13、基于用户偏好扩展的上下文感知 Web 服务推荐

基于用户偏好扩展的上下文感知 Web 服务推荐

1. 引言

上下文感知推荐系统（CARS）旨在为 Web 服务推荐时，不仅推荐与用户高分评价项目或服务相似的内容，还会结合上下文信息进行个性化推荐。近年来，考虑各种上下文因素的 Web 服务推荐已初见成效，如时间、空间和社交等上下文信息常被单独提取用于个性化推荐。

CARS 方法的一个关键步骤是参考用户在相似位置下的先前服务调用经验来进行服务质量（QoS）预测。现有工作主要探讨了区域相关性对用户偏好的影响，也有将位置感知上下文与矩阵分解方法相结合的新方法。然而，用户位置即时更新引发的用户偏好扩展尚未得到充分关注。

为解决这一问题，本文提出了一种名为 CASR - UPE 的 Web 服务推荐方法。该方法包括三个步骤：
1. 建模用户位置更新对用户偏好的影响。
2. 对更新后的位置进行上下文感知的相似性挖掘。
3. 通过贝叶斯推理预测 Web 服务的 QoS，并为用户推荐最佳 Web 服务。

最后，我们在 WS - Dream 数据集上使用 RMSE 和 MAE 等评估矩阵对 CASR - UPE 算法进行评估，实验结果表明该方法显著优于几种基准方法。

2. 相关工作

近年来，上下文感知推荐系统发展迅速。移动设备及其众包感知能力使得收集丰富的时间和位置上下文信息成为可能。

在 CARS 方法中，时间上下文在传统 CARS 方法中被广泛使用，位置上下文也是一个重要的讨论点，特别是在基于位置的社交网络（LBSN）中。一些位置感知服务推荐方法仅将位置作为过滤器来为当前用户进行推荐，虽然考虑了区域相关性对用户偏好的影响，但忽略了用