论文总字数：19362字

目 录

1 引言 1

1.1 课题背景及其意义 1

1.2 研究现状分析 1

1.3 可行性分析 2

2 相关技术 3

2.1 个性化推荐模型设计综述 3

2.2贝叶斯分类器 3

2.2.1 贝叶斯定理 3

2.2.2 贝叶斯分类的原理 3

2.3系统相关技术及开发工具 4

2.3.1 安卓介绍 4

2.3.2 安卓四大组件 4

2.3.3 AlarmManager机制 4

2.3.4 百度地图定位sdk 4

2.3.5 SharedPreferences 5

2.3.6 SQLite数据库 5

2.3.7 开发环境 5

2.3.8 运行环境 6

3 系统的分析设计与模型建立 6

3.1 系统需求分析 6

3.2 APP个性化推荐建模流程 7

3.2.1 确定特征属性 8

3.2.2 用户数据提取 8

3.2.3 训练分类器 9

3.2.4 APP推荐模型建立 11

3.3 系统架构 11

3.3.1系统结构图 11

3.3.2系统用例图 12

3.3.3功能模块概述 12

3.4 数据库设计 13

4 系统实现 13

4.1 图标和名字 13

4.2 推荐模块 14

4.3 分类模块 15

4.4 定位模块 17

4.5 我的定制模块 18

4.5.1 设置常住城市 18

4.5.2 问候语推送 19

5 测试分析 20

5.1 系统基本功能测试 20

5.2 个性化推荐研究分析 20

6 总结和展望 23

参考文献： 24

致谢 25

移动平台信息主动推荐技术研究

陈雨薇

计算机与软件学院， 20121344061

摘要：随着移动用户手机里的应用程序越来越多，呈现给用户的信息也越来越多，用户面临的选择却越来越困难。因此移动用户如何在合适的时间得到合适的信息推荐是一个研究的热门话题。但是当前的信息推荐大多不尽如人意，充斥着大量的无用和重复数据。针对这个问题，本文通过分析移动终端日常行为习惯，进而建立用户移动平台下的个性化行为模型，同时建立移动终端推荐平台----“心荐“。该移动平台能够在不同的时段根据建立的个性化模型向用户推荐手机里已经下载的APP。其中的个性化模型建立使用了贝叶斯分类器，根据提取的用户使用APP的时间点以及定位作为特征属性判断出此刻该给用户推荐的分类。随着使用越来越多，最终采用率能达到85%左右。

关键词：个性化; 推荐；动态模型；安卓；移动平台

Intelligent information recommendation on mobile platform

Yuwei Chen

College of Computer and Software, NUIST, Nanjing, 20121344061, China

Abstract: As the application become more numerous and more complex, the information presented to the user also becoming more and more, but the users are increasingly faced with the choice difficult. How to get the right information at the right time is a hot research topic. But most current information recommendation can not satisfactory the mobile users, because there are lot of useless and repeating data. To address this issue, this topic through the analysis of the mobile terminal daily habits, thereby establishing a personalized behavior model, as well as the establishment of mobile terminal recommendation platform----“XinJian“. This mobile platform use the p personalized behavior model which build by Bayes classifier to recommend the Application in the different time. We extract the time and the position as the characteristic attribute when the user use the APP in the phone. We can compute the characteristic attribute probability to estimate which classification can be recommend to the user. With the number of use increasingly , the final rate of adoption can reach 85%.

Key words: Personalized; recommendation; Dynamic model; Android

1 引言

1.1 课题背景及其意义

随着智能手机的飞速发展，在其迅猛普及的情况下，大部分的手机用户都已经换上了智能手机。现在市场上最热门的智能手机系统主要是IOS和Android，但不论是哪一个，用户所期望的依旧是更方便的浏览方式。在日常生活中，我们随处都可以看到，除去一些老年人，大部分的人都会在公交车，地铁上，甚至是走路的时候浏览一些应用软件，可见应用程序对智能手机用户生活中各方面的影响之大。企业的移动营销也在逐渐受到各个企业的重视与关注，各个企业的营销方式也逐渐开始向移动营销方面变革，当下越来越多的企业已经在手机APP营销中开始了激烈的竞争。

然而在各个企业的手机APP营销竞争中，APP的种类越来越多，呈现给用户的信息也越来越多，用户的选择变得越来越困难，移动用户如何在合适时间得到合适的推荐是研究的热门话题，当前的信息推荐技术大多不尽如人意，服务方式的被动性是其最大的弊端，虽然也有少部分商家会提供主动的推荐服务，但是推荐的内容往往不够准确，不合时宜，整合了多方信息，导致信息量过于庞大，而不同用户的需求存在差异，所需要的信息也不尽相同，但当下大部分的推荐都是为商家做广告做宣传，用户可能会受不了广告轰炸而关掉相关的推荐服务。因此我们应该根据用户的需求向用户提供私人化的、具有针对性的、个性化的推荐服务。方便用户在越来越多的APP中选择出此时此刻最符合该用户需要的APP。本文将设计一款应用程序，能够向用户提供个性化的APP推荐服务。个性化的APP推荐服务是基于分析用户行为，根据用户行为特征进行的主动推荐。因此在安卓环境下建立个性化APP推荐平台，根据用户行为特征的分析建立不同用户的动态模型，并将手机里的众多APP经过用户模型有效过滤，提高个性化APP推荐服务的准确性，以及高质量的APP推荐服务，使用户在不同的时间段及不同的地点获得他们此刻所需要或者所感兴趣的APP推荐。

