CN102075851A - 一种移动网络中用户偏好的获取方法及系统 - Google Patents

Abstract

本发明公开了一种移动网络中用户偏好的获取方法及系统，通过建立一个基于上下文计算的用户偏好获取模型，将可利用的上下文信息分为当前上下文和历史上下文，并因之将上下文的计算分为当前上下文感知计算和历史上下文计算，然后以用户历史行为及其上下文作为主要的数据源，通过协同过滤和历史上下文计算等方法逐步精确挖掘用户偏好及其变化；然后根据所述用户偏好获取模型，结合移动网络的实际情况，设计一个移动网络中用户偏好获取系统，以检验所述用户偏好提取模型对移动网络实际场景中的拟合效果，从而验证所述用户偏好提取模型的有效性和先进性。最终实现从海量信息中提取出针对不同对象的群组用户偏好和个体用户偏好的目的。

Description

一种移动网络中用户偏好的获取方法及系统 

技术领域

本发明涉及移动通信领域的业务支撑技术，尤其涉及一种移动网络中用户偏好的获取方法及系统。 

背景技术

随着3G(第三代移动通信)、4G(第四代移动通信)网络架构朝着融合化、水平化方向发展，移动通信网络在与计算机网络逐渐融合的基础上，对传统互联网信息服务进行延伸，为用户提供更加丰富多彩的移动网络服务而不仅是简单的通信业务，如：传统语音与数据业务、移动搜索服务、移动定位服务、无线浏览类业务、移动流媒体服务、移动电子支付服务、移动下载服务、移动网络游戏等，各种移动网络运营商和服务提供商提供的移动网络服务在内容、价格、QoS(Quality of Service，服务质量)等也存在较大差异。由于智能移动设备日益普及，信息资源的获取和推送可以发生在“任何时间、任何地点、任何方式”，移动用户将处于复杂的通信网络环境和丰富的服务提供环境。然而，在移动设备的界面显示、终端处理、输入输出等能力有限的情况下，海量、动态变化的移动网络服务数据往往为用户带来极为沉重的信息负担，从而将导致“移动信息过载”问题。 

因而，移动网络服务选择问题，即如何准确为移动用户提供其真正感兴趣的移动网络服务类型和内容，就显得尤为重要和急迫，已上升为移动网络服务领域急需解决的关键问题从而得到越来越多的关注。例如，国内外一些研究机构开始关注下一代网络服务领域的个性化研究，中国移动、Google公司等企业也开始展开移动个性化服务产品的研制开发。若此问题能够顺利解决，不仅可以提高用户的移动网络服务体验，也能够为移动网络运营商和服务提供商维系用户群、实现“以人为本”的优质服务起到极大的促进作用。 

移动网络运营商和服务提供商只有在充分、准确理解用户对各种服务的需求及其变化后，才能提供满足其需求的服务及内容；因此，构建精确的用户偏好获取模型以获取用户的个性化需求，是最为关键的技术。但由于移动通信网 络的复杂性：一方面，移动网络服务处于一个高度动态变化的环境，涉及到基础网络建设、运营维护管理、业务逻辑设计、内容制作与分发、终端设备等，其应用领域广泛，与各个应用行业的特征密切相关，而且移动网络服务及其内容的推送可以发生在“任何时间、任何地点、以任何方式”，使得研究工作的复杂度很高；另一方面，移动用户具有不同的人口统计学特征背景和上下文环境，对各种服务的认知程度逐步成熟，对服务的需求和偏好也就不尽相同且日趋复杂化，这无疑又增加了研究工作的难度。因此，移动网络中用户偏好获取技术的是一项值得研究和富有挑战性的工作。 

上个世纪末，随着互联网技术的迅猛发展和用户“信息过载”和“信息迷航”问题的出现，人们提出为不同用户提供区分服务的“个性化服务”的概念。传统互联网领域的个性化服务研究以构建用户偏好模型来获取用户对项目的感兴趣程度，主要基于用户-项目(user-item)的二维空间，依赖于协同过滤、基于内容的过滤、混合式过滤等技术实现。尽管传统互联网领域的个性化研究取得了许多成果，但大多数是针对桌面软、硬件系统的“信息过载”问题的。 

目前，随着移动通信网络的飞速发展和用户对移动服务的个性化需求越来越高，国内外研究人员开始在移动个性化服务方面进行研究，移动用户偏好学习作为移动个性化服务的关键技术也开始得到关注。例如，文献“G.Lee，S.Bauer，P.Faratin，J.Wroclawski.Learning User Preferences for Wireless ServicesProvisioning.2004：P480-487”针对动态无线业务选择问题，提出一种利用强化学习算法和马尔科夫模型学习用户偏好的方法；文献“Sheng，Q.，B.Benatallah，and Z.Maamar，User-centric services provisioning in wireless environments.Communication of the ACM，Nov，2008.51(14)：P130-135”描述了一种在无线网络环境中面向不同用户提供服务内容的机制；文献“H.J.Lee，S.J.Park，MONERS：A News Recommender for the Mobile Web.Expert Systems with Applications，2007，32(1)：P143-150”则提出了一种面向移动互联网的新闻推荐系统，所推荐新闻由新闻主题自身的重要性与时效性、用户偏好变化、用户对于新闻所属类别的偏好来决定。上个世纪90年代初，Weiser提出了“普适计算”的概念，作为其核心子领域之一的上下文感知计算开始得到充分关注。这里，所述上下文感知计算的研究内容主要包括：上下文获取、上下文建模和表示、上下文的有效利用、如何构建支持上下文感知的系统框架等。其目标是使系统能够自动的发现并利用位置、周围环境等上下文信息前摄地为用户提供服务和计算资源，从而减少 人机交互，改善用户体验。所述上下文感知计算与信息网络相结合是最近几年出现一种新的技术发展趋势。在融合的下一代网络(NGN)环境中，上下文感知理论多用于物理层或者网络层(如无线传感器网络)，而在业务层(特别是面向移动用户的个性化业务逻辑)的应用则相对较少，例如：文献“Cheng Bo，MengXiangwu，Chen Junliang.An Adaptive User Requirements Elicitation Framework.IEEE Computer Society Washington，DC，USA，2007：P501-502”考虑到上下文感知计算对用户需求提取的作用，提出一种本体驱动的用户需求提取框架；文献“Liu Dong，Meng Xiangwu，Chen Junliang.A Framework for Context-AwareService Recommendation.Advanced Communication Technology，ICACT 2008：P2131-2134”提出一种上下文感知服务推荐框架。 

