截至2015年12月底，全国移动电话用户数达13.06亿，日益增长的智能机和搜索服务对用户的移动服务体验产生了重要影响。为满足用户不断增长的随时随地获取如美食等信息的需求，更加个性化和与位置有关的移动服务成为未来主要方向。移动环境下基于位置的推荐系统(Location-BasedSystem，LBS)是一种有效的解决方案，它运用现代移动通信、计算机、GPS等技术，提供与位置有关的信息服务。随着基于位置的服务产生信息过载问题，推荐系统依据用户行为和偏好，提供个性化需求推荐被广泛应用。移动终端具有屏幕小及处理能力弱等缺点，而用户注重高实时和方便性体验，对有用信息的提取提出了更高要求，基于位置的推荐系统具有位置敏感性和实时性，可以结合用户当前位置及情景信息进行个性化推荐。
本文建立了一个移动社会网络中基于位置的个性化餐馆推荐模型，分析了移动环境下基于位置的个性化推荐系统的特点和需求，并根据这些特征，比较现有推荐算法的优缺点，选择合适的推荐方法，结合情境、时间和地理等因素提出了分阶段的推荐系统模型架构。
1 移动环境中基于位置的推荐系统
移动环境中LBS系统从运营商提供的位置服务及WIFI定位技术，通过移动手机GPS功能获取用户当前信息。与传统电子商务系统相比，LBS移动应用更注重信息的动态性、多样性和基于用户位置的实时需求。LBS系统与传统电子商务系统相比具有明显差异，导致现有推荐技术不能直接用于基于位置的服务。移动应用程序Foursquare基于地理位置，对用户进行定位，随机构成一个实地的SNS社交网络。大众点评网是一个典型的、广泛使用LBS移动应用服务的例子，用户可以获取各种各样的生活服务信息。
以Foursquare和大众点评网分析LBS推荐系统的特征：(1)位置敏感和实时性。用户可基于位置搜索信息，获得实时期望的服务内容。并能立即获得一些迫切的信息服务。(2)明确的用户信息。基于位置的系统中用户通常具有真实、可靠的身份特征，易识别和收集用户信息。移动用户在网上注册时，便可同步获得他们的统计数据。(3)融入情景信息，适应用户偏好变化。将情景信息如位置、天气、时间等加入LBS推荐系统，可快速响应不同情形下用户兴趣的变化，获取用户短期兴趣，区分用户长期偏好和短期偏好，进行更有效的推荐。(4)冷启动问题。移动推荐系统冷启动包括新用户、新物品和新系统的问题。冷启动发生在一个新的推荐系统的初始阶段，此时没有用户及其行为，缺乏数据导致推荐结果不准确。如何赢得用户和提高其忠诚度，解决冷启动问题是有价值的。(5)隐私保护。由于涉及个人隐私和信息安全，用户不愿提供完整和准确的数据，通过记录不同时间点移动用户所在位置，获取用户场所，分析其信息、行为和位置，提高推荐准确性。
2 推荐算法设计
根据不同的推荐算法将推荐系统划分为：协同过滤、基于内容过滤和基于规则的推荐。协同过滤推荐的基本思想是，假设用户之前具有相同的偏好，则他们在以后也有相似的偏好，根据用户评分矩阵计算不同用户或项目之间的相似性，然后根据相似程度，找出与当前用户过去兴趣类似的其他用户即最近邻相似性。基于最近邻用户或项目评分集计算目标用户对物品的预测值，最终形成推荐。基于内容的推荐是推荐与用户过去已购买的商品或兴趣相似的项目，利用资源和用户兴趣的相似性获取信息并过滤信息。通过获取用户评价过的项目特征和用户记录数据，根据这些数据计算相似性，建立用户兴趣模型，开始推荐过程。然后，系统选择出与用户偏好高度相似的那些物品。基于规则的推荐算法通常基于预先定义的规则进行推荐，由于推荐系统建立时，没有用户行为数据，物品信息也少，因此，通常利用专家进行标注，或根据关联规则的挖掘技术，这些规则用IF-THEN语句表示，主要使用用户的静态属性来创建。
不同推荐算法具有各自的优缺点，在移动环境中推荐系统不仅具有上述推荐算法的特征需求，还具有餐馆对象推荐的一些特性，即餐馆数量多，各式菜肴口味品种等有很大差异，且餐馆属性是离散的。为了向用户推荐适合的餐馆，基于位置的推荐系统需要使用推荐算法处理多个离散属性。选择未对项目内容进行分析的算法以提高推荐餐馆的准确性。协同过滤推荐具有冷启动问题，考虑冷启动问题，首先选择基于规则的推荐算法;当系统收集到足够的数据，采用协同过滤推荐算法。
