了討論.文獻[7]為解決大規模數據集最小代價屬性選擇方法存在的效率問題，提出了基于誤差數據的最小代價屬性選擇分治算法，將數據集拆分為獨立的子數據集，將計算效率提高了30%.文獻[8]提出一種基于分治策略的多姿態人臉識別框架，并在CMUPIE和FERET人臉庫中驗證了該框架對姿態變化的有效性.文獻[9]重點研究了數據分治中的劃分方法，提出了近似解代價模型，減少了分布式節點之間的數據通信和同步開銷.

通過上述分析可以看出，數據分治思想可以在很大程度上降低大數據處理的復雜度，也取得了較好的應用效果，但移動社交網絡大數據分治后易出現的數據類型片面化和分布單一化問題.如何融合移動社交網絡大數據分治后的輸出結果，并保證其誤差在可接受的范圍內，是移動社交網絡異構大數據分治面臨的主要問題.

2.2 移動社交網絡大數據的增量學習

增量學習是一種解決大數據挖掘的有效策略，主要通過學習算法的記憶功能來優化學習算法參數，從而進行有效的大數據處理.極速學習機(Extreme Learning Machine，ELM)是文獻[10]提出的一種新型的增量學習方法，也是一種快速的單隱層神經網絡，ELM算法不僅學習速度快，而且有更好的泛化性能.文獻[11]總結了ELM近年的發展，包括在線序列ELM、增量ELM、集成ELM等方法，證明了ELM是適用于各種隨機節點的通用逼近器，且無需任何先驗知識即可根據任何連續概率分布生成所有隱藏節點參數.在此基礎上，文獻[12]在研究中提出一種大數據分類的彈性極化學習機，指出ELM學習方法與傳統的增量學習方法相比能夠顯著提高大數據挖掘和聚類的性能，優化了大數據處理的分類效果.文獻[13]通過研究發現，將大數據集分解成若干小數據集，通過MapReduce實現ELM的并行學習，可提高大數據的學習速度.此外，文獻[14]構建了分布式環境下無監督學習的大數據ELM學習模型，并探討了大數據不確定削減的ELM集成學習機制.文獻[15]利用ELM對大數據進行了動作特征學習與識別，證明了ELM在大數據增量學習中的普適性.文獻[16]提出正則化理論可以有效地解決標準ELM算法出現的過擬合和魯棒性問題.文獻[17]考慮了建模過程中誤差的分布，提出概率正則ELM算法來保證誤差和噪聲分布的一致性.文獻[18]在ELM中引入多圖學習方法，提出了自適應多圖正則化半監督算法AMGR-SSELM，可以自適應地為圖分配權重，但訓練時間比單一圖的SS-ELM算法要高.文獻[19]將ELM擴展到深度學習中，成為人工智能領域的新的研究熱點.文獻[20]歸納總結了ELM理論和應用的最新國內外研究成果，對主要的學習算法和模型進行了梳理，在此基礎上指出深度ELM網絡框架能為移動推薦算法的改進帶來新的解決思路.

需要指出的是，移動社交網絡大數據的非結構化和異構特性會降低ELM學習的記憶功能，導致推薦系統的記憶能力和泛化能力較弱，最終影響數據處理算法的挖掘性能.此外，ELM難以過濾移動社交網絡大數據的冗余信息，不能有效解決高維數據建模問題，因此在移動社交網絡大數據情境特征提取方面面臨的困難較大.