但在移动网络服务研究领域，由于用户对移动网络服务及其内容的需求或者偏好常常与各种上下文信息相关，且比传统互联网领域的上下文环境更加复杂，因此，传统用户偏好模型不完全适合移动网络服务环境下的用户偏好获取，传统的推荐系统框架也不适合移动网络服务选择模型建模。总之，在上述研究中，上下文感知计算大多用于推荐产生过程，而较少用于用户偏好获取过程，也缺少对移动网络中基于上下文计算的用户偏好获取与服务选择模型的深入研究。 

可见，虽然国内外对于个性化服务、上下文感知计算、用户偏好获取等技术的研究较为深入，对于下一代融合网络服务、面向服务的计算等理论研究也较为丰富，但对于移动网络中用户偏好获取技术的研究尚处于探索阶段，亟待进一步深入研究。 

发明内容

有鉴于此，本发明的主要目的在于提供一种移动网络中用户偏好的获取方法及系统，根据用户的使用习惯并结合上下文感知计算理论获取用户偏好，向用户提供个性化服务，以提高移动用户的网络服务体验，同时，能够采用技术手段过滤大量的冗余信息，充分利用网络资源，提高网络运营商和服务提供商的服务质量和进一步降低运营成本。 

为达到上述目的，本发明的技术方案是这样实现的： 

一种移动网络中用户偏好的获取系统，所述获取系统包括用户历史行为及 上下文生成子系统(21)、数据存储与管理子系统(22)、数据挖掘子系统(23)和用户偏好提取子系统(24)；其中： 

用户历史行为及上下文生成子系统(21)，用以完成移动用户历史行为及用户历史行为上下文的数据生成； 

数据存储与管理子系统(22)，用以完成用户历史行为数据、用户历史行为上下文信息、用户偏好信息的存储和管理； 

数据挖掘子系统(23)，用以完成用户聚类和用户历史行为上下文计算； 

用户偏好提取子系统(24)，用于根据所述数据挖掘子系统(23)的计算结果，提取群组用户偏好和个体用户偏好信息，并输出到所述数据存储与管理子系统(22)。 

其中，所述获取系统进一步包括： 

用户偏好自适应子系统(25)，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子系统(22)中。 

所述用户历史行为及上下文生成子系统(21)进一步包括：用户历史行为生成模块(211)和用户历史行为上下文生成模块(212)；其中， 

所述用户历史行为生成模块(211)，用于实现用户历史行为的数据生成功能，其输出结果为群组用户偏好提取的数据源； 

所述用户历史行为上下文生成模块(212)，用于实现用户历史行为上下文的数据生成功能，其输出结果为用户历史行为上下文计算的数据源。 

所述数据挖掘子系统(23)，进一步包括用户聚类模块(231)和用户历史行为上下文计算模块(232)；其中， 

所述用户聚类模块(231)，基于用户对移动服务的使用量，通过运用聚类算法，将所有用户划分到多个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记； 

所述用户历史行为上下文计算模块(232)，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面上下文的兴趣度。 

所述用户偏好提取子系统(24)，进一步包括群组用户偏好提取模块(241)和个体用户偏好提取模块(242)；其中， 

所述群组用户偏好提取模块(241)，用于对群组用户聚类结果和群组用户历史行为进行计算，输出群组用户偏好信息； 

所述个体用户偏好提取模块(242)，用于对群组用户偏好以及用户历史行为上下文计算结果进行融合计算，输出个体用户偏好信息。 

一种移动网络中用户偏好的获取方法，该方法包括： 

A、利用用户历史行为及上下文生成子系统(21)生成用户历史行为数据与用户历史行为上下文数据，并将所述数据保存在数据存储与管理子系统(22)中； 

B、由数据挖掘子系统(23)从所述数据存储与管理子系统(22)中获取用户历史行为及其上下文数据，并分别进行用户聚类和用户行为历史上下文计算； 

C、再由用户偏好提取子系统(24)根据用户聚类结果提取群组用户偏好，然后再将群组用户偏好与用户历史行为上下文计算结果进行融合计算，以提取个体用户偏好，并将用户偏好信息存储到所述数据存储与管理子系统(22)中。 

所述步骤C之后进一步包括： 

用户偏好自适应子系统(25)根据用户反馈，检测用户历史行为及其上下文数据的变化，或者检测已提取用户偏好与现实用户需求的冲突，然后对已提取的用户偏好进行自适应修正，并将经过修正后的输出结果通过移动网络服务及其内容呈现给用户。 

一种权利要求1所述移动网络中基于上下文计算的个体用户兴趣度计算方法，该方法包括： 

A、提取用户历史行为上下文计算模块的案例数据信息，读取用户历史行为上下文数据库，读取已经处理过的上下文信息； 

B、根据所读取的用户历史行为上下文信息查询案例数据库进行匹配，查看案例是否已存在，如果案例存在，则执行步骤C；否则，执行步骤D； 

C、对案例库中的相应案例进行修改，然后执行步骤E； 

D、将对案例所做的修改或新创建的案例存入案例数据库中，然后执行步骤E； 

E、判断是否上下文信息已经读取完毕，若未读取完，则返回执行步骤A继续读取上下文信息，直至所述上下文信息读取完毕，案例库创建完毕；否则，执行步骤F； 

F、结束案例提取流程，开始上下文计算流程，读取案例库中案例信息，通过计算得出贝叶斯网络中的前提条件值，并根据上一步骤已经获取的条件值，计算出分离的各子网的贝叶斯网络的值，得出用户的日常行为习惯，然后将得出的各子网的值存入数据库中； 

G、根据各前提条件和各子网的值计算用户的服务使用概率值，使用聚类算法对用户的服务使用概率值进行聚类分析，以将概率值划分为不同的等级，以提取个体用户兴趣度，并将所提取的个体用户兴趣度存入个体用户兴趣度数据库。 

一种权利要求1所述移动网络中融合协同过滤以及上下文计算的用户偏好提取方法，该方法包括： 

a、获取个体用户兴趣度和群体用户偏好，遍历每个用户在每种上下文环境下对每类服务的兴趣度；b、判断用户是否遍历完，若未遍历完，则执行步骤c；否则，结束本次遍历过程；c、判断针对某个体用户在某类服务的遍历是否完成，若完成则返回步骤b；否则，执行步骤d；d、判断针对所述个体用户在某类服务下的上下文遍历是否完成，若完成则返回步骤c；否则，执行步骤e；e、判断所述个体用户的兴趣度是否为零，若是，则执行步骤f；否则，执行步骤i；f、遍历该个体用户所在群组的所有其他用户在该种上下文环境下对该类服务的兴趣度，并获取该用户所在群组标识，然后执行步骤g；g、计算所述所有其他用户在该种上下文环境下对该类服务的兴趣度的有效平均值；h、判断所述有效平均值是否为零，若是，则执行步骤i；否则，执行步骤j；i、个体用户偏好取值为该用户所在群组对该类服务的偏好值，然后执行步骤l；j、个体用户偏好 取值为有效平均值；然后执行步骤l；k、个体用户偏好取值为该个体用户的兴趣度，然后执行步骤l；l、将个体用户偏好存储到相应的数据库中，然后返回执行步骤d。 

