基于云计算的移动商务推荐服务网络分析

刘春灵

（中国移动集团新疆有限公司伊犁州移动分公司 伊犁 835000）

1 引言

随着通信网络的发展，移动通信技术逐渐渗透到电子商务的多个领域。移动通信和电子商务的融合造就了移动商务的诞生[1]。移动商务能在任何时间任何地点灵活地适应用户的数据环境，并为用户提供移动办公、移动CRM、移动资产管理、移动新闻采编、移动物流、移动银行、移动销售等多种商务应用[2]。移动定位在我国拥有广阔的应用前景。从目前的实际应用情况来看，移动定位用户规模依然较小，移动定位占移动运营商增值服务总收益的比重还比较低。总体来看，移动定位业务在我国还仅仅处于市场培育阶段。要有效推动移动定位业务的快速、健康发展，需要与众多的传统产业相融合，促进产业价值链的多元化，拓展行业市场。

网络的深度发展使得网络信息的有效获取成为人们面临的问题，推荐技术因能帮助人们获取非结构化信息，引起了研究者的注意。由于推荐技术是通过人类自身的智慧协作完成信息的提供，这在某种层次上比简单的机器搜索更符合人自身的需要。目前，Web2.0将人的兴趣、信息提供、信息获取整合起来，更多地体现人的主动性。移动互联网络给用户提供了较好的人际间的兴趣和信息的有效交互[3]，如何利用用户行为提升移动商务价值成为移动网络科技的热点之一。

由于人的移动特性和信息量逐渐增加，如何快捷地给用户提供用户需要的信息推荐服务成为目前亟待解决的问题[4]。云计算具有高可靠性、高计算性能等特点[7,8]，为移动推荐服务提供新的思路。本文在移动网络用户分析的基础上，将基于移动用户行为的推荐计算划分成多个子云计算，在以基站为中心的子云计算中，一方面可以快捷地在子云内进行推荐，另一方面可在较高的程度上保持移动用户行为的可预测性。这将更有利于移动网络信息的推荐。

2 移动商务中的推荐服务

与传统电子商务相比，移动电子商务有以下优点。

（1）服务的时空随意性

同传统的电子商务相比，移动电子商务的一个最大优势就是移动用户可随时随地获取所需的服务、应用、信息和娱乐。他们可以在自己方便的时候，使用智能电话或PDA查找、选择及购买商品和服务。

（2）更好的个性化服务

移动电子商务能更好地实现移动用户的个性化服务，移动计算环境能提供更多移动用户的动态信息(如各类位置信息、手机信息)，这为个性化服务的提供创造了更好的条件。移动用户能更加灵活地根据自己的需求和喜好来定制服务与信息的提供(如用户可以将自己所处的城市结合进去，调整商品递送的时间，实现自己的个性化服务)。

（3）基于位置的服务

移动通信网能获取和提供移动终端的位置信息，与位置相关的商务应用成为移动电子商务领域中的一个重要组成部分。移动商务可以为不同位置的用户提供更具位置特性的服务（如在不同情境下，为用户提供不同的服务）。

与传统Internet上相似，由于手机等移动终端设备在容量和屏幕显示上的限制。“信息过载”在移动商务信息服务中更加突出。虽然搜索能处理用户已经确定存在的信息，但更多的信息是用户根本就不知道其存在与否的。推荐问题注重于主体的被动性，主要存在于用户已经得到产品时，一方面由于产品的相关性得到新的产品，这种新的产品是原来用户不曾想到的，进而可能引发新的产品 需 求[9，10]。

虽然基于定位的服务在定位的基础上对信息进行过滤，然而在一定的区域范围内某类商品或服务的信息仍然很多，大量信息对于用户仍是很大的负担。在移动过程中，受环境、安全等因素的约束，用户一般没有时间认真翻阅各条信息进而决定使用什么样的服务。同时，为了提高移动设备的便携性，移动设备的显示屏幕都比较小，这就给大量信息的显示和查阅带来了很大的问题。在上述约束下，基于定位的个性化推荐能很好地解决这些问题，为用户提供个性化的服务信息。在这里将基于定位的个性化推荐定义为基于对移动设备的定位及与位置相关的信息向用户自动推荐符合其兴趣偏好或需要的资源。

