CN103294801A - 基于情境感知的联系人个性化推荐服务器、客户端及方法 - Google Patents

Abstract

本发明提供了一种基于情境感知的联系人个性化推荐服务器（100）：包括：用户历史日志分析模块（102），用于根据用户的历史日志分析得到用户的行为模式；用户模型生成模块（104），用于利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；存储装置（106），用于存储所述用户的历史日志、用户的行为模式以及用户模型。相应地还提供了基于情境感知的联系人个性化推荐客户端（300），及基于情境感知的联系人个性化推荐方法。本发明能够帮助节省大量的时间和精力在电话本里面查找联系人。

Description

基于情境感知的联系人个性化推荐服务器、客户端及方法

技术领域

本发明涉及人工智能领域和数据挖掘领域；特别涉及基于情境感知的数据挖掘领域。

背景技术

近年来，随着工业界的飞速发张，便携式移动终端，特别是手机成本逐年降低。随着人们生活水平提高，手机变得越来越普及，而与此同时人们手机里面的联系人也非常多，少则几百多则上千，人们不得不从如此多的联系人中找到想要联系的人。

目前的工业界生产的手机为用户提供了多种技术帮助用户查找联系人，如手动输入关键字（名字、首写字母等）、为联系人设置群组类别（家人、同事等）、通话记录中也会保留历史记录甚至利用语音识别技术查找联系人。然而以上技术都有局限性，手动输入、设置群组这两类方式仍然需要用户手动输入，并且还需要在输入后返回的结果中进行二次查找；而第三种方法，通话记录中仅保留的是最近的历史记录，如果用户的行为是每周末给父亲打电话，那么这种方式便效果甚微了；语音识别技术近几年在工业界得到了飞速的发展，在电话本中查找联系人已不是难事，然而这种技术仍然有诸多局限性，如手机需要是智能手机、需要有网络环境、费流量、方言识别不准，另外还有一个非常难以避免的困境，就是很多场合用户是无法使用语音的，比如开会等。

技术人员已经发现用户在使用手机进行联系他人的时候是有一定的模式的，比如住在上海的周明在每天晚上10点以后基本只跟女朋友发短信、在周末上午给家里打电话、在工作日通常跟公司的同事联系、在北京出差的时候一般除了跟女朋友联系较为频繁外还跟客户A以及老同学B联系频繁。用户的丰富的情境信息其实就是一个情境空间（context space），从这个空间中挖掘用户的行为模式可以有很多种方法，如聚类算法、概率主题模型方法，然而就发明人调研发现现有的方法都没有能够准确挖掘出用户呼叫行为模式。主要原因是用户的行为模式在情境信息构造出来的情境空间中的分布是有交叠的，已有的方法未能区分这些交叠的子空间，使得用户不同的联系人特征会被不同程度的忽略。如图1所示是一个用户的二维情境空间的例子，每一个点表示一个情境信息“特征-值”（如“地点=北京”），同一种颜色表示该用户在这种颜色的情境状态下联系过某个人。假设图中标注的两个模式分别表示用户在“模式-1”中通常联系A，而在“模式-2”中通常联系的人是B。由于传统的模式挖掘方法固有的挖掘准则，它们只会挖掘出“模式-1”，而不会挖掘出“模式-2”。这会导致在“模式-1”的时候模型认为用户更容易联系的人是A，而B因为历史联系次数比较少，所以导致会被忽略，然而其实在被“模式-1”覆盖着的“模式-2”的时候，用户虽然仍然很容易联系A，但是联系B的概率也是非常大的，因此需要提出一种新的情境感知系统和方法为手机用户在其想要联系某联系人时，根据其当前的情境为其推荐最有可能联系的联系人列表。本发明设计的系统是个性化的推荐系统，能够帮助用户通过使用本系统节省大量的时间和精力在电话本里面查找联系人。

发明内容

根据本发明的实施例本发明提供了一种基于情境感知的联系人个性化推荐服务器（100）：包括：用户历史日志分析模块（102），用于根据用户的历史日志分析得到用户的行为模式；用户模型生成模块（104），用于利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；存储装置（106），用于存储所述用户的历史日志、用户的行为模式以及用户模型。