本发明所提供的移动网络中用户偏好的获取方法及系统，具有以下优点： 

本发明通过提出一种基于上下文计算的移动网络中用户偏好获取模型，并设计相应的原型系统来实现以该用户偏好获取模型的有效性，其中，通过使用用户历史行为上下文生成模块，记录用户历史行为发生时用户所处的上下文环境，并对这些历史上下文进行计算，从而求解出基于上下文计算的用户偏好，将有利于提高个性化服务的精确度；在用户历史行为上下文计算模块中采用基于上下文计算的用户兴趣度计算方法，对历史上下文进行推理和利用贝叶斯理论计算用户历史行为上下文，求解出用户历史行为发生时的各种上下文概率，并最终利用多维度矩阵的形式描述的个体用户兴趣度，丰富了用户偏好的精度描述；在用户偏好提取子系统中采用融合协同过滤技术和上下文计算的用户偏好提取方法，将基于上下文计算的个体用户兴趣度和个体用户所在群组的服务偏好进行融合计算，从而预测和提取不同用户在不同上下文环境下对不同移动网络服务的偏好，最终产生所需的以多维度矩阵形式描述的用户偏好信息。另外，在用户偏好自适应子系统中实施了基于上下文计算的用户偏好自适应方法，通过对用户偏好的变化和冲突进行检测，并对用户偏好信息的结果进行修正，进一步提高了提取用户偏好信息的精确度。 

附图说明

图1为本发明实施例中基于上下文计算的用户偏好获取模型示意图； 

图2为本发明的移动网络中用户偏好获取系统结构示意图； 

图2A为本发明图2中用户历史行为及上下文生成子系统的用户历史行为生成模块功能结构示意图； 

图2B为本发明图2中用户历史行为及上下文生成子系统的用户历史行为上下文生成模块功能结构示意图； 

图2C为本发明图2中数据挖掘子系统的用户聚类模块功能结构示意图； 

图2D为本发明图2中数据挖掘子系统的用户历史行为上下文计算模块功能结构示意图； 

图2E为本发明图2中用户偏好提取子系统的群组用户偏好提取模块功能结构示意图； 

图2F为本发明图2中用户偏好提取子系统的个体用户偏好提取模块功能结构示意图； 

图2G为本发明图2中用户偏好自适应子系统的功能结构示意图； 

图3为本发明实施例中移动网络用户偏好获取系统的物理结构示意图； 

图3A为本发明的移动网络中用户偏好获取系统的基本处理流程示意图； 

图4为本发明原型系统中历史行为上下文生成过程示意图； 

图5为本发明原型系统中基于上下文计算的个体用户兴趣度计算方法的流程示意图； 

图6为本发明原型系统中的融合协同过滤以及上下文计算的用户偏好提取方法流程示意图。 

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。 

本发明的核心思想是：通过建立一个基于上下文计算的用户偏好获取模型，在传统个性化服务系统的基础上，充分考虑复杂动态变化的上下文信息在移动网络用户偏好获取中的重要性，将可利用的上下文信息分为当前上下文和历史上下文，并因之将上下文的计算分为当前上下文感知计算和历史上下文计算，然后以用户历史行为及其上下文作为主要的数据源，通过协同过滤和历史上下文计算等方法逐步精确挖掘用户偏好及其变化；然后根据所述用户偏好获取模型，结合移动终端用户、移动网络运营商和网络服务提供商的实际情况，设计一个移动网络中用户偏好获取系统，以检验所述用户偏好提取模型对移动网络实际场景中的拟合效果，从而验证所述用户偏好提取模型的有效性和先进性。所述原型系统实质是一个独立的系统，其功能由一些子系统和模块相互配合、共同完成，其功能与所述模型应完成的功能相对应，原型系统主要包括：用户历史行为及上下文生成子系统、数据存储与管理子系统、数据挖掘子系统、用 户偏好提取子系统、用户偏好自适应子系统以及用户界面。通过利用所述原型系统的用户历史行为及上下文生成子系统、数据存储与管理子系统、数据挖掘子系统、用户偏好自适应子系统以及用户偏好提取子系统，最终实现从海量信息中提取出针对不同对象的群组用户偏好和个体用户偏好的目的。 

图1为本发明实施例中基于上下文计算的用户偏好获取模型示意图，如图1所示，该用户偏好获取模型属于数据驱动型模型，其从功能层面上由低到高可分为数据采集层、用户偏好获取层和用户偏好自适应层，该模型使用用户偏好提取技术和用户偏好自适应技术，其研究的对象，即数据信息，主要来自移动网络的服务商，所述数据信息包括：用户历史行为信息、用户历史行为上下文信息、用户人口统计学信息、移动网络服务信息、上下文信息等；也可按数据的来源划分为三类：即用户信息、资源信息和上下文信息。 

基于上下文计算的用户偏好获取模型的数学描述初步为：M＝{U，I，C，P}，U×I×C→P。其中：U代表用户信息，I代表客体资源信息，C代表上下文信息，P代表用户偏好。模型计算依据主要是用户历史行为及用户历史行为上下文，由模型底层的“数据采集层”来获取。其中，用户历史行为用于描述用户对客体资源(当前模型以移动网络服务为对象)的使用情况；用户历史行为上下文用于描述用户使用客体资源时所处的上下文条件。 

由于用户偏好的提取是一个逐步精确的过程，图1所示模型中的用户“偏好提取层”首先要通过计算用户历史行为提取到较为粗糙的群组用户偏好，然后通过计算用户历史行为上下文提取出个体用户兴趣度，最后再将两种数据融合计算，提取出较为精确的个体用户偏好。 

这里，用户偏好自适应，是指检测用户偏好发生变化或者所提取用户偏好与现实用户需求的冲突，并进行修正的技术。用户偏好自适应技术是通过所述“用户偏好自适应层”来实现，其主要包括两个必要过程：第一、用户偏好变化/冲突检测；第二、用户偏好修正。 

由于本发明用户偏好获取模型的构建是实现所述移动网络中用户偏好获取系统的基础，因此需要对所述用户偏好获取模型中利用到的理论或技术，如：本体、协同过滤、上下文计算、矩阵理论和马尔可夫过程等做一简单介绍： 

所述本体，共享概念模型的明确的形式化规范说明。基于本体对用户、客体资源、上下文、用户偏好等进行建模，有利于从语义层面对上述各个领域数据进行结构化、形式化描述，便于对各个领域数据的复杂关系的进行推断。 

