1.3 移動推薦系統的應用

在移動互聯網蓬勃發展的今天，移動推薦系統由于具有普適性和個性化的特點，因此具有廣闊的市場和應用前景，接下來的內容將對移動推薦系統的應用進展進行分析、總結，移動推薦系統的典型案例如表1.2所示。

1）移動新聞推薦

新聞推薦是推薦技術應用較早的領域之一，近年來在移動領域也受到研究者的關注。Daily Learner[18]主要根據用戶興趣來進行推薦。通過對用戶的新聞觀看歷史記錄來獲取用戶興趣，對于新用戶則根據用戶預設的感興趣的內容進行推薦。同時，對于用戶興趣的時效性也會在推薦算法中設定一定的權重，將新聞自身的重要性、用戶興趣和興趣的時效性綜合考慮形成推薦。今日頭條在其推薦算法中大量采用機器學習相關技術，以特征提取為主要方法（主要包含相關性特征、環境特征、新聞熱度特征及協同特征）來進行新聞推薦。

2）移動社交推薦

Facebook使用Apache Giraph作為基礎平臺，其推薦方法采用的是協同過濾推薦技術，Facebook的推薦系統的數據集合中包含了超過1000億個評分、超過10億個用戶及數百萬件物品。為了降低時間和空間復雜度，一些從隨機特征向量開始的迭代算法被提出。隨機梯度下降法（Stochastic Gradient Descent，SGD）就是其中一種迭代算法，交替最小二乘法（Alternating Least Square，ALS）是另一種迭代算法，其基本思路為交替固定用戶特征向量和物品特征向量的值，不斷地尋找局部最優解，直到滿足求解條件為止。實驗結果表明，Facebook的推薦系統比標準推薦系統要快10倍左右，而且，Facebook的推薦系統可以輕松處理超過1000億個評分。此外，Facebook會繼續對推薦系統的算法進行改進，包括利用社交圖和用戶連接改善推薦集合、自動化參數調整及嘗試比較好的劃分機器等。

3）移動應用程序推薦

移動應用程序下載推薦具有廣泛適用性，各大應用市場都采用了不同類型的推薦系統，其中，較有特點的是華為應用市場的推薦系統，在該系統中，華為應用市場聯合華為諾亞方舟實驗室開發了一款推薦引擎——伏羲推薦引擎，其推薦算法中應用了端到端的深度學習推薦模型DeepFM，以期為用戶提供更加精準、個性化的推薦體驗。特征工程（Feature Engineering）是影響推薦系統的重要因素。相比于其他機器學習系統，推薦系統更依賴于特征工程，深度學習作為一種先進的非線性模型技術，在特征組合挖掘方面具有很大的優勢，如可以解決大量有效的特征組合無法被專家識別的問題，在實現特征自動組合的挖掘方面具有較大的優勢。另外，DeepFM模型是一個端到端的模型，不需要任何人工特征工程。目前基于深度學習的推薦算法研究是移動推薦系統的研究熱點之一。

4）移動廣告推薦

移動廣告彌補了互聯網和電視廣告的空缺，使得廣告可以根據移動用戶的個性化需求、位置、移動社交網絡等進行實時、有針對性的推送，從而能夠準確地為潛在的產品用戶提供相關信息。目前在移動廣告推薦中常用的推薦方法包括：①隱式獲取用戶的偏好信息并結合情境信息，形成推薦結果[19]；②利用手機通訊錄中包含的社交信息及用戶自身的偏好信息，進行社會化推薦[20]；③使用行為定向方法來獲取用戶的廣告偏好，為了避免移動用戶信息集中在系統的中心節點，系統采用P2P的體系結構獲取信息并進行移動協同過濾推薦[21]。

5）移動博客推薦

由于移動博客中博文的數量巨大，用戶想要獲取自己感興趣的博文存在較大的困難，移動博客的推薦主要是為了解決這一問題[22，23]。文獻[23]中采用聚類的方法，利用用戶的移動博客瀏覽記錄數據獲取用戶的博文偏好，然后以此為依據，將點擊率高且滿足用戶偏好的博文推送給用戶。類似新浪微博這樣的移動博客往往還具有社交屬性?；谝苿硬┛偷挠脩敉扑]也是移動推薦系統的應用熱點之一。

6）移動音樂/電影推薦

隨著4G和5G網絡的建立，移動互聯網帶寬得到了極大的提高。而且，移動終端處理能力也逐漸增強，越來越多的用戶通過手機來聽音樂、看電影。向用戶進行個性化的多媒體信息推薦成為熱點應用方向。該領域研究的主要問題在于如何準確獲取用戶偏好，并根據用戶偏好形成有效的推薦。目前采用的主要方法是先通過用戶行為數據隱式獲取用戶偏好，不同的用戶行為所對應的權重不同，如付費行為所代表的用戶偏好一定強于僅僅瀏覽、試看、試聽的行為所代表的偏好，再在用戶偏好獲取基礎上，通過移動協同過濾推薦方法預測用戶對其他多媒體資源的偏好。

文獻[24]通過移動用戶的瀏覽行為（忽略、點擊、試聽、購買等）隱式地獲取移動用戶對音樂的相對偏好，如購買行為表達的偏好強于試聽行為表達的偏好，根據偏好向用戶進行個性化的音樂推薦。文獻[25]使用向量空間模型描述電影特征和移動用戶對電影特征的偏好，對用戶的行為進行分析，利用移動協同過濾推薦方法向用戶進行推薦，推薦的結果是否受到用戶的喜歡會影響下次推薦結果的生成。