移動應用推薦-從算法到服務若干關鍵技術研究.pdf

1、近年來，移動計算飛速發(fā)展。為了方便用戶使用智能移動設備和訪問移動網絡中的信息服務，移動應用的數量急劇增長，以致于催生了新的巨大挑戰(zhàn)：在持續(xù)增長的海量移動應用中，用戶越來越難以依靠自身的力量，發(fā)現滿足自己興趣或需求的應用。為了面對這個挑戰(zhàn)，學術界和工業(yè)界都將目光聚焦到了一個新的研究方向：移動應用推薦（RMA，Recommendation of Mobile Apps）。RMA將推薦的理論、技術和方法應用到了新的移動計算環(huán)境中，來幫助數十億

2、的移動用戶發(fā)現他們感興趣或需要的移動應用。據此，移動計算新的發(fā)展催生的這一新的研究方向具有重大的學術意義和重要的應用價值。然而，RMA是新生方向，初步發(fā)展，成果欠缺。因此，本文對RMA展開了系統的研究、設計和實現。本研究主要內容包括：
　?、臨MA關鍵技術提出和分析：RMA處于初步發(fā)展階段，研究缺乏系統性。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應用推薦從生成到使用的生命周期的各個環(huán)節(jié)，分析了其中的關鍵研究對象，

3、即推薦算法、推薦系統、推薦鏈接和推薦服務，并基于它們提出了RMA研究中的關鍵技術：移動應用推薦算法設計和研究、移動應用推薦系統研究和實現、移動應用推薦發(fā)布研究和設計，以及移動應用推薦服務設計和研究。本文還分析和歸納了推薦研究中各要素在移動應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)別于傳統推薦研究的特性，也決定了關鍵技術研究中新的機遇和挑戰(zhàn)。根據RMA研究框架，基于RMA研究特性，本文確立了對RMA關鍵技術開展研究的具體內容

4、。
　?、埔苿討猛扑]算法設計和研究：現有移動應用推薦算法主要依賴于用戶對移動應用的訪問經驗，受到了用戶經驗有限的限制，無法提供全局最優(yōu)的推薦。同時，現有推薦算法主要生成單目標的應用推薦，只能滿足單一有限的應用需求。針對以上問題，本文首先基于元數據潛在語義分析的方法設計了新的推薦算法RA-LSA（Recommending Algorithm based on Latent Semantic Analysis），通過挖掘移動應用元數

5、據中的潛在語義來獲取移動應用的相似性度量，從而計算出全局最優(yōu)的應用推薦。接下來，本文采用多樣性測量的方法將RA-LSA算法和現有算法進行比較，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計的潛力。據此，本文進一步采用多目標的思想和排列聚合的方法，設計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，生成了面向多目標的應用推薦，從而滿足了多種應用需求?；谧灾鞑杉陌?03348個應用的實際數據集，本文通過評估實驗表明，融合了RA-LSA算法和現有算法的RA-MRA算法以67.2％到494.1%的增幅，有效地提高了應用推薦的質量。
　　⑶移動應用推薦系統研究和實現：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)模數據的情況下難以開發(fā)有效的移動應用推薦系統。這導致了移動應用推薦系統發(fā)展緩慢，落后于移動應用的高速增

7、長。針對該問題，本文基于多系統協作的思想，設計了新的移動應用推薦系統開發(fā)框架DF-MSC（Development Framework based on Multi-System Collaboration）。該框架不僅集成了不同系統的算法特性，還拓展了開發(fā)者所持有的支撐數據，從而降低了系統設計和開發(fā)的門檻。在此基礎上，為了有效地實現DF-MSC框架，本文采用基于集合的粒子群優(yōu)化方法，設計了DF-MSC框架下的多系統協作算法CF-SPSO

8、（Cylinder Filling Set based Particle Swarm Optimization）。該算法基于多個源系統的推薦，計算出更優(yōu)的應用推薦。本文基于三個流行的推薦系統，自主采集大規(guī)模的實際數據（108329個移動應用），實現多個驗證系統,開展了評估實驗。評估結果表明，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%）和系統性能（平均迭代次數<30）生成比源系統更優(yōu)的應用推薦（

9、平均增幅>35.6%）。
　　⑷移動應用推薦發(fā)布研究和設計：移動應用推薦在生成之后，被以推薦鏈接的形式發(fā)布給用戶。這些鏈接直接引導用戶發(fā)現移動應用。因此，移動應用推薦的發(fā)布（D-MAR，Distribution of Mobile App Recommendation）對于用戶發(fā)現應用的效率十分重要。然而，現有工作對此缺乏相關的研究。為此，本文提出了移動應用推薦網絡（MARNet，Mobile App Recommendation

10、 Network）的概念，建模了D-MAR，并基于自主采集的實際數據（包含了103348個移動應用），構建了兩類實際的MARNet，即ARNet（App Relationship Network）和UNNet（User Navigating Network）。通過對ARNet和UNNet進行測量和分析，本文指出了現有D-MAR在引導用戶發(fā)現移動應用中的不足。為此，本文基于MARNet的網絡特征度量，即強連通分部（SCC，Strongly

11、 Connected Component）數量和節(jié)點間最短平均路徑長度（APL，Average Path Length），定義了D-MAR的移動應用發(fā)現效率（MADE，Mobile App Discovery Efficiency），并對提高D-MAR中MADE的問題進行了建模。針對該問題，本文設計了兩類UNNet重構方案SCC-APL和APL-SCC?；谧灾鞑杉拇笠?guī)模實驗數據，本文的評估實驗表明了，兩類UNNet重構方案分別以49

12、.4%和268.6%的增幅，從不同角度提高了現有D-MAR的MADE。
　?、梢苿討猛扑]服務設計和實現：移動應用飛速增長，移動設備中安裝的應用也極大增加，以至于大大超過了設備桌面的有限顯示能力，導致用戶需要跨越多個虛擬屏幕才能找到自己要使用的應用。這帶來了新的信息過載的挑戰(zhàn)，即移動應用使用過程中的應用發(fā)現的挑戰(zhàn)。針對這個挑戰(zhàn)，本文提出，移動應用推薦服務的設計不但要基于應用倉庫中的應用，面向應用的瀏覽和安裝行為；還要基于移動設備中

13、的應用，面向應用的使用行為。為此，本文設計和實現了新的移動應用推薦服務UMARS（Usage oriented Mobile App Recommending Service）。該服務定義和挖掘了三類用戶移動應用使用模式（MAUP，Mobile App Usage Pattern）?；谶@些MAUP，UMARS預測用戶將要使用的應用，并動態(tài)地將應用預測更新到設備桌面上，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)現自己想