所述协同过滤，协同过滤方法利用用户之间的相似性(或者项目之间的相似性)，基于其他人的评价和建议为用户提供决策支持。本发明中主要用于对群组用户偏好进行提取的过程。 

所述上下文计算，指系统能发现并有效利用上下文信息(如用户位置、时间、环境参数、邻近的设备和人员、用户活动等)进行计算的一种计算模式。发明中提出的模型将上下文分为两种，即历史上下文、当前上下文；因而上下文计算也分为两部分，即历史上下文计算、当前上下文感知计算。在本发明中获取用户偏好时，考虑用户历史行为发生时用户所处的历史上下文；在产生推荐时，考虑用户当前的上下文。 

所述矩阵理论，用户偏好获取模型从用户、服务、上下文等多维角度来考察用户偏好，因而使用多维矩阵理论对影响用户偏好的各维因素进行计算，并将获取到的用户偏好存储到多维矩阵中。 

所述马尔科夫过程，是指在某一时刻发生的事件，只是在有限时段内产生影响的随机过程，属于随机过程理论。将马尔科夫过程理论应用到用户偏好自适应计算过程中，能够有效检测和计算用户偏好变化，从而进行用户偏好修正。 

图2为本发明的移动网络中用户偏好获取系统结构示意图，如图2所示，所述原型系统主要由用户历史行为及上下文生成子系统21、数据存储与管理子系统22、数据挖掘子系统23、用户偏好提取子系统24以及用户偏好自适应子系统25构成。其中， 

用户历史行为及上下文生成子系统21，用以完成移动用户历史行为及用户历史行为上下文的数据生成。 

这里，所述用户历史行为及上下文生成子系统21还包括：用户历史行为生成模块211、用户历史行为上下文生成模块212。 

所述用户历史行为生成模块211，用于实现用户历史行为的数据生成功能，其输出结果可以作为群组用户偏好提取的数据源。 

所述用户历史行为上下文生成模块212，用于实现用户历史行为上下文的数据生成功能，其输出结果可以作为用户历史行为上下文计算的数据源。 

需要说明的是，在本发明中仅选择那些影响用户偏好最深刻的上下文类型，如时间、位置、使用设备和用户活动状态等，但这并不限定所述基于上下文计算的用户偏好获取模型仅支持上述几种类型的上下文，所述模型并不依赖于具体的上下文类型，还可以进一步扩展，如增加天气、噪音环境、光线、用户的 社会环境等。 

数据存储与管理子系统22，用以完成用户历史行为数据、用户历史行为上下文信息、用户偏好信息的存储和管理。 

这里，所述数据存储与管理子系统22，进一步包括用户偏好存储与管理模块221、用户历史行为存储与管理模块222和用户历史行为上下文存储与管理模块223。其中：所述用户偏好存储与管理模块221，用于存储和管理用户偏好信息。所述用户历史行为存储与管理模块222，用于存储和管理用户历史行为信息。所述用户历史行为上下文存储与管理模块223，用于存储和管理用户历史行为上下文信息。 

所述数据存储与管理子系统22，通过用户信息表、用户历史行为表、用户历史行为上下文信息表、群组用户偏好表、个体用户偏好表以及用户界面相关的数据表对各类数据信息进行管理。数据存储与管理子系统22主要对用户信息表、用户历史行为表、用户历史行为上下文信息表、群组用户偏好表、个体用户偏好表及其相关联的数据结构对数据信息进行管理。 

数据挖掘子系统23，用以完成用户聚类和用户历史行为上下文计算。 

这里，所述数据挖掘子系统23，进一步包括用户聚类模块231和用户历史行为上下文计算模块232；其中， 

所述用户聚类模块231，基于用户对移动服务的使用量，通过运用K-Means聚类算法，将所有用户划分到K个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记。 

用户历史行为上下文计算模块232，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面的兴趣度。 

用户偏好提取子系统24，用于根据所述数据挖掘子系统23的计算结果，从所述数据存储与管理子系统22中提取群组用户偏好和个体用户偏好信息并输出；还用于根据所述用户偏好自适应子系统25的检测/修正结果以及结合所述数据挖掘子系统23的计算结果提取并输出修正后的群组用户偏好和个体用户偏好信息。 

这里，所述用户偏好提取子系统24，进一步包括群组用户偏好提取模块241和个体用户偏好提取模块242；其中， 

所述群组用户偏好提取模块241，用于对群组用户聚类结果和群组用户历 史行为进行计算，输出群组用户偏好信息。 

所述个体用户偏好提取模块242，用于对群组用户偏好以及用户历史行为上下文计算结果进行融合计算，输出个体用户偏好信息。 

用户偏好自适应子系统25，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子系统22中。 

这里，用户偏好自适应子系统25，进一步包括用户偏好变化/冲突检测模块251和用户偏好修正模块252。其中： 

所述用户偏好变化/冲突检测模块251，用于根据事先设定的变化阈值或变化检测算法及时捕捉用户偏好的变化；或用于检测当多源渠道提取的用户偏好进行融合时，可能出现用户偏好不一致而产生冲突的现象，或检测所提取用户偏好与用户显式设定的偏好之间存在不一致而产生冲突的现象，并将所述用户偏好变化/冲突情况传给用户偏好修正模块252。 

所述用户偏好修正模块252，用于完成用户偏好的修正功能，即针对用户偏好冲突和用户偏好变化的不同客观情况，设定用户偏好修正算法，以达到对用户偏好信息进行修正，进一步使得所获取的用户偏好信息精确化的效果。 

另外，原型系统之外，还包括一个负责用户与所述原型系统之间信息交互的用户界面。这里，所述用户包括移动终端用户和系统管理维护用户。 

图2A为本发明图2中用户历史行为及上下文生成子系统的用户历史行为生成模块功能结构示意图，如图2A所示，用户历史行为生成模块211，进一步包括如下子模块： 

读取外界信息文档子模块2111，用于对外界信息文档进行解析，并将解析结果存入指定数组中供其他子模块使用。 

初始化用户信息子模块2112，用于生成用户ID，将其存入数据库中，并给该用户的各个属性字段赋值。 

初始化用户行为表子模块2113，用于根据用户信息表中的用户ID(主键)来初始化用户历史行为表，所述用户历史行为表包括用户行为表中各条记录的主键(用户ID)以及各个服务量。 

生成用户行为数据子模块2114，用于读取外界信息文档子模块2111中的解析结果数组作为输入，并将生成的数据更新到数据库用户行为表中的相应字段。 

用户历史行为数据子模块2115，用于实现用户历史行为数据的增减，如在 上个月的历史数据的基础上进行增减，并将其保存到数据库中。 

数据库备份子模块2116，用于实现数据库信息的备份，以便于查看前期产生的数据。 

图2B为本发明图2中用户历史行为及上下文生成子系统的用户历史行为上下文生成模块功能结构示意图，如图2B所示，用户历史行为上下文生成模块212，进一步包括如下子模块： 