2.3 移動社交網絡大數據的并行挖掘

傳統的機器學習和數據挖掘算法不具備大數據并行處理的能力，并行挖掘技術的出現顯著改善了移動社交網絡大數據學習和挖掘的性能.Facebook、Amazon、Yahoo、Apache基金會和Google等分別推出了專門針對海量文件并行挖掘的Haystack、Dynamo、PNUTS、Hadoop 和MapReduce.其中，Hadoop是一個分布式系統基礎架構，同時也是目前最為流行的大數據處理平臺，目前學術界主要聚焦其平臺性能改進、系統耦合、數據處理與挖掘、個性化推薦領域；MapReduce則是谷歌開發的一個并行處理框架，由于具有并行計算、跨異構平臺優勢、高擴展性和容錯性特點.文獻[21]基于MapRedue框架提出了粗糙集知識獲取方法的并行化挖掘，并認為并行粗糙集算法是非結構化數據挖掘的未來發展方向.文獻[22]針對大數據情境化推薦面臨的推薦稀疏性問題，構建移動SNS信任模型，從聚合與同引社交網絡信任雙重維度挖掘移動SNS潛在的用戶信任關系，基于此進行云計算Mapreduce化的并行推薦，并取得了良好的大數據處理效果.文獻[23]在實驗過程中利用大數據處理框架對移動社交網絡大規模數據進行聚類，由此提出基于密度的分布式聚類方法MRCSDP，實驗表明該算法能更迅速有效地處理.文獻[24]結合Hadoop云環境提出一種面向移動社交網絡大數據的K-means聚類方法，該方法利用MapReduce中的Map任務完成一次K-means算法迭代，由此獲得一個局部聚類中心，然后再通過Reduce任務進行二次聚類，如此反復直到聚類結束；與經典的并行K-means聚類方法相比，該移動社交網絡大數據的K-means聚類方案效率更佳，聚類精準度也更高.文獻[25]在研究過程中考慮到Slope One算法在移動社交大數據處理方面的不足，提出一種基于并行Slope One算法的新型微博信息推薦模型，經過實驗證明該算法具有良好的加速比和擴展性，可以更高效地處理微博數據.文獻[26]提出一種基于大數據并行處理框架的互信息文本特征選擇機制，引入熵的思想對傳統的互信息計算公式進行修正，使特征詞選擇更加得當，從而提高后期分類精度；同時，利用大數據并行處理技術縮短了移動社交網絡文本大數據的訓練和分類過程，顯著提高了分類的精度和執行效率.文獻[27]通過研究分析比較了MapReduce和Spark的優缺點，結果表明，MapReduce在處理非迭代問題時的性能較為優越，而Spark在處理迭代或低延遲問題時能有效減少數據傳輸與同步次數，兩種架構在大數據領域都起著重要作用.可以看出，面對社交媒體帶來的豐富社會化網絡數據，移動社交網絡推薦系統需要擁有比傳統推薦系統更為強大的數據處理能力.因此，當前學術界關注的目標之一就是如何基于大規模數據系統架構建立多源異構大數據并行挖掘模型，從而提高推薦系統大數據挖掘的效率.

綜上所述，移動社交網絡推薦過程中的異構大數據處理受到了學者的廣泛關注，并取得了一些有價值的成果，但還存在以下問題：

1)如何解決移動社交網絡異構大數據分治后出現的數據類型片面化和分布單一化問題，從而解決數據挖掘算法的失效和表現失常.

2)移動社交網絡大數據的異構特征往往會損壞傳統增量學習算法本身的記憶功能，導致推薦系統的記憶能力和泛化能力較弱，從而降低大數據增量學習的挖掘性能.

3)ELM難以過濾移動社交網絡大數據的冗余信息，不能有效解決高維數據建模問題，亟需解決移動社交網絡多源異構大數據情境特征提取與融合方面的難題.

3 移動社交網絡情境化推薦的情境信息融合

融合情境信息的推薦是在變化頻繁的情境下基于資源特征和用戶興趣的深層次挖掘來預測當前情境下與目標用戶最為匹配的項目，可從海量、過載的網絡資源中高效過濾出符合用戶個性化需求的信息資源，因此在海量數據的移動環境下具有廣闊的發展空間.這里的“情境”也譯為“情景”或“上下文”，文獻[28]對情境的定義目前被廣泛引用：“情境是指描述某個場景中實體特征的各種信息”.在此基礎上，情境又被進一步細化為用戶情境、時間情境、物理情境、計算情境、社會情境等.情境的引入對完善個性化推薦系統的推薦機制起到了積極作用.文獻[29]指出移動互聯網的發展為個性化推薦的研究提供了全面實時的情境信息，能否把情境因素引入移動社交網絡推薦系統在很大程度上會決定個性化推薦的質量.文獻[30](1)http://sunsite.informatik.rwth-aachen.de/Publications/CEUR-WS/Vol-791/paper6.pdf通過研究指出時間、位置和天氣等不同的情境信息要素會對推薦系統產生不同程度的影響，因此在進行多維情境推薦時需要深入探討不同情境要素對推薦結果的影響.文獻[31]通過研究也證實了在某些變化頻繁的環境中，融合情境的用戶行為模式可以在一定程度上改善對用戶的預知能力.

