HCFContext：基于序列历史的协同过滤智能手机上下文推断
机器学习
2019-04-30 v2 机器学习
摘要
移动上下文判定是许多上下文感知服务（如基于位置的服务、企业策略执行、用于电力或 HVAC 运行的建筑或房间占用检测等）的重要步骤。尤其在基于移动上下文定义策略（例如，仅当用户处于“位置 X”时才参加机密会议）的企业场景中，验证移动上下文的准确性至关重要。为此，提出两种基于隐马尔可夫模型（HMMs）理论的随机模型来获取移动上下文——个性化模型（HPContext）与协同过滤模型（HCFContext）。前者利用用户过去上下文观测的序列历史预测当前上下文，后者以协同过滤特征增强 HPContext，使其能基于与主要用户相关用户（如公司同团队成员、健身房朋友、家人等）的上下文观测来预测主要用户的当前上下文。所提各模型亦可用于增强或补充来自传感器的上下文。此外，鉴于协同过滤中的隐私问题，提出一种基于同态加密概念的隐私保护方法以推导 HCFContext 模型参数。最后，这些模型在真实数据集上得到充分验证。
引用
@article{arxiv.1904.09631,
title = {HCFContext: Smartphone Context Inference via Sequential History-based Collaborative Filtering},
author = {Vidyasagar Sadhu and Saman Zonouz and Vincent Sritapan and Dario Pompili},
journal= {arXiv preprint arXiv:1904.09631},
year = {2019}
}
备注
Mobile context, collaborative filtering, privacy-preserving, personalized model, sensors, location, prediction, hidden markov models, google now, apple siri, cortana, alexa