[发明专利]用于智能设备的分布式用户建模系统和方法

说明书

技术领域

本发明涉及用户个性化服务，更具体地讲，涉及智能设备的用户建模和数据挖掘中的关联规则挖掘技术的应用。

背景技术

用户个性化系统或服务的关键是获取用户的信息。如果不能获得用户的个性化信息，个性化系统或服务就不能有效调整自身以适应用户的特点和偏好。用户建模(User Modeling或User Profiling)就是为特定领域的用户建立其偏好和行为模式的模型。

目前，有多种应用于用户建模的技术，比如基于统计的方法(Demographic Statistics Methods)、聚类方法(Clustering Methods)、重叠法(Overlay Methods)、原型法(Stereotype Methods)等，但更多的还是机器学习(Machine Learning)的方法，比如贝叶斯方法(Bayesian Methods)、遗传算法(Genetic Algorithm)、神经网络算法(Neural Network Algorithm)等。

下面对上述提到的方法进行简要介绍。

1、基于统计的方法：基于统计的方法就是计算用户的单个实事或偏好出现的次数或者先验概率。对象出现次数越多或者概率值越大，表明用户对该对象越喜欢。

2、聚类方法：聚类是将数据集划分成若干个类别，使得每个类别中的对象尽可能相似，而不同类别中的对象尽量不相似。基于群体用户的建模通常采用聚类的方法。

3、重叠法：该方法是Carr和GoldStein在1977年提出来的。当时该方法用于构建的用户模型是专家模型的一个子集。专家模型被划分成多个更小的主题独立的部分，将这些更小的主题独立的部分连接起来就构成了用户模型。该方法广泛用于教育领域的用户建模。

4、原型法：原型是用户频繁出现属性的一个集合。创建原型是用户建模的一个非常通用的方法。首先为新用户初始化用户模型属性，然后根据初始化的用户模型属性给用户分配一个预定义的原型。少量的初始化信息用于推导用户的大量默认假设。当获取了用户假设的更多信息(例如，用户的偏好数据)之后，默认假设就会被改变成用户更个性化的设置。

5、贝叶斯方法：贝叶斯方法利用贝叶斯公式进行项概率的计算。贝叶斯方法又可分为贝叶斯分类和贝叶斯网络两种用户建模方法。贝叶斯分类首先计算项的先验概率，然后根据贝叶斯公式计算该项属于各个类别的后验概率，选择后验概率最大的类作为该项所属的类。但是贝叶斯分类法有个假设，即，各个类别之间是相互独立的。该假设简化了问题，但是很难满足该假设，因为现实世界中问题变量之间相互依赖的情况更常见。贝叶斯网络采用具有概率分布的有向弧描述随机变量之间相互依赖的图形模式。贝叶斯网络中节点表示事件或者变量，而变量或事件之间的关系用标注概率的有向弧表示。贝叶斯网络用于计划识别、用户需求的推导、情感状态的评估等。

6、遗传算法：该算法通过模拟自然进化的过程，采用选择、交叉和变异操作使得种群向更优良、更适应环境的方向进化，以达到最优解。如果用户的兴趣有变化，通过遗传算法的进化能够发现用户新的需求。而且，由于遗传算法有一定的随机性，因此有助于发现用户隐含的兴趣需求。

7、神经网络算法：神经网络算法中比较典型是BP神经网络。BP神经网络由多层神经元组成，学习样本从输入层输入，经过各个隐含层的处理，通过输出层输出结果。如果输出结果与期望不符，则将误差作为调整信号，逐层反向回传，并对权值进行修改。反复进行直到误差减小到可接受范围为止。

除了上述比较典型的方法外，还有基于本体的方法(Ontology-based Methods)、模糊网络方法(Fuzzy Network Methods)、概念聚类(Conceptual Clustering)等方法，由于这些方法不是很典型，这里不再详细描述。

虽然存在上述诸多用户建模方法，但是对于智能电视、智能手机等智能设备的用户的建模来说，这些用户建模方法存在如下的问题或不足：

1、对于基于统计的方法，只是分别考虑了用户单个偏好或实事的统计，忽略了用户偏好和实事之间的相关关系。例如，如果用户对李连杰的电影很感兴趣，那么该用户很可能对动作片都比较感兴趣。

2、对于聚类方法，只适合于对于群体用户建模，不适合于对单个用户个性化建模。

3、对于重叠法，需要依赖于领域知识。通常智能设备的用户个体的差别很大，而且也无从知道各个用户个体的领域知识。