基于上述研究，文獻[32]采用圖論和隨機游走方法對移動社交網絡用戶個性化瀏覽行為進行建模，通過融合用戶情景為用戶提供移動音樂的情境化推薦服務.文獻[33]構建了增強情境上下文的推薦服務框架，基于此對移動社交網絡推薦過程中的上下文感知服務質量進行預測與推薦.文獻[34](2)https://vbn.aau.dk/ws/portalfiles/portal/90989735/recsys2010_cars_workshop.camera_ready.pdf.將情境相似度作為權值引入基于最近鄰的協同推薦方法中，利用最近鄰用戶在相似情境下的選擇來對移動社交用戶的行為進行預測.文獻[35]指出在微博用戶瀏覽新聞時，用戶對新聞的偏好并非是一成不變，而會受到用戶所處情境的影響，由此設計了引入情境信息的微博新聞推薦系統，在考慮用戶情境偏好的基礎上為用戶推薦最為相關的新聞信息.文獻[36]開發了基于位置感知的移動社交網絡推薦服務系統，通過交互地圖發現用戶所在位置附近的相關資源，并對用戶進行推薦.文獻[37]構建了大數據深度融合的移動情境化推薦系統，通過深度融合用戶的情境信息，有效緩解大數據環境下評分數據稀疏導致的推薦性能下降問題.文獻[38]提出的TimeSVD++算法推進了情境領域的進一步深入研究，他將位置情境引入到用戶偏好相似度計算中，由此構建了基于位置情境的移動社交網絡推薦模型.文獻[39]考慮到上下文情境對用戶認知行為與偏好的影響，由此提出了基于用戶認知行為與上下文情境的偏好獲取方法，并將其成功應用于移動社交網絡情境感知推薦系統中.文獻[40]系統化梳理了情境在移動推薦服務中的作用，論證了融合多維情境的移動情境感知服務系統可以提高個性化推薦的準確性，并認為隨著社交網絡的發展，移動社交網絡情境的研究將越來越重要.

基于上述分析可以看出，融合情境信息的移動社交網絡推薦是當前一個重要的研究方向.情境關聯分析有助于深入剖析服務資源與用戶所具有的自然屬性、社會屬性、交互行為屬性等，由此能識別、抽取可體現用戶情境興趣的相關信息，從而挖掘出用戶的情境行為模式，明晰情境與用戶行為間的關聯關系與相互影響機制.因此，將情境信息引入協同過濾推薦算法，結合大數據處理技術深入探討其情境化協同過濾推薦機制，可有效改進協同過濾在海量移動數據環境下的執行效率，顯著提高移動社交網絡推薦系統的規模性與可擴展性、對多源海量數據的信息萃取能力和利用效率.

需要指出的是，移動社交網絡推薦系統面臨著多源異構的海量情境信息，通過對這些海量情境信息的整合、分析，將為個性化推薦帶來新的知識發現與價值創造.但目前基于情境挖掘視角探討大數據異構移動社交網絡推薦服務的研究還比較匱乏，鮮有面向移動社交網絡異構大數據的情境化挖掘相關論述.

4 移動社交網絡情境化推薦的信任關系挖掘

大數據時代的來臨以及數據密集型科學研究范式的興起使移動社交網絡推薦存在的“數據稀疏性”問題備受關注.隨著移動推薦系統中的項目種類以及使用用戶數量的增多，用戶-項目評分矩陣的維度不斷增加，且大數據環境下許多用戶間共同評分項缺失的現象比較突出，導致評分矩陣極端稀疏，這顯著降低了移動社交網絡推薦系統的精準度.社會化信任推薦較好地融合了社交網絡用戶的個性化偏好與用戶之間的信任關系，在一定程度上緩解了傳統推薦系統面臨的冷啟動與數據稀疏性問題.如文獻[41]在研究中系統引入了用戶間的信任關系，以此來對移動社會化推薦系統的數據稀疏性進行優化.文獻[42]在內容協同過濾推薦的基礎上融合了社會化信任關系，通過挖掘目標用戶對不同社交關系的信賴程度，以此來推薦其最為信任的檢索結果.文獻[43]提出了基于鄰域相似性的移動社交網絡概率矩陣分解模型，以緩解數據稀疏性，提高推薦算法的準確度.文獻[44]將直接信任作為一種檢測機制，并提出一種基于信任檢測和服務推薦兩種互補機制的Web服務分散式發現方法，提高了推薦系統的響應率.文獻[45]針對移動社交網絡用戶相似性與感知信任度量難、多源信任不易融合等問題，結合直覺模糊集構建感知信任模糊融合模型，完善了移動社交網絡信任融合方法.