此外，根据另一实施例，还提供了一种基于情境感知的联系人个性化推荐客户端（300），包括相似度计算模块（302），用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即时情景的日志数据与每一个行为模式的相似度；候选人推荐模块（304），用于选取相似度最高的前l个行为模式所对应的推荐候选人列表，对该l个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表；存储装置（306），用于存储所述用户的历史日志以及用户模型。

根据本发明的另一实施例，提供了一种基于情景感知的联系人个性化推荐方法，包括如下步骤：

S101：对客户端用户的历史日志进行分析得到用户的行为模式；

S102：利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；

S103：用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即使情景的日志数据与每一个行为模式的相似度；

S104：用于选取相似度最高的前l个行为模式所对应的推荐候选人列表，对该l个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表。

本发明利用用户的丰富的情境数据，包括时间、地点、手机模式等，映射为更加丰富的因素，如：工作日、周末、假期、上午、下午、傍晚等。丰富的情境信息是推荐算法有良好表现的基础。本发明使用的二阶段聚类算法能够很好的解决背景技术中提到的模式交叠问题，使得在产生推荐列表过程中能够根据不同的模式对电话本联系人分配不同的权重。

本发明提供了一个完整的系统框架，设计简单容易实施，且算法具备轻量级且合理高效等特点。基于本系统，用户可以获得根据其所在情境下为其个性化推荐的联系人列表，有效减少用户搜索联系人的精力和时间上的代价。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了现有技术中二维情景空间的例子。

图2示出了根据本发明实施例的系统结构图；

图3示出了根据本发明实施例的方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

根据本发明实施例的个性化推荐系统的结构如图2所示，根据手机的电量少、计算能力弱等局限性所述系统包括服务器端100和客户端300。

所谓情境信息是指与用户相关的信息，如时间、地点、手机电量、手机模式（静音、会议、户外等）等信息，用户的行为与这些信息是有关系的。历史日志指的是用户在打电话或者发短信的时候系统记录下来的情境信息，日志内容包括用户正在联系的联系人以及当前的情境信息。本发明设计的推荐系统框架挖掘用户的情境日志来构造模型，使得当用户在打开手机想要找一个联系人进行联系（打电话或者发短信）的时候，系统根据用户当前的情境，为其推荐最有可能被他联系的联系人。

所述服务器端100由任何具备网络连接功能的、具有计算能力的服务器、计算机、个人电脑来担当，所述客户端可以是便携式移动电话、便携式数据处理装置，如手机、pad、笔记本电脑等。本发明的个性化推荐系统围绕对用户与联系人之间进行通话、短信等通信操作的历史日志进行分析，通常一条历史日志包含多个字段——特征，例如：联系人电话号码、日期、时间、地点（通信基站代号）、手机模式、电量等，本发明所指的历史日志即是此含义。本发明从挖掘用户的行为模式入手，挖掘用户在何种情境（时间、地点、手机电量等）下更倾向于联系哪些人。

本实施例的服务器100包括用户历史日志分析模块102、用户模型生成模块104和存储装置106。

所述用户历史日志分析模块102，用于根据用户的历史日志分析得到用户的行为模式。

它可以包括：用户日志预处理模块202，用于选取该用户联系最频繁的k个联系人的历史日志，按照预定的方式对所述k个联系人的历史日志中的某些特征所对应的原始值进行映射得到特征所对应的映射值，形成k个以“特征-映射值”为元素的数据集，每个数据集包含n_i组“特征-映射值”，i=1,2，…k。

应该知道系统可以根据初始设置来选择需进行分析的特征，也可以根据系统需要变更需进行分析的特征，对于特征选择的方法，本发明不作限制。但应该知道历史日志中某些特征对于区分用户模型是比较关键的，而某些特征则对区分用户模型贡献不大，因此应该选择对于区分用户模型起到关键作用的那些特征，例如：日期、时间、地点。

实际操作中，用户历史日志中的某些特征的原始值不便于分析，例如一条历史日志可能是，“137***（联系人电话），2010-01-14-13-27（日期时间），21762-11143（通信基站代号），会议模式（手机模式），35%（电量）”，系统无法针对这条历史日志提供有用的分析结论，日志预处理模块的作用在于将历史日志进行映射和转换，例如将时间特征所对应的值映射为早晨、中午、晚上；日期特征所对应的值映射为星期、工作日、周末、月末、月初、节日；电量特征所对应的值映射为高、中、低；地点特征对应的映射值为经纬度信息等等，从而将历史日志中的特征-原始值转换为特征-映射值，而这些经过转换后的映射值能够对区分用户模型起到作用，以便后续分析，因此本系统中其他模块的分析基础均为经过映射后的“特征-映射值”。