用户历史行为上下文生成父代理子模块2121，用于启动父代理、启动子代理、接收上级代理的控制消息、并从数据库中获取用户服务量数据，作为整个用户历史行为上下文信息生成入口模块，该子模块控制其它模块的运行步骤和过程，该子模块的代理通过接收上级子模块即用户历史行为生成模块的控制信息来控制自身各模块的运行，当接收到上级子模块的控制消息后，该子模块代理开始启动其它各代理，并通过用户信息数据流控制各代理模块的运行节奏。 

用户信息生成代理子模块2122，用于生成用户的用户信息，将生成的用户信息存储到用户信息表中，通过该代理子模块，能够根据不同的情形为用户的信息设定符合自己的活动规律，当该代理子模块运行后，能够根据用户设定的规律为用户生成符合某种规律的用户信息。 

设备信息生成代理子模块2123，用于为每个服务生成用户设备，使每一条使用记录对应一种用户设备，并将生成的上下文信息存入用户上下文信息表，同上述模块，该子模块也可设置不同的规律，让不同特征的用户使用不同的设备，由于各代理子模块之间是相互独立的，因此在设置不同的规律时，其它代理很少能影响的当前代理的逻辑，而且该代理内部逻辑的改动完全不会影响到其他代理逻辑的实现。 

时间信息生成代理子模块2124，用于为每个服务生成用户的时间上下文，使每一条记录对应一个不同的时间，同上述所述代理子模块，该代理子模块也可根据设定的自身需求的规律来生成自己的逻辑，该代理的逻辑的修改不影响其它代理，产生结果存入相应用户的历史行为上下文数据库表中。 

位置信息生成代理子模块2125：用于为每个业务生成用户地点的上下文，使每一条使用记录对应一个用户所在位置；该代理的生成逻辑，可以完全根据不同的用户，不同的身份信息，产生不同的位置信息，这样生成的上下文位置信息将很接近现实中的上下文信息，能为今后的工作提供更好的依据。 

活动信息生成代理子模块2126：为每个服务生成用户历史行为的活动信息 上下文，使每一条使用记录都对应一种用户状态。与上述代理子模块同理，根据不同的用户信息，生成不同的用户活动信息，活动信息产生的规律在所述代理子模块内部设置，依据不同的使用环境设置不同的规律，从而最终产生符合用户需求的上下文信息记录。 

服务量分配代理子模块2127：将用户历史行为的服务量进行分配，让各种服务的服务量很好的分配到一个月的30天中的每一段时间内，服务量的分配可以使随机将总量分配到所有天中，也可以根据一定得使用习惯分配服务量，总之代理中的业务逻辑是可以随时变化的，通过不同的业务逻辑的变化可以适应不同的环境，满足各种需求。 

图2C为本发明图2中数据挖掘子系统的用户聚类模块功能结构示意图，如图2C所示，用户聚类模块231进一步包括如下子模块： 

提取用户信息子模块2311，用于从存放用户历史行为信息的数据库中提取用户的ID号与用户历史行为信息，即服务的使用量。 

数据映射子模块2312，用于将所有的数据按照某种映射法映射到同一区间[a，b]上，目的是为了降低多维数据属性之间的相互影响，避免大数淹没小数，从而使得聚类效果更加理想。 

寻找聚类中心子模块2313，用于产生K个互不相同的随机数确定初始聚类中心，并选择初始聚类中心。 

计算聚类中心子模块2314，用于计算每个聚类的聚类中心；计算聚类中心的方法是以每个聚类中所有数据的平均值作为聚类中心，具体做法为：多维数据计算每维的平均值。 

聚类划分子模块2315，用于将所有的数据划分到与之最近的聚类中，划分方法是计算数据与每个聚类中心的欧几里得距离。 

算法收敛判断子模块2316，用于通过收敛条件判断聚类划分是否结束，如果满足收敛条件，则结束聚类算法；反之，则继续进行聚类划分，直到满足收敛条件为止。 

用户聚类号设置子模块2317，用于为数据库中的每个用户设置一个聚类号。 

图2D为本发明图2中数据挖掘子系统的用户历史行为上下文计算模块功能结构示意图，如图2D所示，用户历史行为上下文计算模块232，进一步包括如下子模块： 

<时间|位置|活动，移动服务>案例提取子模块2321，该模块通过获取已经生成的上下文使用记录信息，通过提取其中的时间、位置、活动、服务信息建立<时间|位置|活动，移动服务>案例库，在该案例提取过程中，逐个读取产生的上下文记录信息，建立案例，对于重复的案例予以清除，只保留单一案例。对每个用户都建有对应的案例库以便下一步求解。 

<时间，位置>日常习惯案例提取子模块2322，该模块通过获取已经生成上下文使用记录信息，通过提取时间、位置信息建立<时间，位置>案例库。在该案例提取过程中，确定对案例类型的需求后，逐个读取产生的上下文记录信息，建立案例，对于重复的案例予以清除，只保留单一案例。对每个用户都建有对应的案例库以便下一步求解。 

<位置，活动>日常习惯案例提取子模块2323，该模块通过获取已经生成上下文使用记录信息，通过提取位置、活动上下文信息建立<位置，活动>的案例库。在该案例提取过程中，确定对案例类型的需求后，逐个读取产生的上下文记录信息，建立案例，对于重复的案例予以清除，只保留单一案例。对每个用户都建有对应的案例库以便下一步求解。 

<时间|位置|活动，移动服务>兴趣度计算子模块2324，根据<时间|位置|活动，移动服务>兴趣度计算子模块提取的案例，计算用户对于相应案例的兴趣度，由于在提取过程中案例对应的值是不同的(如移动服务的使用量不同)，所以不同案例最后计算所得兴趣度值也不同。通过使用贝叶斯公式能够将后验概率的计算转化成先验概率的计算，使兴趣度的计算得到很好的解决和实现。贝叶斯网络将有向无环图与概率理论有机结合，将因果关系用有向图直观的表示出来，而且历史记录的统计值都是离散数据，使得贝叶斯公式在应用于移动领域历史记录统计计算方面具有很好的效果。 

<时间，位置>日常习惯兴趣度计算子模块2325，根据<时间，位置>日常习惯兴趣度计算子模块提取的案例，计算用户对于相应案例的兴趣度，由于在提取过程中案例对应的时间量值是不同的，所以不同案例最后计算所得兴趣度值也不同。通过贝叶斯公式将后验概率的计算转化成先验概率的计算，使兴趣度的计算得到很好的解决和实现。 