1.2 研究现状分析

互联网的发展势头已经越发强劲，随着竞争的越发激烈，商家们想要在这激烈化的竞争中胜出，优化用户体验成了必要条件。因此，为了给用户提供更加良好的用户体验，国内外也逐渐将研究重点向分析用户的行为偏好，提供个性化推荐转移。因此，个性化推荐符合大多数手机用户的需求，其未来的发展也将不可限量。

信息的主动推送技术最早是在1996年，由一家名叫PointCast Network的公司提出，而我国对该技术的研究相较国外较晚。我国信息主动推荐技术研究开始的标志是1997年一款名叫“Web Angel”产品的诞生^【9】。之后国内外对信息主动推荐技术的研究逐渐增加并且不断深入，近几年的研究势头也越发强劲。Bruke将传统的个性化推荐方法进行了提升与扩展，在现在的大数据时代，通过个性化推荐，能够帮助用户找到用户最感兴趣的，最有价值的信息^【5】。2011年，陈，李，吴等人则对脸书的实时检索进行了优化^【7】；同年，国内的王永固,邱飞岳,赵建龙等人提出的是在E-learning系统中，采用基于协同过滤技术向用户个性化地推荐适合用户的学习内容^【4】。2012年，Earlybird提出了脸书（Twitter）上的实时搜索应按照查询的次数排序^【6】；同年，国内的高等人提出了微博上的实时搜索研究^【8】。2013年，金淳,张一平，提出了通过分析顾客的购买行为，建立一个可以高效的分析和预测顾客消费趋势的模型，由于考虑了环境的影响，该推荐模型相对其他的推荐模型的有效性得到了提高^【2】；同年，邢星通过用户本身的好友圈子，以及朋友的好友圈子建立起社交网，向用户推荐，扩大了用户的社交圈^【3】。随后2014年，国内的高明等人对之前提出的在微博平台上向用户推荐用户感兴趣的微博，与实时搜索研究进行了改进^【1】。

综上所述，国内外的研究都主要针对了社交网络如：国外的Twitter，国内的微博。又或者是针对E-learning学习系统，并没有针对移动平台上的应用程序推荐做研究。而个性化推荐的应用已经遍布人们的生活了，对于用户来说，针对用户需求进行预测，帮助用户在短时间内找到符合自己心意的APP，使用户不需要花费大量时间来找寻此刻最需要的APP，是大多用户所迫切需要的。本文的研究就是给用户在众多的手机应用程序中根据用户此时的位置和时间段为用户推荐出此刻用户最可能使用的APP，满足智能手机用户的需求。

1.3 可行性分析

下面我们将会从经济条件，技术条件和人力条件来分析APP推荐应用程序----“心荐”的实施可行性。

经济条件：经济条件方面，主要考虑的因素为成本和收益。成本方面，该软件的开发仅需要一台电脑和一部手机，现在的电子产品更新换代飞快，用户的消费水平也在与日俱增，几乎每个人都拥有属于自己的手机。电脑方面，可以使用自己的笔记本电脑开发，也可以选择使用学校机房的电脑进行开发。收益方面，因为“心荐”仅用于毕业设计研究使用，并不会投入市场，因此没有收益问题。通过以上两个方面得出，经济条件具有可行性。

技术条件：这次开发主要使用到的技术有“安卓四大框架”，“百度地图定位SDK”，“AlarmMananger机制”，“SharedPreference”，和“SQLite”。这些技术都已经相对成熟，而且本次开发的时间充裕，若遇到技术难题也可向老师请教，不会导致进度的拖延。因此，技术条件具有可行性。

人力条件：本次开发需要的人力为本科生一人，由本文作者一人即可完成，因此人力条件具有可行性。

2 相关技术

2.1 个性化推荐模型设计综述

由于智能应用程序的迅猛发展，同一类功能的应用程序可能有很多种选择，不同的用户对不同的应用程序也会有所好恶，而用户的使用习惯会将用户的偏好暴露出来。此时，我们就可以收集这些暴露出来的用户信息，从大量的数据中提取出有效的特征，并建立用户偏好模型，从而根据该模型向用户提供个性化推荐。

2.2 贝叶斯分类器

贝叶斯分类原理是根据统计资料算出分类对象的先验概率，再将对象提取出来的特征，根据贝叶斯定理计算出属于每个类别的概率，即后验概率。其中计算出的后验概率最大值对应的分类即为该对象对应的分类，最为常见的贝叶斯分类器就是Naive Bayes（朴素贝叶斯分类器）。

2.2.1 贝叶斯定理

说到贝叶斯分类器，不得不提的就是贝叶斯定理，下面就是贝叶斯定理的具体公式：

剩余内容已隐藏，请支付后下载全文，论文总字数：19362字

相关图片展示：