聚类模块204，用于针对k个数据集的每一个，利用DBScan聚类算法进行聚类，得到对应每个联系人的一个或多个簇。

可以根据下述DBScan聚类算法进行聚类：对于每个联系人的数据集：

输入:n_i组“特征-映射值”，设置半径e，最少数目MinPts;

输出:所有生成的簇，达到密度要求；

步骤：

（1）重复

（2）从数据集中抽出一个未处理的点（“特征-映射值”）；

（3）找出所有从该点触发半径e之内的所有附近点，如果附近点数量≥MinPts则当前点与其附近点形成一个簇，并且出发点被标记为已访问，然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；

（4）如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；

（5）直到所有的点都被处理。

在本实施例中，一个“特征-映射值”就是一个元素——聚类算法中的一个点，聚类得到的簇就是一组“特征-映射值”。例如，用户与作为家人的某个联系人聚类获得的簇是｛“时间=上午”，“日期类别=周末”，“地点=学校”｝。

而后需要对得到的k组数据集的簇结果其进行合并从而获得用户行为模式。行为模式生成模块206，用于对k个联系人的所有簇进行比较，将相似度Sim大于预定的阈值的簇取并集得到合并后的簇，将相似度Sim小于预定的阈值的簇保留，相似度比较后的全部簇即形成用户的行为模式集合，每个簇代表一个行为模式c_i。

具体合并方式表示为：

输入：两个簇，阈值alpha

输出：合并后的簇结果

步骤：

（1）按相应的特征计算两个簇之间的相似度Sim；

（2）如果相似度Sim大于alpha，则执行（3），否则执行（4）；

（3）取两个簇的并集作为一个最终簇，并输出；

（4）两个簇相差较大，不进行合并，直接返回两个原有的簇

其中步骤（1）中按特征计算相似度的初衷在于某些“特征-映射值”无法直接匹配看是否一样，比如特征为地理位置的两个“特征-映射值”为a、b，而a和b其实只相隔100米，实质上应该认为二者是很接近的，再如特征为时间段的两个“特征-映射值”为“时间段=3:00”和“时间段=4:00”其实也是很接近的。所以本发明为了更准确的计算簇之间的相似度，定义了同种特征的相似度Sim的计算方法：

输入：两个相同类别的特征所对应的映射值a、b，阈值beta；

输出：相似度Sim；

步骤：

（1）计算a、b之间的距离distance，

（2）如果distance大于beta，则认为不相似，

（3）如果distance小于beta，则采用如下公式计算二者的相似度Sim：Sim=(1-sigma)*(1-(distance/beta))+sigma，

（4）返回Sim。

其中所述sigma为0-1之间的小数。

这样得到的值Sim会映射到sigma到1之间，优选地，sigma设置成0.8，则相似度Sim的范围是[0.8，1]。

特别地，当所述特征为地点时，所述distance为实际距离，单位为米，当所述特征为时间时，所述distance为两个时间之间的差值。优选地，所述sigma=0.8。

用户模型生成模块104，用于利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表。

所述用户模型表示为：

model={c_1:recList_1,c_2:recList_2,…,c_n:recList_n},recList_i={user_1:prob_1,user_2:prob_2,…,user_m:prob_m}其中c_i表示行为模式，recList_i表示在该行为模式中被推荐的联系人列表，user_j表示用户的某个联系人，prob_j表示用户在当前行为模式c_i下联系user_j的概率。

具体来说，所述用户模型生成模块104针对每个联系人user_j，计算用户历史日志中每条涉及该联系人的历史日志的“特征-映射值”组与每个行为模式c_i的“特征-映射值”组之间的相似度Sim，而后将该行为模式c_i下计算获得的该联系人user_j的历史日志的相似度Sim累加而后作归一化处理，从而获得行为模式c_i下与联系人user_j联系的概率。