<位置，活动>日常习惯兴趣度计算子模块2326，根据<位置，活动>日常习惯兴趣度计算子模块提取的案例，计算用户对于相应案例的兴趣度，由于在提取过程中案例对应的量值是不同的，所以不同案例最后计算所得兴趣度值也不同。 再通过贝叶斯公式能够将后验概率的计算转化成先验概率的计算，能够简单高效地计算出对应的兴趣度值。 

图2E为本发明图2中用户偏好提取子系统的群组用户偏好提取模块功能结构示意图，如图2E所示，群组用户偏好提取模块241，进一步包括如下子模块： 

群组历史行为矩阵构造子模块2411，用于完成群组历史行为矩阵构造的功能，即以用户聚类结果为输入，计算每个群组的所有用户对各类移动网络服务的平均使用量，构造群组历史行为矩阵。 

服务聚类子模块2412，用于完成服务聚类的功能，即以群组历史行为矩阵为输入，以各个群组的历史行为数据为待聚类对象，根据聚类算法，将每类服务的各个群组使用情况聚类为5个(或3个)等级，即：5-很偏好，4-较偏好，3-一般偏好，2-较不偏好，1-很不偏好(或，3-高级偏好，2-一般偏好，1-较不偏好)。 

群组用户偏好计算子模块2413，用于完成群组用户偏好计算功能，即以群组历史行为矩阵和服务聚类结果为输入，根据服务聚类结果将群组历史行为矩阵映射为群组用户偏好矩阵，其中，所述矩阵采用“群组-服务”的二维形式，以群组名为行向量，以各类服务为列向量，群组用户偏好矩阵存储于数据存储与管理子系统中的群组用户偏好存储与管理模块。 

群组用户偏好结构化描述子模块2414，用于完成群组用户偏好的结构化描述功能，即以群组用户偏好提取结果为输入，按照已经设计好的XML Schema来生成XML格式的半结构化群组用户偏好描述文档，并将文档存储到群组用户偏好存储与管理模块。 

图2F为本发明图2中用户偏好提取子系统的个体用户偏好提取模块功能结构示意图，如图2F所示，个体用户偏好提取模块242，进一步包括如下子模块： 

个体用户兴趣度零值检测子模块2421，用于完成个体用户兴趣度零值检测功能，即个体用户兴趣度数据库中某用户在某种特定上下文条件下对某类服务的兴趣度是否为零；如果为零，则执行个体用户偏好计算子模块功能；否则，执行有效平均兴趣度计算子模块。 

有效平均兴趣度计算子模块2422，用于完成有效平均兴趣度计算功能，即有效平均兴趣度计算子模块需要从群组用户偏好矩阵数据库找到个体用户所属群组的其他用户，并在个体用户兴趣度数据库中遍历这些用户在某种特定上下 文条件下对某类服务的非零值兴趣度，并计算出它们的平均值，输出为有效平均兴趣度。 

有效平均兴趣度零值检测子模块2423，主要完成有效平均兴趣度零值检测功能，即检测有效平均兴趣度计算子模块所输出的有效平均兴趣度是否为零。如果为零，则执行个体用户偏好计算子模块功能，且不访问群组用户偏好数据库；否则，执行个体用户偏好计算模块功能，且访问群组用户偏好数据库。 

个体用户偏好计算子模块2424，用于完成个体用户偏好计算功能，具体为：根据上述模块的计算结果与判断条件，在不同的条件下，将个体用户偏好的取值分别设置为个体用户兴趣度、有效平均兴趣度或者个体所在群组用户偏好，从而预测出该用户在不同的上下文环境下对不同类服务的偏好值，并将输出结果存储到个体用户偏好数据库(个体用户偏好存储与管理模块)中。 

个体用户偏好结构化描述子模块2425，用于完成个体用户偏好的结构化描述功能，即以个体用户偏好提取结果为输入，按照已经设计好的XML Schema来生成XML格式的半结构化个体用户偏好描述文档，并将文档存储到个体用户偏好存储与管理模块。 

图2G为本发明图2中用户偏好自适应子系统的功能结构示意图，如图2G所示，所述用户偏好自适应子系统25，通过使用用户偏好变化/冲突检测模块251根据设定的变化阈值或变化检测算法及时捕获群组/个体用户偏好的变化；或在将多源渠道提取的用户偏好进行融合时，及时检测出用户偏好不一致而产生冲突、或是所提取用户偏好与用户显式设定的偏好之间不一致而导致的冲突；然后再利用所述用户偏好修正模块252进行修正，并将修正结果保存在用户偏好数据库中。 

图3为本发明实施例中移动网络用户偏好获取系统的物理结构示意图，图中示出了包括运营商、服务内容提供商、终端用户在内的移动网络环境下所述原型系统中的关系，所述数据存储与管理子系统记录网络运营商和服务内容提供商供终端用户使用移动设备所产生的数据信息，通过使用用户偏好提取子系统以及用户偏好自适应子系统，结合上下文环境对所述数据存储与管理子系统中的数据信息进行处理，以期得到所述终端用户的群组偏好和用户偏好信息。 

图3A为本发明的移动网络中用户偏好获取系统的基本处理流程示意图，下面结合图3对本发明所述原型系统中移动网络用户偏好的获取方法进行进一步的说明： 

参考图3A，所述原型系统的各子系统之间信息交互过程，包括如下步骤： 

步骤301～302：从用户界面触发用户历史行为及上下文生成子系统21，生成用户历史行为数据与用户历史行为上下文数据； 

步骤303：将所述用户历史行为及上下文生成子系统将生成的用户历史行为及其上下文存储到数据存储与管理子系统22中； 

步骤304～305：数据挖掘子系统23从数据存储与管理子系统22中获取用户历史行为及其上下文数据，分别进行用户聚类和用户行为历史上下文计算； 

步骤306～313：用户偏好提取子系统24根据用户聚类结果提取群组用户偏好，然后再将群组用户偏好与用户历史行为上下文计算结果进行融合计算，以提取个体用户偏好，并存储到数据存储与管理子系统22； 

步骤314：根据用户偏好、当前上下文感知信息选择适合该用户在当前上下文环境需要的移动网络服务类型，并推荐给用户； 

步骤315：用户界面将被推荐的移动网络服务及其内容呈现给用户，并进行反馈； 

步骤316～317：用户偏好自适应子系统25根据用户反馈，检测用户历史行为及其上下文数据的变化，或者检测已提取用户偏好与现实用户需求的冲突，然后对已提取的用户偏好进行自适应修正，并将经过修正后的输出结果，即通过用户界面将被推荐的移动网络服务及其内容呈现给用户。 

