移動(dòng)應(yīng)用推薦-從算法到服務(wù)若干關(guān)鍵技術(shù)研究.pdf

1、近年來，移動(dòng)計(jì)算飛速發(fā)展。為了方便用戶使用智能移動(dòng)設(shè)備和訪問移動(dòng)網(wǎng)絡(luò)中的信息服務(wù)，移動(dòng)應(yīng)用的數(shù)量急劇增長，以致于催生了新的巨大挑戰(zhàn)：在持續(xù)增長的海量移動(dòng)應(yīng)用中，用戶越來越難以依靠自身的力量，發(fā)現(xiàn)滿足自己興趣或需求的應(yīng)用。為了面對這個(gè)挑戰(zhàn)，學(xué)術(shù)界和工業(yè)界都將目光聚焦到了一個(gè)新的研究方向：移動(dòng)應(yīng)用推薦（RMA，Recommendation of Mobile Apps）。RMA將推薦的理論、技術(shù)和方法應(yīng)用到了新的移動(dòng)計(jì)算環(huán)境中，來幫助數(shù)十億

2、的移動(dòng)用戶發(fā)現(xiàn)他們感興趣或需要的移動(dòng)應(yīng)用。據(jù)此，移動(dòng)計(jì)算新的發(fā)展催生的這一新的研究方向具有重大的學(xué)術(shù)意義和重要的應(yīng)用價(jià)值。然而，RMA是新生方向，初步發(fā)展，成果欠缺。因此，本文對RMA展開了系統(tǒng)的研究、設(shè)計(jì)和實(shí)現(xiàn)。本研究主要內(nèi)容包括：
　?、臨MA關(guān)鍵技術(shù)提出和分析：RMA處于初步發(fā)展階段，研究缺乏系統(tǒng)性。為此，本文為RMA提出了新的研究框架。該框架依次覆蓋了移動(dòng)應(yīng)用推薦從生成到使用的生命周期的各個(gè)環(huán)節(jié)，分析了其中的關(guān)鍵研究對象，

3、即推薦算法、推薦系統(tǒng)、推薦鏈接和推薦服務(wù)，并基于它們提出了RMA研究中的關(guān)鍵技術(shù)：移動(dòng)應(yīng)用推薦算法設(shè)計(jì)和研究、移動(dòng)應(yīng)用推薦系統(tǒng)研究和實(shí)現(xiàn)、移動(dòng)應(yīng)用推薦發(fā)布研究和設(shè)計(jì)，以及移動(dòng)應(yīng)用推薦服務(wù)設(shè)計(jì)和研究。本文還分析和歸納了推薦研究中各要素在移動(dòng)應(yīng)用推薦背景下的特殊屬性。這些特殊屬性決定了RMA研究區(qū)別于傳統(tǒng)推薦研究的特性，也決定了關(guān)鍵技術(shù)研究中新的機(jī)遇和挑戰(zhàn)。根據(jù)RMA研究框架，基于RMA研究特性，本文確立了對RMA關(guān)鍵技術(shù)開展研究的具體內(nèi)容

4、。
　?、埔苿?dòng)應(yīng)用推薦算法設(shè)計(jì)和研究：現(xiàn)有移動(dòng)應(yīng)用推薦算法主要依賴于用戶對移動(dòng)應(yīng)用的訪問經(jīng)驗(yàn)，受到了用戶經(jīng)驗(yàn)有限的限制，無法提供全局最優(yōu)的推薦。同時(shí)，現(xiàn)有推薦算法主要生成單目標(biāo)的應(yīng)用推薦，只能滿足單一有限的應(yīng)用需求。針對以上問題，本文首先基于元數(shù)據(jù)潛在語義分析的方法設(shè)計(jì)了新的推薦算法RA-LSA（Recommending Algorithm based on Latent Semantic Analysis），通過挖掘移動(dòng)應(yīng)用元數(shù)

5、據(jù)中的潛在語義來獲取移動(dòng)應(yīng)用的相似性度量，從而計(jì)算出全局最優(yōu)的應(yīng)用推薦。接下來，本文采用多樣性測量的方法將RA-LSA算法和現(xiàn)有算法進(jìn)行比較，揭示了不同算法的不同優(yōu)勢和不足，指出了混合式算法設(shè)計(jì)的潛力。據(jù)此，本文進(jìn)一步采用多目標(biāo)的思想和排列聚合的方法，設(shè)計(jì)了新的混合式推薦算法RA-MRA（Recommending Algorithm based on Multi-objective RankAggregation）。該算法通過融合不同算

6、法的優(yōu)勢，生成了面向多目標(biāo)的應(yīng)用推薦，從而滿足了多種應(yīng)用需求?；谧灾鞑杉陌?03348個(gè)應(yīng)用的實(shí)際數(shù)據(jù)集，本文通過評估實(shí)驗(yàn)表明，融合了RA-LSA算法和現(xiàn)有算法的RA-MRA算法以67.2％到494.1%的增幅，有效地提高了應(yīng)用推薦的質(zhì)量。
　　⑶移動(dòng)應(yīng)用推薦系統(tǒng)研究和實(shí)現(xiàn)：由于缺乏有效的敏捷開發(fā)框架，第三方開發(fā)者在缺乏大規(guī)模數(shù)據(jù)的情況下難以開發(fā)有效的移動(dòng)應(yīng)用推薦系統(tǒng)。這導(dǎo)致了移動(dòng)應(yīng)用推薦系統(tǒng)發(fā)展緩慢，落后于移動(dòng)應(yīng)用的高速增