应该知道，可以采用与行为模式生成模块102中的相似度计算相同的方法进行用户模型生成模块104中的相似度计算。

存储装置106，包含数据库，用于存储所述用户的历史日志、用户的行为模式以及用户模型。

特别地，所述服务器还可以包括：数据接收装置103，用于从外界接收用户历史日志信息。所述数据接收装置103接收用户历史日志的途径可以是多种的，例如通过无线传输、蓝牙、Wifi、有线传输、或者通过总线或数据线从存储介质上读取用户历史日志，用户历史日志可以直接来自于客户端，例如移动终端、手机、便携式设备，也可以来自于某个存储介质，例如U盘、移动硬盘、存储卡等。

所述服务器还包括数据发送装置105，用于发送用户模型，所述用户模型可通过多种途径发送给客户端，例如可通过蓝牙、Wifi或通过数据线传输等方式发送给客户端。

此外，服务器还可以包括触发装置107，根据预定的规则，触发用户历史日志分析模块和用户模型生成模块对用户模型进行重新计算。所述预定的规则可以是例如间隔一定时间或者当用户的历史日志数据达到一定数量时，触发条件可以是灵活的，这些均不作为对本发明的限制。

根据本发明实施例的客户端300继续参考图2，包括相似度计算模块302、候选人推荐模块304和存储装置306。

相似度计算模块302，用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即时情景的日志数据与每一个行为模式的相似度。

具体来说，用户在打电话或者发短信等联系人操作时，相似度计算模块302会将所处的即时情境处理成一组“特征-值”，并计算当前情景的该组“特征-值”用户模型中的所有行为模式（簇）的相似度，计算方法可以与之前描述的相似度计算相同。

此后，候选人推荐模块（304）选取相似度最高的前l个行为模式所对应的推荐候选人列表，例如取前3个，对该3个行为模式所对应的推荐候选人列表进行重新计算排序，例如，可以对3个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表。

此外，与本发明的联系人个性化推荐系统的服务器和客户端相对应的，本发明还提供了一种基于情景感知的联系人个性化推荐方法，包括如下步骤：

S101：对客户端用户的历史日志进行分析得到用户的行为模式；

S102：利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；

S103：用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即使情景的日志数据与每一个行为模式的相似度；

S104：用于选取相似度最高的前l个行为模式所对应的推荐候选人列表，对该l个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表。

本发明利用用户的丰富的情境数据，包括时间、地点、手机模式等，映射为更加丰富的因素，如：工作日、周末、假期、上午、下午、傍晚等。丰富的情境信息是推荐算法有良好表现的基础。本发明使用的二阶段聚类算法能够很好的解决背景技术中提到的模式交叠问题，使得在产生推荐列表过程中能够根据不同的模式对电话本联系人分配不同的权重。

本发明提供了一个完整的系统框架，设计简单容易实施，且算法具备轻量级且合理高效等特点。基于本系统，用户可以获得根据其所在情境下为其个性化推荐的联系人列表，有效减少用户搜索联系人的精力和时间上的代价。

虽然关于示例实施例及其优点已经详细说明，应当理解在不脱离本发明的精神和所附权利要求限定的保护范围的情况下，可以对这些实施例进行各种变化、替换和修改。对于其他例子，本领域的普通技术人员应当容易理解在保持本发明保护范围内的同时，工艺步骤的次序可以变化。

此外，本发明的应用范围不局限于说明书中描述的特定实施例的工艺、手段、方法及步骤。从本发明的公开内容，作为本领域的普通技术人员将容易地理解，对于目前已存在或者以后即将开发出的工艺、手段、方法或步骤，其中它们执行与本发明描述的对应实施例大体相同的功能或者获得大体相同的结果，依照本发明可以对它们进行应用。因此，本发明所附权利要求旨在将这些工艺、手段、方法或步骤包含在其保护范围内。

Claims (10)

1.一种基于情境感知的联系人个性化推荐服务器（100）：其特征在于，包括：

用户历史日志分析模块（102），用于根据用户的历史日志分析得到用户的行为模式；

用户模型生成模块（104），用于利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；

存储装置（106），用于存储所述用户的历史日志、用户的行为模式以及用户模型。

2.根据权利要求1所述的服务器，其中所述用户历史日志分析模块包括：

用户日志预处理模块（202），用于选取该用户联系最频繁的k个联系人的历史日志作为训练数据，按照预定的方式对所述k个联系人的历史日志中的某些特征所对应的原始值进行映射得到特征所对应的映射值，形成k个以“特征-映射值”为元素的数据集，每个数据集包含n_i组“特征-映射值”，i=1,2，…k；

