CN104331431A - 一种情境感知的移动应用排序方法 - Google Patents
一种情境感知的移动应用排序方法 Download PDFInfo
- Publication number
- CN104331431A CN104331431A CN201410567472.5A CN201410567472A CN104331431A CN 104331431 A CN104331431 A CN 104331431A CN 201410567472 A CN201410567472 A CN 201410567472A CN 104331431 A CN104331431 A CN 104331431A
- Authority
- CN
- China
- Prior art keywords
- axis
- place
- gps
- semantization
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Computer Interaction (AREA)
- Navigation (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种情境感知的移动应用排序方法,该方法包括以下的步骤:一、获取语义化场所:二、获取活动:三、应用排序:本发明针对传统应用排序没有考虑用户所处情境,现如今应用排序情境感知能力较弱的问题,提出一种新的情境感知的移动应用排序方法,与现有的方法相比,其优点在于:1)在情境感知时使用了多种情境;2)通过低级情境建立了表达能力更强的高级情境;3)在应用排序时增强了情境感知能力,使得应用排序更加满足用户的个性化需求。
Description
技术领域
本发明涉及应用排序,具体涉及一种情境感知的移动应用排序方法。
背景技术
随着移动互联网的不断发展,移动终端已经成为用户日常生活不可或缺的一部分,越来越多的用户习惯在移动终端上完成日常的各种事务,随之在各个领域出现了众多功能不同的应用以方便用户完成这些事务。相比传统的互联网方式,借助丰富多彩的应用,用户处理事务变得更加随心所欲,然而越来越多的应用也会对用户造成困扰,即无法在移动终端上众多的应用中及时找到所需应用。
随着应用数量的快速增长,应用推荐或者排序显得十分必要。传统的应用推荐一般只通过使用次数或者频率来进行,记录下用户使用某个应用的次数,然后按照使用频率高低来推荐应用,这种方式显然无法适应用户所处的不同情境,因为用户在不同的情境下一般会使用不同的应用。随着传感设备技术的迅速发展,情境感知作为一种能够充分利用移动终端传感数据,智能的分析用户所处的情境,提供个性化服务的技术,越来越得到用户的青睐。最常见的情境感知应用是位置导航服务,利用移动终端的GPS和Wi-Fi等传感设备,推测用户所处的地理位置,提供相关的服务。如基于地理位置相似性的应用推荐,通过统计某一地理位置不同用户使用各种应用的频率来对用户进行推荐,这在一定程度上为用户推荐了比较适宜的应用。然而这种推荐方式只能反映出一般的规律,无法获取用户的个性化需求,同时应用种类的增多需要使用更多情境增强感知能力以便进行更智能的推荐。现如今基于情境感知技术的应用推荐的情境感知能力较弱,一般只使用一种情境,并且该情境的表达能力较弱,无法解决不同用户之间的差异性。
发明内容
本发明要解决的问题是如何使用多种低级情境建立表达能力较强的高级情境,从而增强情境感知能力,更智能的对用户移动终端上的应用进行排序。为了解决上述问题,本发明提出一种情境感知的移动应用排序方法。本发明首先通过移动终端获取用户的各种低级情境信息(如位置、加速度等),然后在低级情境信息基础上进行特征提取,建立高级情境信息(如语义化场所、活动等)分类模型,最后使用预设规则在不同高级情境信息下对移动终端上的应用进行排序。
为了实现上述的目的,本发明采用了以下的技术方案:
一种情境感知的移动应用排序方法,该方法包括以下的步骤:
一、获取语义化场所:
步骤1,通过移动终端上的GPS传感设备采集用户的GPS位置信息;
步骤2,根据时间和距离将GPS位置信息聚类成GPS访问地点;
步骤3,对所有GPS访问地点提取星期、时间、持续时间和响应率四种时间模式特征;
步骤4,对所有GPS访问地点用四种时间模式特征构建其对应的GPS特征向量;