7、長。針對該問題，本文基于多系統(tǒng)協(xié)作的思想，設(shè)計(jì)了新的移動(dòng)應(yīng)用推薦系統(tǒng)開發(fā)框架DF-MSC（Development Framework based on Multi-System Collaboration）。該框架不僅集成了不同系統(tǒng)的算法特性，還拓展了開發(fā)者所持有的支撐數(shù)據(jù)，從而降低了系統(tǒng)設(shè)計(jì)和開發(fā)的門檻。在此基礎(chǔ)上，為了有效地實(shí)現(xiàn)DF-MSC框架，本文采用基于集合的粒子群優(yōu)化方法，設(shè)計(jì)了DF-MSC框架下的多系統(tǒng)協(xié)作算法CF-SPSO

8、（Cylinder Filling Set based Particle Swarm Optimization）。該算法基于多個(gè)源系統(tǒng)的推薦，計(jì)算出更優(yōu)的應(yīng)用推薦。本文基于三個(gè)流行的推薦系統(tǒng)，自主采集大規(guī)模的實(shí)際數(shù)據(jù)（108329個(gè)移動(dòng)應(yīng)用），實(shí)現(xiàn)多個(gè)驗(yàn)證系統(tǒng),開展了評估實(shí)驗(yàn)。評估結(jié)果表明，本文的DF-MSC框架和CF-SPSO算法能以可靠的問題解決率（平均問題解決率>80%）和系統(tǒng)性能（平均迭代次數(shù)<30）生成比源系統(tǒng)更優(yōu)的應(yīng)用推薦（

9、平均增幅>35.6%）。
　?、纫苿?dòng)應(yīng)用推薦發(fā)布研究和設(shè)計(jì)：移動(dòng)應(yīng)用推薦在生成之后，被以推薦鏈接的形式發(fā)布給用戶。這些鏈接直接引導(dǎo)用戶發(fā)現(xiàn)移動(dòng)應(yīng)用。因此，移動(dòng)應(yīng)用推薦的發(fā)布（D-MAR，Distribution of Mobile App Recommendation）對于用戶發(fā)現(xiàn)應(yīng)用的效率十分重要。然而，現(xiàn)有工作對此缺乏相關(guān)的研究。為此，本文提出了移動(dòng)應(yīng)用推薦網(wǎng)絡(luò)（MARNet，Mobile App Recommendation

10、 Network）的概念，建模了D-MAR，并基于自主采集的實(shí)際數(shù)據(jù)（包含了103348個(gè)移動(dòng)應(yīng)用），構(gòu)建了兩類實(shí)際的MARNet，即ARNet（App Relationship Network）和UNNet（User Navigating Network）。通過對ARNet和UNNet進(jìn)行測量和分析，本文指出了現(xiàn)有D-MAR在引導(dǎo)用戶發(fā)現(xiàn)移動(dòng)應(yīng)用中的不足。為此，本文基于MARNet的網(wǎng)絡(luò)特征度量，即強(qiáng)連通分部（SCC，Strongly

11、 Connected Component）數(shù)量和節(jié)點(diǎn)間最短平均路徑長度（APL，Average Path Length），定義了D-MAR的移動(dòng)應(yīng)用發(fā)現(xiàn)效率（MADE，Mobile App Discovery Efficiency），并對提高D-MAR中MADE的問題進(jìn)行了建模。針對該問題，本文設(shè)計(jì)了兩類UNNet重構(gòu)方案SCC-APL和APL-SCC?；谧灾鞑杉拇笠?guī)模實(shí)驗(yàn)數(shù)據(jù)，本文的評估實(shí)驗(yàn)表明了，兩類UNNet重構(gòu)方案分別以49

12、.4%和268.6%的增幅，從不同角度提高了現(xiàn)有D-MAR的MADE。
　?、梢苿?dòng)應(yīng)用推薦服務(wù)設(shè)計(jì)和實(shí)現(xiàn)：移動(dòng)應(yīng)用飛速增長，移動(dòng)設(shè)備中安裝的應(yīng)用也極大增加，以至于大大超過了設(shè)備桌面的有限顯示能力，導(dǎo)致用戶需要跨越多個(gè)虛擬屏幕才能找到自己要使用的應(yīng)用。這帶來了新的信息過載的挑戰(zhàn)，即移動(dòng)應(yīng)用使用過程中的應(yīng)用發(fā)現(xiàn)的挑戰(zhàn)。針對這個(gè)挑戰(zhàn)，本文提出，移動(dòng)應(yīng)用推薦服務(wù)的設(shè)計(jì)不但要基于應(yīng)用倉庫中的應(yīng)用，面向應(yīng)用的瀏覽和安裝行為；還要基于移動(dòng)設(shè)備中

13、的應(yīng)用，面向應(yīng)用的使用行為。為此，本文設(shè)計(jì)和實(shí)現(xiàn)了新的移動(dòng)應(yīng)用推薦服務(wù)UMARS（Usage oriented Mobile App Recommending Service）。該服務(wù)定義和挖掘了三類用戶移動(dòng)應(yīng)用使用模式（MAUP，Mobile App Usage Pattern）?；谶@些MAUP，UMARS預(yù)測用戶將要使用的應(yīng)用，并動(dòng)態(tài)地將應(yīng)用預(yù)測更新到設(shè)備桌面上，推薦給用戶使用。UMARS使得用戶只需要在桌面上就可以直接發(fā)現(xiàn)自己想