融合多数据源的多用户上下文推断

用户上下文信息（包括用户性别、年龄、婚姻状况、位置等）的推断已被证明对构建上下文感知推荐系统很有价值。然而，现有关于用户上下文推断的普遍研究存在两个缺点：1. 仅关注单一数据源（例如互联网浏览日志或移动通话记录）；2. 忽略多个用户上下文之间的相互依赖（例如年龄与婚姻状况之间的相互依赖），这导致了较差的推断性能。为解决该问题，本文中我们首先利用张量外积在特征空间中融合多个数据源，以获得扩展的用户特征表示。随后，以该扩展用户特征表示为输入，我们提出一种称为 MulAProM 的多属性概率模型来推断用户上下文，该模型能够利用它们之间的相互依赖关系。我们的研究基于来自中国上海本地移动运营商的大型电信数据集，包含两个月数据源，即 8000 名移动用户在六个月期间产生的 460 万条通话详细记录和 750 万条数据流量记录。实验结果表明，我们的模型在召回率（recall）、精确率（precision）和 F1 值（F1-measure）方面优于其他模型。