盡管直接信任提高了推薦效果，但顯示反饋仍然具有數據稀疏性的問題.如文獻[46]提出以移動社交網絡用戶瀏覽時的停留時間、主頁交互次數等非顯示的形式來對間接信任關系進行表征，由此可解決推薦過程中的信任數據稀疏問題.文獻[47]在研究過程中有效結合了直接信任與間接信任，由此提出了基于移動社交網絡用戶信任行為的個性化推薦算法.文獻[48]系統計算了移動社交網絡用戶對其好友的直接信任關系與間接信任關系，基于此建立了協同過濾推薦的置信模型，圍繞信任關系與信賴好友的評分進行個性化推薦.文獻[49]指出現有基于信任的推薦算法假設用戶是單一和同質的，且相似關系和信任關系的融合缺乏高效的模型，據此設計了可信的移動社交網絡推薦模Trust-PMF，在FilmTrust、Epinions兩個數據集上均驗證了模型的高效性.文獻[50]指出傳統推薦算法或是沒有充分挖掘間接信任在社交信息中的價值，或是存在信息傳遞路徑不充分的問題，據此設計了考慮移動社交網絡用戶間接信任的推薦算法GITCF，利用IpmTrut計算間接信任，并在Matlab仿真平臺上進行實驗，結果表明該模型的推薦精度有了顯著提高.文獻[51]基于目標用戶所處移動社交網絡中存在的間接信任關系，提出融合用戶間接信任關系與信賴評分的概率矩陣分解推薦模型，有效改進了大數據環境下移動社交網絡推薦的準確率，在一定程度上完善了社會化信任推薦與情境化推薦研究的理論體系.

通過對上述文獻分析可以看出，基于移動社交網絡發現用戶信任的朋友集合相對于尋找相似用戶集合更為容易且得到的數量更大，將信任關系融入到個性化推薦領域可以有效解決數據稀疏等問題.因此，可將信任推薦看作是傳統協同過濾推薦的進一步延伸.由于移動社交網絡用戶所面臨的環境比傳統環境更為復雜，數據特征也更為多樣，只有在充分融合移動社交網絡多源異構數據并進行深度挖掘后，才能生成更為精準的個性化推薦.但當前的推薦算法很難較好地解決多源異構大數據的處理和挖掘問題，大規模社會網絡分析處理的研究也有待進一步完善.如何快速處理移動社交網絡形成的豐富數據是移動社交網絡推薦的一大難點.

同時，移動社交網絡推薦的信任關系在屬性確定和量化方面還面臨較多的問題，目前也沒有統一的標準能夠對社交網絡用戶間的社會關系及其信任程度進行表述.此外，大數據海量信息環境下，可能僅有少量好友與目標用戶存在相互的信任關系.若僅僅依靠這些原始的、少量的信任關系進行個性化推薦，將難以獲得理想的個性化推薦結果.如何在稀疏信任信息中挖掘出有價值的潛在信息并在此基礎上改善信任推薦的性能，成為制約移動社交網絡情境化推薦發展的瓶頸.

5 總結與展望

在移動互聯網通訊技術飛速發展、海量個性化需求不斷驅動的時代背景下，移動社交網絡情境化推薦系統受到學術界和業界的廣泛關注并取得了一定的進展，但仍是一個充滿挑戰的熱點研究領域，主要包括：

5.1 推薦系統多源異構數據處理

大數據技術的進步為移動社交網絡推薦帶來了海量的信息資源，并以數字化的形式將用戶行為模式沉淀于“移動云端”.而傳統的推薦系統數據處理方法難以有效處理移動社交網絡的海量信息，不能有效解決用戶頻繁交互所產生的海量異構數據，同時在移動社交網絡用戶多維特征提取、即時興趣建模等方面困難較大.通過文獻梳理可以看出，已有的研究成果中涉及的現有代表性分類方法如ICA、RNC以及Gibbs等，部分是基于小規模移動社交網絡數據進行測試驗證，或者從數據集縮減、聚類、降維等方面解決大數據處理問題[52]，如采用物理學中的張量概念來對移動社交網絡大數據進行表征，通過多階張量表示大數據結構來對數據特征向量進行降維處理，以此提取數據的情境信息，但當前研究提出的多是靜態的大數據張量模型，對動態背景下的多源異構大數據張量模型考慮不足.同時，移動社交網絡大數據的多源異構特征還會損壞傳統學習算法的記憶功能，分治后易出現數據類型片面化和分布單一問題，從而導致數據挖掘算法失效，降低大數據的挖掘性能.因此，如何設計出快速有效的移動社交網絡異構大數據處理算法，同時挖掘出大數據蘊含的關鍵特征信息并應用于用戶推薦的精準匹配，成為移動社交網絡情境化推薦亟需解決的關鍵問題.