移动服务不但可以不受地点的服务限制，还对紧急事件的处理具有独特的优势。由于紧急事件常常具有突发性，其发生的时间和地点都具有极大的不确定性，而移动设备随身携带，能为紧急事件的处理带来很大方便。某些移动推荐信息也具备紧急性，用户一般需要马上得到所需要的信息，如即时股价、天气以及附近酒店信息等。越是在紧急的情况下，移动推荐服务越能体现其优势。但是推荐服务需要对用户数据和信息进行计算才能依据一定的方法进行推荐。随着移动用户数和信息量的逐渐增加，传统的方法无法及时满足用户的即时信息需求，这种“可扩展性”问题日益突出。如何在不降低推荐精度的情况下，提高推荐算法的效率成为目前移动商务推荐服务的新的问题。

3 云计算理论

3.1 云计算产生的背景

（1）即时透明计算

图1 透明计算系统的组织结构

云计算将大量的用户计算分布在不同的云团上，从而降低了前端用户设备对计算能力的需求，这对移动商务的发展具有划时代的推动作用。透明计算系统的组织结构如图1所示。

（2）绿色网络

将大量的数据，计算能力集中起来，可以完成超规模的网络计算需求。这样可以减少冗余的计算设备，极大降低对能源的消耗。

3.2 云计算的特征

IBM公司于2007年底宣布了云计算计划，在IBM的技术白皮书“Cloud Computing”中的云计算定义:“云计算一词用来同时描述一个系统平台或者一种类型的应用程序。一个云计算的平台按需进行动态地部署 (provision)、配置(configuration)、重新配置 (reconfigure)以及取消服务(deprovision)等。在云计算平台中的服务器可以是物理的服务器或者虚拟的服务器。高级的计算云通常包含一些其他的计算资源,如存储区域网络(SANs)、网络设备、防火墙以及其他安全设备等。云计算在描述应用方面,它描述了一种可以通过互联网Internet进行访问的可扩展的应用程序。‘云应用'使用大规模的数据中心以及功能强劲的服务器来运行网络应用程序与网络服务。任何一个用户可以通过合适的互联网接入设备以及一个标准的浏览器就能够访问一个云计算应用程序。”该定义包含了云计算的两个方面的含义：一方面描述了基础设施，用来构造应用程序；另一方面描述了建立在基础设施上的云计算应用。

3.3 目前常见的几类云计算

Google公司有一套专属的云计算平台,这个平台先是为Google最重要的搜索应用提供服务,现在已经扩展到其他应用程序。Google的云计算基础架构模式包括4个相互独立又紧密结合在一起的系统：Google File System分布式文件系统,针对Google应用程序的特点提出的MapReduce编程模式,分布式的锁机制Chubby以及Google开发的模型简化的大规模分布式数据库BigTable。

IBM的 “蓝云”计算平台是一套软、硬件平台,将Internet上使用的技术扩展到企业平台上,使得数据中心使用类似于互联网的计算环境。“蓝云”大量使用了IBM先进的大规模计算技术,结合了IBM自身的软、硬件系统以及服务技术,支持开放标准与开放源代码软件。“蓝云”基于IBM Almaden研究中心的云基础架构,采用了Xen和PowerVM虚拟化软件,Linux操作系统映像以及Hadoop软件(Google File System以及MapReduce的开源实现)。IBM已经正式推出了基于x86芯片服务器系统的“蓝云”产品。

Amazon的弹性计算云由名为Amazon网络服务(Amazon Web services)的现有平台发展而来.2006年3月,Amazon发布了简单存储服务 (simple storage service,简称S3),Amazon通过提供弹性计算云,满足了小规模软件开发人员对集群系统的需求,减小了维护负担，其收费方式相对简单明了:用户使用多少资源,只需为这一部分资源付费即可。