聚类模块（204），用于针对k个数据集的每一个，利用DBScan聚类算法进行聚类，得到对应每个联系人的一个或多个簇；以及

行为模式生成模块（206），对k个联系人的所有簇进行比较，将相似度Sim大于预定的阈值的簇取并集得到合并后的簇，将相似度Sim小于预定的阈值的簇保留，相似度比较后的全部簇即形成用户的行为模式集合，每个簇代表一个行为模式c_i。

3.根据权利要求2所述的服务器，其中：

所述用户模型生成模块（104）针对每个联系人user_j，计算用户历史日志中每条与该联系人之间的历史日志的“特征-映射值”组与每个行为模式c_i的“特征-映射值”组之间的相似度Sim，而后将该行为模式c_i下计算获得的该联系人user_j的历史日志的相似度Sim累加而后作归一化处理，从而获得行为模式c_i下与联系人user_j联系的概率。

4.根据权利要求1所述的服务器，还包括：

数据接收装置（103），用于从外界接收用户历史日志信息；

数据发送装置（105），用于发送用户模型。

触发装置（107），根据预定的规则，触发用户历史日志分析模块和用户模型生成模块对用户模型进行重新计算。

5.根据权利要求2所述的服务器，其中：

所述历史日志中的特征包括：日期、时间、地点、手机模式、电量；

所述历史日志中的某些特征包括：日期、时间、地点；

所述时间特征所对应的值映射为早晨、中午、晚上；

日期特征所对应的值映射为星期、工作日、周末、月末、月初、节日；

电量特征所对应的值映射为高、中、低。

6.根据权利要求2所述的服务器：其中：

所述聚类模块204根据下述DBScan聚类算法进行聚类：对于每个联系人的数据集：

输入:n_i组“特征-值”，设置半径e，最少数目MinPts;

输出:所有生成的簇，达到密度要求；

步骤：

（1）重复

（2）从数据集中抽出一个未处理的点（“特征-值”）；

（3）找出所有从该点触发半径e之内的所有附近点，如果附近点数量≥MinPts则当前点与其附近点形成一个簇，并且出发点被标记为已访问，然后递归，以相同的方法处理该簇内所有未被标记为已访问的点，从而对簇进行扩展；

（4）如果附近点的数量<MinPts，则该点暂时被标记作为噪声点；

（5）直到所有的点都被处理。

7.根据权利要求2或3所述的服务器：其中：

所述行为模式生成模块（102）和用户模型生成模块（104）根据如下方法计算相似度Sim：

输入：两个相同类别的特征所对应的映射值a、b，阈值beta；

输出：相似度Sim；

步骤：

（1）计算a、b之间的距离distance，

（2）如果distance大于beta，则认为不相似，

（3）如果distance小于beta，则采用如下公式计算二者的相似度Sim：Sim=(1-sigma)*(1-(distance/beta))+sigma，

（4）返回Sim；

其中所述sigma为0-1之间的小数。

8.根据权利要求7所述的服务器，其中：

当所述特征为地点时，所述distance为实际距离，单位为米，当所述特征为时间时，所述distance为两个时间之间的差值，所述sigma=0.8。

9.一种基于情境感知的联系人个性化推荐客户端（300），包括

相似度计算模块（302），用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即时情景的日志数据与每一个行为模式的相似度；

候选人推荐模块（304），用于选取相似度最高的前l个行为模式所对应的推荐候选人列表，对该l个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表；

存储装置（306），用于存储所述用户的历史日志以及用户模型。

10.一种基于情景感知的联系人个性化推荐方法，包括如下步骤：

S101：对客户端用户的历史日志进行分析得到用户的行为模式；

S102：利用所述行为模式和用户的历史日志建立用户模型，所述用户模型用来表示用户在某种行为模式下以何种概率去联系哪些联系人，从而得到在该种行为模式下的推荐候选人列表；

S103：用于在用户进行联系人操作时，对即时情境信息进行收集产生日志数据，并计算即使情景的日志数据与每一个行为模式的相似度；

S104：用于选取相似度最高的前l个行为模式所对应的推荐候选人列表，对该l个行为模式所对应的推荐候选人列表中的联系人概率进行线性组合和归一化运算，从而获得最终推荐列表。

Images