此外，當前移動社交網絡推薦涵蓋的數據源廣泛，交叉混合的數據源間存在異構型，且移動社交網絡數據、應用對象、用戶屬性以及用戶屬性值間也面臨著異常復雜的交互耦合關系.上述這種形式的數據也被稱為“非獨立同分布數據”，即這些數據是非獨立同分布的.當前大多數挖掘與推薦算法都假設其面向的數據是獨立同分布的，這就難以解決個性化推薦過程中的耦合關系分析問題.鑒于此，操龍兵教授[53]提出了非獨立同分布學習的概念，具體包括屬性值、屬性、對象、數據源、方法及模板的學習，在此基礎上又進一步提出了非獨立同分布推薦方法.非獨立同分布推薦思想的提出實現了傳統推薦范式從獨立同分布推薦到非獨立同分布推薦的轉化，由此可構建相關性更高、可操作更強的個性化推薦系統.在此基礎上，操龍兵教授進一步從非獨立同分布學習的角度深入分析了移動社交網絡用戶的耦合關系與社交群組關系，由此提出基于群組的社交矩陣分解推薦模型，該模型可有效解決推薦系統存在的多維數據處理與交叉領域推薦等問題，并在推薦系統多源異構數據處理方面取得了較好的應用效果.

5.2 推薦系統動態行為建模與情境特征深度挖掘

許多傳統的推薦模型利用目標用戶的靜態行為特征進行個性化推薦，這在用戶需求沒有發生顯著變化或者偏好相關的情境下是可行的.移動社交網絡環境下，移動社交網絡用戶對個性化推薦系統的要求更高，不僅僅局限于推薦結果的準確性，還要在時間、空間、地理位置、社會環境等方面具有普遍的適應性，這就要求推薦系統對用戶興趣變化反應快、處理短期興趣、處理變化很大的項目屬性、情境敏感、動態畫像等[54].情境化推薦基于對服務資源特征和用戶情境興趣的深層次挖掘來預測當前情境下與目標用戶最為匹配的項目，可在頻繁變化的環境中協助移動社交網絡用戶從海量、過載的服務資源中過濾出最符合其個性需求的服務資源，情境化挖掘也成為大數據時代移動社交網絡用戶個性化服務領域新的學術生長點.但是，移動社交網絡用戶間的即時互動信息會產生大規模的異構情境信息數據集，這些異構情境信息的融入勢必會進一步增加移動社交網絡推薦系統算法的計算復雜度，并且會加大情境特征提取與融合推薦的難度.目前，學術界關于移動社交網絡異構大數據情境挖掘的研究還比較少，尚缺乏基于移動社交網絡異構大數據分治、情境語義增量學習與相關性挖掘的學術文獻.

此外，傳統的個性化推薦系統多采用淺層模型對用戶偏好行為進行預測，依賴專家人工設計特征和提取特征，很難有效挖掘到深層次的用戶和項目隱形特征表示.深度學習是在數據樣本的基礎上通過訓練、強化得到的具有較強學習能力的深度網絡結構，借助深層結構模型對原始數據進行處理，通過逐層特征屬性提取來改進知識的聚合效率，以此提升預測的準確性.憑借其在復雜數據處理、特征提取、抽象概括、個性化匹配等方面的優勢，深度學習在解決推薦系統情境特征深度挖掘方面取得了一定成效.因此，基于深度學習方法挖掘移動社交網絡用戶的深層次行為特征將是未來研究的一個發展方向，如基于深度學習與系統管理推薦方法建立兩者間適度的知識遷移機制[55]，引入模型泛化誤差[56]等進一步強化情境化推薦過程中的深度特征學習等，這將在一定程度上改善用戶-項目相關特征的深層次表示，提高推薦的精度.