图4为本发明原型系统中历史行为上下文生成过程示意图，用户历史行为上下文生成模块212以用户历史行为生成模块211的输出结果作为输入，首先为用户生成用户的个人信息，然后以移动网络服务为单位生成时间，再生成设备，然后再生成位置(用户的个人信息决定的用户位置的范围)，接下来将生成用户的活动(用户活动的生成结果取决于用户的位置信息)，最后是用户的服务量分配。以上各个生成过程中不是相互独立的，各代理之间也存在依赖和约束关系，并最终生成用户历史行为上下文信息。如图4所示，该过程具体包括： 

步骤401：启动历史行为上下文生成父代理及各个子代理，接收上级代理(用户历史行为生成代理)的控制消息。 

步骤402：历史行为上下文生成父代理从数据库中获取用户历史行为数据。 

步骤403：用户信息生成代理接收历史行为上下文生成父代理的控制消息，控制消息传递的变量为用户ID和服务使用总量。 

步骤404：用户信息生成代理生成用户的用户信息，将生成的用户信息存 储到用户信息表中，并发送控制消息给用户设备生成代理。 

步骤405：使用用户设备生成代理为每个用户生成用户设备，并发送控制消息给时间生成代理。 

步骤406：使用时间生成代理，为每类服务生成用户的时间上下文，使每一条记录对应一个不同的时间，并发送控制消息给位置生成代理。 

步骤407：使用地点生成代理，为每类服务生成用户的地点上下文，使每一条使用记录对应一个用户所在位置，并发送控制消息给用户活动生成代理。 

步骤408：使用用户活动生成代理，为每类服务生成用户历史行为的活动信息上下文，使每一条使用记录都对应一种用户状态，并发送控制消息给服务量生成代理。 

步骤409：使用服务量分配代理，对每个用户的用户历史行为服务量进行分配，让各种移动网络服务的服务量分配到一个月的30天中的每一段时间内，并将带上下文的用户历史行为存储到用户历史行为上下文数据库中。需要说明的是，每次分配一天/24小时的服务量，然后发送控制消息到用户设备生成代理，执行该用户的下一次服务量分配的循环。 

步骤410：服务量分配代理发送控制消息到用户设备生成代理。 

步骤411：时间生成代理检测到该用户一个月/30天的用户行为分配完毕后，发送控制消息给历史行为上下文生成父代理，执行下一个用户的用户历史行为上下文数据生成。 

此外，在用户历史行为上下文数据生成过程中，使用到多线程并发控制技术，每次循环生成N(取5～10)个用户的数据。 

图5为本发明原型系统中基于上下文计算的个体用户兴趣度计算方法的流程示意图，以用户历史行为上下文数据作为输入，通过对上下文知识进行推理和利用贝叶斯理论计算用户历史行为上下文，求解出用户历史行为发生时的各种上下文概率，最终输出包含上下文信息的个体用户兴趣度，如图5所示，该过程包括： 

步骤501：提取用户历史行为上下文计算模块的案例数据信息； 

步骤502：读取用户历史行为上下文数据库，读取已经处理过的上下文信息； 

这里，所述上下文信息是从传感器获取的原始信息经过领域本体的处理之后的上下文信息，此时上下文信息已不再是原始的数字，而是一种语义信息； 

步骤503：根据所读取的用户历史行为上下文信息查询案例数据库进行匹配，查看案例是否已存在，如果案例存在，则执行步骤504；否则，执行步骤505； 

步骤504：对案例库中的相应案例进行修改，然后执行步骤506； 

步骤505：创建一个新的案例，然后执行步骤506； 

步骤506：将对案例所做的修改或新创建的案例存入案例数据库中，然后执行步骤507； 

步骤507：判断是否上下文信息已经读取完毕，若未读取完，则返回执行步骤501继续读取上下文信息，直至所述上下文信息读取完毕，案例库创建完毕；否则，执行步骤508； 

步骤508：结束案例提取流程开始上下文计算流程，执行步骤509； 

步骤509：读取案例库中案例信息，通过计算得出贝叶斯网络中的前提条件值，然后执行步骤510； 

步骤510：根据上一步骤已经获取的条件值，计算出分离的各子网的贝叶斯网络的值，即得出用户的日常行为习惯，然后执行步骤511； 

步骤511：将得出的各子网的值存入数据库中； 

步骤512：根据各前提条件和各子网的值计算用户的服务使用概率值； 

步骤513：使用聚类算法对用户的服务使用概率值进行聚类分析，以将概率值划分为不同的等级，以提取个体用户兴趣度； 

步骤514：将所提取的个体用户兴趣度存入个体用户兴趣度数据库； 

步骤515：结束计算过程。 

图6为本发明原型系统中的融合协同过滤以及上下文计算的用户偏好提取方法流程示意图，参照图1所示的用户偏好获取模型可知，该方法是以用户历史行为及用户历史行为上下文信息为输入，利用基于聚类算法的协同过滤方法来计算用户历史行为，并提取出群组用户偏好；利用历史上下文计算方法来计算用户历史行为上下文，并提取出个体用户兴趣度；然后将基于协同过滤方法的群组用户偏好和基于上下文计算的个体用户兴趣度进行融合计算，从而预测和提取不同用户在不同上下文环境下对不同移动网络服务的偏好，即个体用户偏好信息。参考图6，该方法包括如下步骤： 

步骤601：获取个体用户兴趣度和群体用户偏好，遍历每个用户在每种上下文环境下对每类服务的兴趣度； 

步骤602：判断用户是否遍历完，若未遍历完，则执行步骤603；否则，若执行完，则执行步骤613； 

步骤603：判断针对某个体用户在某类服务的遍历是否完成，若完成则返回步骤602；否则，执行步骤604； 

步骤604；判断针对所述个体用户在某类服务下的上下文遍历是否完成，若完成则返回步骤603；则，执行步骤605； 

步骤605：判断所述个体用户的兴趣度是否为零，若是，则执行步骤606；否则，执行步骤611； 

步骤606：遍历该个体用户所在群组的所有其他用户在该种上下文环境下对该类服务的兴趣度，并获取该用户所在群组标识，然后执行步骤607； 

步骤607：计算所述所有其他用户在该种上下文环境下对该类服务的兴趣度的平均值；这里所述平均值为非零值的兴趣度的平均值，即有效平均值； 

步骤608：判断所述有效平均值是否为零，若是，则执行步骤609；则，执行步骤610； 

步骤609：个体用户偏好取值为该用户所在群组对该类服务的偏好值，然后执行步骤612； 

步骤610：个体用户偏好取值为有效平均值；然后执行步骤612； 

步骤611：个体用户偏好取值为该个体用户的兴趣度，然后执行步骤612； 

步骤612：将个体用户偏好存储到相应的数据库中，然后返回执行步骤604； 

步骤613：结束本次遍历过程。 

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。 

Claims (9)