3 移动社会网络中基于位置的推荐模型
3.1 系统分析
3.1.1 用户偏好模型
用户偏好模型是推荐系统的重要组成部分，它为每个用户提供个性化服务。可以使用不同的方法进行用户偏好建模，用户模型的类型也不同，本文根据用户需求的变化将用户偏好分为短期偏好和长期偏好。
(1)用户短期偏好模型。基于位置服务系统中的用户总是处在不断变化的情景中，不同的情景将使用户的兴趣改变。用户短期偏好指的是由用户当前所处的特定上下文信息影响而表现出的临时偏好，以及与用户持续不变的偏好不同的偏好。在这样的框架下，典型的推荐内容是餐馆，餐馆分为二级类，分别是西餐、火锅和烧烤店等。根据不同的时间、地点和其他上下文信息，用户可能选择不同类型的餐馆。例如冬季用户选择火锅的概率要大得多。将用户在二级分类的偏好可以看作是短期偏好。
(2)用户长期偏好模型。用户长期偏好是在分析大量历史数据的基础上，基于不变的习惯得出的一种偏好，例如用户可接受的价格范围、服务质量、环境和餐馆其他特点等。将不随上下文情景改变的偏好定义为用户的长期偏好。
3.1.2 情景信息集成
情景信息也称上下文信息，指能对用户的需求表达产生影响的环境因素。其中主观因素与用户自身个人喜好、习惯等特性相关;客观因素主要是指当前位置、时间、天气等。上下文信息会对用户短期偏好产生很大影响，做出完全不同的推荐结果。在推荐时，传统的推荐算法只考虑了用户和资源2个维度信息。在移动情景下，用户的环境信息不固定将影响用户对信息的搜索，用户和资源2个维度就需要扩大到三维，即用户、推荐内容、上下文信息。选择预先过滤的情境信息并适当地修改，首先基于用户的位置，去除远远大于客户可接受范围的餐馆，过滤掉未在营业时间内的餐馆。其次，融合当前情景信息区分用户的短期和长期偏好，获取餐馆类型和属性的用户偏好概率，计算每个餐馆推荐的概率。最后，执行基于用户和上下文信息的协同过滤推荐，显示向当前用户推荐在相同情境下与其他用户有共同偏好的餐馆列表。
3.2 系统模型
系统框架使用历史数据为新用户进行推荐，在冷启动阶段将少量的甚至没有用户数据及行为的新用户保留下来，降低移动用户操作的复杂性。此外，系统框架融合丰富的情景信息，如位置、天气条件、季节等，基于用户的短期和长期的偏好向用户提供最有效的推荐。当系统收集到大量的数据，采用混合的协同过滤推荐算法提高推荐结果。
(1)用户信息。用户信息包括诸如性别、年龄和其他人口统计的手机注册信息、移动设备信息等。
(2)情景信息。情景信息包括用户当前的位置、天气、时间、季节等情境信息。
(3)餐馆信息。餐馆信息包括餐馆类型、特征及其他的基本信息。餐馆类型有西餐店、火锅店、烧烤等;餐馆特征有环境、口味、价格、无线网络等;餐馆基本信息有餐馆位置、营业时间、联系电话等。
(4)用户日志。用户日志指用户的历史浏览记录，包括用户等级和交互数据等，以便在冷启动阶段更新规则库，并为协同过滤推荐提供数据支持。
3.3 基于规则的推荐系统
冷启动阶段缺少历史数据和用户的反馈评分，且餐馆的属性数量庞大、离散，用户偏好使用不那么复杂的操作系统，选择基于规则的推荐算法来展示用户冷启动阶段的推荐结果。如用户喜好的餐馆类型可以是西餐、烧烤店等，选择何种餐馆与用户当前所处情景有关。如用户今天想去吃火锅，明天更喜欢去烧烤店，相应地把用户对餐馆类型的偏好定义为用户短期口味偏好。对餐馆特征属性的偏好，如价格范围，服务质量和环境等，通常不随情景信息改变，将这些特征属性定义为用户长期偏好。
初始阶段，用户短期偏好建立在共有认识上，当用户与系统交互时实时修正;长期偏好通过分析数据确定。区分用户的人口统计特点、手机属性和餐馆信息之间的关系，建立IFTHEN表示的规则库，当用户与系统交互，通过匹配规则进行匹配，计算每家餐馆的推荐概率，得出最终的推荐列表。传统的基于规则推荐算法未记录用户的反馈评分，本文将用户对推荐结果的反馈记录到数据库，供协同过滤推荐使用。