4 基于移动网络区域的推荐云计算

4.1 移动网络的云分析

移动环境下，用户行为的动态性给推荐服务计算带来很大的挑战。云计算能给计算服务提供高可靠性和较强的计算能力，这给移动推荐计算提供了机遇。由于目前的云计算大多建立在分布式计算和并行计算的基础上，移动网络服务确实具有团落效应，这使得移动推荐云计算成为可能，同时也为移动云框架构建提供了新的研究思路。在移动通信中，基站作为基础设施有着特殊的作用。通过基站的反馈信息，可以得到不同用户的具体位置。这样，手持手机的不同用户，就可以被服务器监测到其活动的具体位置。用户在不同位置发出的请求，移动服务系统应该能够根据其所在位置进行初始设定，通过对用户的位置和用户的具体服务请求进行分析后为用户提供个性服务。这样，就可以利用基站形成推荐服务的移动子云。不同的用户常常在不同的区域进行活动，其活动类别也大多相似。如果能够得到移动用户的不同活动区域，则可以更好地为移动用户提供推荐服务。基站在移动服务中具有一定的区域化效应，这给移动商务的推荐服务提供了有力的支持。在移动用户网络中，会出现很多网络交叠结构，如图2所示。

在这些团落内部，用户的兴趣和所关心的事物大多相近。因此，将移动用户划分成不同的片区，有利于通信服务和精准的用户兴趣预测。另外，在这些团落内，由于用户数远远小于整个移动网络的用户数，推荐计算的工作量则大大降低。

这样可以在用户子云块结构服务的基础上进行一定程度的云计算服务。利用map-reduce框架对用户网络推荐服务进行映射服务（map）分布计算，将推荐计算分布到各个子云上；在团落内利用协同过滤进行分布推荐，最后通过加权计算进行规约（reduce）计算，如图3所示。

4.2 移动推荐服务云计算

虽然网络团落内用户对目标项目都比较感兴趣，但是团落内不同用户的评价风格会有很大的差异。用余弦计算项目之间的相似度时，由于不同团落内的项目被评价值有一定的差异，这里只计算同一团落内用户的评价相似情况。

这里，ri,z指同属于用户 i对项目z的评价值，userSim指用户i与用户j的相似度。因为有的用户评价兴趣比较中庸，而有的用户评价风格则比较偏激，那些中庸型用户和偏激型用户的评价风格差异较大，这在某种程度上更能体现用户社团内评价方式个性化的特点。在现实生活中的推荐过程中，每个活动用户的邻居在目标项目上都有一个推荐预测值。

对于每个子云而言，寻找与用户评价最相近的最近邻用户，计算该用户的推荐值。

最后，得到不同移动信息的用户偏好排序，将前几项推荐给移动用户。移动用户通过对所推荐的信息项目进行评价，会得到更为满意的推荐结果。

5 结束语

移动商务中用户的个性化服务是移动增值服务的核心，推荐服务是个性化服务和移动网络广告“精准服务”的最佳技术。日益增长的用户和信息为移动推荐服务造成的“可扩展性”问题，这给移动商务的及时服务带来很大困难。本文在云计算分析的技术上，对移动用户行为的网络团落效应进行分析，建立了移动网络推荐服务的云计算框架。利用协同过滤算法在各推荐子云内进行计算得到不同信息资源的用户偏好，通过云际间的偏好规约，预测用户对各种资源的兴趣程度。该方法能在推荐精度不降低下，较大程度提高移动推荐服务的效率。

1 罗巍.基于位置服务的移动电子商务平台构建.中国科技信息，2010，21(2):172～174

2 杨玲玲.构建移动互联网多商业模式.移动通信，2010，37(1)：75～77

3 Vespignani A.Predicting the Behavior of Techno-Social Systems.Science,2009,325(5939):425～428

4 吴吉义,林志洁,龚祥国.基于协同过滤的移动电子商务个性化推荐系统若干研究.电子技术应用,2007,32(1):5～8

5 许海玲,吴潇,李晓东,阎保平.互联网推荐系统比较研究.软件学报,2009,20(2):350～262

6 刘建国,周涛,汪秉宏.个性化推荐系统的研究进展.自然科学进展,2009,19(1):1～15

7 吴吉义，平玲娣，潘雪增等.云计算：从概念到平台.电信科学，2009，12：23～29

8 陈康，郑纬民.云计算：系统实例与研究现状.软件学报，2009，20（5）：1337～1348

9 Konstan J,MillerB,MaltzD,etal.GRoupLens:applying collaborative filtering to usenet news.Communications of the ACM,1997,40(3):77～87

10 Adomavicius G,Tuzhilin A.Toward the next generation of recommendersystems:a survey ofthe state-of-the-artand possible extensions.IEEE Transactions on Knowledge and Data Engineering,2005,17(6):734～749