1.一种移动网络中用户偏好的获取系统，其特征在于，所述获取系统包括用户历史行为及上下文生成子系统(21)、数据存储与管理子系统(22)、数据挖掘子系统(23)和用户偏好提取子系统(24)；其中：

用户历史行为及上下文生成子系统(21)，用以完成移动用户历史行为及用户历史行为上下文的数据生成；

数据存储与管理子系统(22)，用以完成用户历史行为数据、用户历史行为上下文信息、用户偏好信息的存储和管理；

数据挖掘子系统(23)，用以完成用户聚类和用户历史行为上下文计算；

用户偏好提取子系统(24)，用于根据所述数据挖掘子系统(23)的计算结果，提取群组用户偏好和个体用户偏好信息，并输出到所述数据存储与管理子系统(22)。

2.根据权利要求1所述的移动网络中用户偏好的获取系统，其特征在于，所述获取系统进一步包括：

用户偏好自适应子系统(25)，用以完成用户偏好变化/冲突检测、用户偏好修正，并将检测结果或修正的结果保存在数据存储与管理子系统(22)中。

3.根据权利要求1所述的移动网络中用户偏好的获取系统，其特征在于，所述用户历史行为及上下文生成子系统(21)进一步包括：用户历史行为生成模块(211)和用户历史行为上下文生成模块(212)；其中，

所述用户历史行为生成模块(211)，用于实现用户历史行为的数据生成功能，其输出结果为群组用户偏好提取的数据源；

所述用户历史行为上下文生成模块(212)，用于实现用户历史行为上下文的数据生成功能，其输出结果为用户历史行为上下文计算的数据源。

4.根据权利要求1所述的移动网络中用户偏好的获取系统，其特征在于，所述数据挖掘子系统(23)，进一步包括用户聚类模块(231)和用户历史行为上下文计算模块(232)；其中，

所述用户聚类模块(231)，基于用户对移动服务的使用量，通过运用聚类算法，将所有用户划分到多个不同的聚类中，使得同一聚类中的用户相似度较高，不同聚类中的用户相似度较低，聚类分析结束后，每个用户拥有一个聚类号标记；

所述用户历史行为上下文计算模块(232)，用于对用户历史行为上下文进行计算，以求出个体用户对某一方面上下文的兴趣度。

5.根据权利要求1所述的移动网络中用户偏好的获取系统，其特征在于，所述用户偏好提取子系统(24)，进一步包括群组用户偏好提取模块(241)和个体用户偏好提取模块(242)；其中，

所述群组用户偏好提取模块(241)，用于对群组用户聚类结果和群组用户历史行为进行计算，输出群组用户偏好信息；

所述个体用户偏好提取模块(242)，用于对群组用户偏好以及用户历史行为上下文计算结果进行融合计算，输出个体用户偏好信息。

6.一种移动网络中用户偏好的获取方法，其特征在于，该方法包括：

A、利用用户历史行为及上下文生成子系统(21)生成用户历史行为数据与用户历史行为上下文数据，并将所述数据保存在数据存储与管理子系统(22)中；

B、由数据挖掘子系统(23)从所述数据存储与管理子系统(22)中获取用户历史行为及其上下文数据，并分别进行用户聚类和用户行为历史上下文计算；

C、再由用户偏好提取子系统(24)根据用户聚类结果提取群组用户偏好，然后再将群组用户偏好与用户历史行为上下文计算结果进行融合计算，以提取个体用户偏好，并将用户偏好信息存储到所述数据存储与管理子系统(22)中。

7.根据权利要求6所述的移动网络中用户偏好的获取方法，其特征在于，所述步骤C之后进一步包括：

用户偏好自适应子系统(25)根据用户反馈，检测用户历史行为及其上下文数据的变化，或者检测已提取用户偏好与现实用户需求的冲突，然后对已提取的用户偏好进行自适应修正，并将经过修正后的输出结果通过移动网络服务及其内容呈现给用户。

8.一种权利要求1所述移动网络中基于上下文计算的个体用户兴趣度计算方法，其特征在于，该方法包括：

A、提取用户历史行为上下文计算模块的案例数据信息，读取用户历史行为上下文数据库，读取已经处理过的上下文信息；

B、根据所读取的用户历史行为上下文信息查询案例数据库进行匹配，查看案例是否已存在，如果案例存在，则执行步骤C；否则，执行步骤D；

C、对案例库中的相应案例进行修改，然后执行步骤E；

D、将对案例所做的修改或新创建的案例存入案例数据库中，然后执行步骤E；

E、判断是否上下文信息已经读取完毕，若未读取完，则返回执行步骤A继续读取上下文信息，直至所述上下文信息读取完毕，案例库创建完毕；否则，执行步骤F；

F、结束案例提取流程，开始上下文计算流程，读取案例库中案例信息，通过计算得出贝叶斯网络中的前提条件值，并根据上一步骤已经获取的条件值，计算出分离的各子网的贝叶斯网络的值，得出用户的日常行为习惯，然后将得出的各子网的值存入数据库中；

G、根据各前提条件和各子网的值计算用户的服务使用概率值，使用聚类算法对用户的服务使用概率值进行聚类分析，以将概率值划分为不同的等级，以提取个体用户兴趣度，并将所提取的个体用户兴趣度存入个体用户兴趣度数据库。

9.一种权利要求1所述移动网络中融合协同过滤以及上下文计算的用户偏好提取方法，其特征在于，该方法包括：

a、获取个体用户兴趣度和群体用户偏好，遍历每个用户在每种上下文环境下对每类服务的兴趣度；

b、判断用户是否遍历完，若未遍历完，则执行步骤c；否则，结束本次遍历过程；

c、判断针对某个体用户在某类服务的遍历是否完成，若完成则返回步骤b；否则，执行步骤d；

d、判断针对所述个体用户在某类服务下的上下文遍历是否完成，若完成则返回步骤c；否则，执行步骤e；

e、判断所述个体用户的兴趣度是否为零，若是，则执行步骤f；否则，执行步骤j；

f、遍历该个体用户所在群组的所有其他用户在该种上下文环境下对该类服务的兴趣度，并获取该用户所在群组标识，然后执行步骤g；

g、计算所述所有其他用户在该种上下文环境下对该类服务的兴趣度的有效平均值；

h、判断所述有效平均值是否为零，若是，则执行步骤i；否则，执行步骤j；

i、个体用户偏好取值为该用户所在群组对该类服务的偏好值，然后执行步骤l；

j、个体用户偏好取值为有效平均值；然后执行步骤l；

k、个体用户偏好取值为该个体用户的兴趣度，然后执行步骤l；

l、将个体用户偏好存储到相应的数据库中，然后返回执行步骤d。

Images