关键词:
上下文感知
元数据模型
移动计算
云计算
服务推送
摘要:
随着信息时代以及大数据的发展,人们逐步进入了信息过载的时代,大量信息的涌入使得用户对信息的筛选变成一件十分困难的事情。推送系统就是用来解决这个问题的重要工具。推送系统通过用户与服务之间的联系,为需求信息的用户提供有价值的服务信息,并未发布信息的用户找到合适的推送对象,实现信息收发双方双赢的局面,另信息利用率得到提升。但是传统推荐系统往往基于item-user的二元关系,通过对item或者user分析找出符合用户需求的推送信息。然而这些信息是静态的,无法描述用户当前环境下用户的偏好以及需求,因此推送的内容往往不能使用户满意。上下文感知推送在推送系统的基础上,着眼于将用户的当前地理位置、时间和偏好等周边信息作为隐式数据进行分析。随着用户当前上下文的不断变化,推送的内容也会不断调整,为用户推送的服务信息也会根据用户的当前环境不断变化。通过对原有推送算法的改进,可以有效的将用户的上下文作为用户的偏好信息影响最终推送的结果。本文提出一种融合了上下文感知计算的推送方法,通过特定的环境,能够为用户提供实时有效的服务推送内容。通过改进的推送算法,不仅能够有效的筛选有用的信息,并且能够自动的为用户删除冗余或者过时失效的服务内容,使得推送结果有效且简洁,推送性能也会较以往的推送算法有所提高。而通过将移动计算的引入,用户的上下文采集将会更为实时和精确,移动设备的移动性和智能化为上下文感知计算的上下文采集提供了更为有效且实时的信息来源。而云计算的引入可以有效的分担由大数据带来的数据计算压力,并且分散在各地的服务器之间跨平台协作障碍也能够得到解决,用户的信息将会在云端进行规整并共享给分布在各地的服务器。用户的个人数据的安全性也因云平台而得到保障。本文将会在先论述数据过载时代推荐系统如何有效的解决数据筛选和推送的问题,并列举一些常见的推送算法,将它们的优点和问题进行列举和比较,给出传统推荐系统和推送算法的不足之处。之后我们会给出上下文感知计算对于传统推荐算法不足之处的弥补,并且给出上下文感知计算在推荐领域的优势,从而引出基于上下文感知计算的推荐系统相较于以往的推荐系统更加优越的地方。最后我们将会通过阐述移动计算和云计算本身的特点,对于上下文感知计算的性能的改进和提升。从而体现本文所提出方法的有效性和价值。方法中包含了例如元数据、更新策略和EUD技术等方案在功能性和有效性上的改进。文章的最后我们会给出仿真模拟实验数据作为本文有效性和性能改进上的证明。