5.3 推薦系統的數據稀疏性和冷啟動問題

多源異構大數據的引入為移動社交網絡推薦帶來更為嚴峻的數據稀疏性問題.推薦系統需通過高維矩陣/多維度向量來計算移動社交網絡用戶的情境偏好程度，但由于目標用戶與多個情境維度的關聯度為零，使得高維矩陣中絕大部分元素的值為空.如何利用極少部分非零的用戶情境偏好得到精確的個性化推薦結果，成為移動社交網絡推薦系統的難點之一.同時，推薦系統還存在冷啟動問題，當推薦系統中存在新的或者是從未被調用的服務，則難以找到歷史執行信息進行預測.雖然研究表明基于情境的協同過濾推薦可以在較大程度上緩解冷啟動問題，但由于獲取用戶情境偏好的難度比獲取不含情境信息的用戶偏好更大，因此在實際應用中冷啟動的問題依然存在.

移動社交網絡中的用戶關系尤其是信任關系為建立用戶特征模型提供了新思路.推薦系統可以基于移動用戶的社會化關系對新加入項目進行自動推薦與傳播[57]，也可以利用相似場景下的好友偏好來預測目標用戶在類似場景下的行為偏好.大量研究者把情境數據引入推薦建模，以此獲取更加精確的用戶偏好，緩解推薦的數據稀疏性和冷啟動問題.但目前基于情境挖掘與信任關系量化視角探討個性化推薦服務的研究還比較匱乏，大數據異構移動社交網絡情境化信任推薦的相關研究成為亟需解決的問題.此外，融合用戶在不同網絡平臺上的數據可以建立跨領域信息融合的推薦模型，即利用多源數據融合的優勢來挖掘用戶的個性化偏好[58]，以此克服單一領域信息挖掘的不足，同時緩解數據稀疏和冷啟動問題.因此，移動社交網絡多源、異構大數據挖掘的個性化推薦將是今后研究的一大趨勢.

5.4 推薦系統社交屬性信息的確定和計算

推薦系統社交屬性信息是指能對用戶偏好產生作用和影響的社會關系信息以及用戶個體屬性信息.其中，移動社交網絡推薦系統中的個體屬性信息相對較為明確，但虛擬網絡環境下的社會關系則較為模糊，且其量化還沒有形成統一的標準.在具體的研究過程中，有學者在移動社交網絡推薦算法的參數學習與設置層面體現出用戶信任關系[59]，也有研究通過用戶互動內容的語義來表征其信任程度，并通過用戶互動頻率及次數來對其信任值與社會關系進行量化[60].對此，可在用戶存在少量初始信任關系的環境下，引入文獻計量分析中的“聚合相關”與“同引相關”的思想，基于此定量挖掘移動社交網絡用戶間的潛在社會信任關系，從而使更多值得信任鄰居參與到移動社交網絡推薦過程中.

需要指出的是，當前對社交網絡信任計算的研究多建立在用戶信任關系可以進行傳遞的前提下，但要實現信任傳遞，只能在用戶關注的領域內進行，其不關注領域是無法進行信任傳遞的.換言之，用戶對鄰居用戶的信任值會隨著關注領域、時間等的變化而改變，即情境會對用戶的信任值產生影響，可通過融合情境信息來對用戶的關注領域進行有效劃分，以此計算出對應的信任值，從而探討不同情境下用戶對同一項目的信任推薦.此外，國內外社會化推薦的相關研究多著手于用戶間的正面關系探討，即基于用戶的信任關系進行推薦，但在現實中還存在負面關系(不信任或不喜歡)，有研究建立了社交網絡的不信任概念模型[61]，利用用戶間的負面關系進行推薦，并指出負面關系推薦甚至比正面關系推薦更為重要.但當前對不信任的研究還處在初級階段，如何有效地衡量用戶之間的負面關系和不信任值還有待進一步的探討.

6 結束語

大數據環境下的移動社交網絡情境化推薦引起了國內外學者的廣泛關注.如何有效挖掘移動社交網絡大數據并利用用戶間的社會化信任關系來緩解傳統推薦系統面臨的多源異構、動態冗余以及價值稀疏等問題成為研究的關鍵所在.本文系統梳理了近年來移動社交網絡情境化推薦系統的研究成果，對其面臨的大數據處理、情境推薦、信任挖掘等關鍵問題進行了文獻綜述，最后針對移動社交網絡情境化推薦領域未來研究方向進行了展望.這對于厘清移動社交網絡情境化推薦系統研究脈絡、為后續研究提供參考、推進我國個性化信息服務的發展具有一定意義.