步骤5,基于一系列正确标注了语义化场所的GPS特征向量训练语义化场所分类模型;
步骤6,将需要识别的GPS位置信息经过步骤1-4处理后得到其对应的GPS特征向量,然而根据步骤5中训练的语义化场所分类模型获取其对应的语义化场所;
二、获取活动:
步骤1,通过移动终端上的加速度传感设备采集用户的加速度信息;
步骤2,根据时间窗口将加速度信息切割成帧;
步骤3,对所有得到的加速度帧提取统计特征和频域特征;
步骤4,对所有加速度帧用提取得到的特征构建其对应的加速度特征向量;
步骤5,基于一系列正确标注了活动的加速度特征向量训练活动分类模型;
步骤6,将需要识别的加速度信息经过步骤1-4处理后得到其对应的加速度特征向量,然而根据步骤5中训练的活动分类模型获取其对应的活动;
三、应用排序:
步骤1,设定排序规则,包括建立排序数据结构,更新排序数据和设计排序算法;
步骤2,获取用户当前的语义化场所和活动;
步骤3,基于排序规则对用户移动终端上的应用进行排序。
作为进一步改进,获取语义化场所包括以下的步骤:
步骤1,采集GPS位置信息:从移动终端上的GPS传感设备中采集GPS位置信息;每一个GPS位置信息形如L=(lng,lat,t),其中lng、lat为该GPS位置经纬值,t为在该位置的时间;GPS轨迹数据形如LSeq=(L0,…,Ln),其中Lk为第k个GPS位置信息;
步骤2,聚类GPS访问地点:对GPS轨迹数据LSeq中的每一个GPS位置信息L比较其与当前聚类中心的距离,若该距离小于阈值δcluster_distance,则将该GPS位置信息加入当前聚类中,否则计算当前聚类的持续时间,即该GPS位置信息时间与当前聚类中第一个GPS位置信息时间的差值,若该差值大于阈值δtime,则将当前聚类作为一个GPS访问地点;
步骤3,提取时间模式特征:对每一个GPS访问地点提取星期、时间、持续时间和响应率四种时间模式特征;其中星期表示访问行为发生在工作日还是休息日;时间表示访问行为发生的中间时间,其值被离散为24个值,代表一天24小时;持续时间表示访问行为发生的持续时间,并被离散为较长、中等和较短三个值;响应率表示访问期间GPS信号可用时间的比率,并被离散为高、中、低三个值,分别表示代表室外地点、小型室内地点和大型室内地点;
步骤4,构建GPS特征向量:将上述四种时间模式特征构成特征向量,形如VL=(V0,V1,V2,V3),其中V0表示星期特征,其值为0表示工作日,其值为1表示休息日;其中V1表示时间特征,其值为0-23其中之一;其中V2表示持续时间特征,其值为0表示较长,其值为1表示中等,其值为2表示较短;其中V3表示响应率特征,其值为0表示高,其值为1表示中,其值为2表示低;
步骤5,训练语义化场所分类模型:对于正确标注了语义化场所的GPS特征向量VL采用贝叶斯网络训练分类器得到语义化场所分类模型,其中语义化场所包括家、工作场所、餐厅、超市、商店、休闲场所、业务场所及风景点八大类;
步骤6,获取语义化场所:将需要识别的GPS位置信息经过步骤1-4处理后得到GPS特征向量VL,然而根据步骤5中训练的语义化场所分类模型获取其对应的语义化场所。
作为进一步改进,获取活动包括以下的步骤:
步骤1,采集加速度信息:从移动终端上的加速度传感设备中采集加速度信息;每一个加速度信息形如A=(x,y,z,t),其中x,y,z为该加速度信息X轴、Y轴、Z轴的值,t为该加速度出现的时间;加速度时序数据形如ASeq=(A0,…,An),其中Ak为第k个加速度信息;
步骤2,切割成加速度帧:将加速度时序数据按照滑动时间窗口(如总时间为6秒,步长为3秒)切割成加速度帧AF;如有加速度时序数据ASeq=(A0,…,A3n),总时间设为2n个加速度信息的时间,步长设为n个加速度信息的时间,则切割出的对应加速度帧依次为AF0=(A0,…,A2n),AF1=(An,…,A3n);
步骤3,提取统计和频域特征:对每一加速度帧AF提取统计特征和频域特征,统计特征包括均值、方差、最大值、最小值、能量和相关系数,其中均值、方差、最大值、最小值、能量需要对加速度X轴、Y轴、Z轴分别求取,相关系数包括X轴与Y轴、X轴与Z轴、Y轴与Z轴三种;频域特征主要是傅里叶变换系数;
步骤4,构建加速度特征向量:将上述统计特征构成统计特征向量,形如VS=(S0,…,S17),其中S0,S1,S2分别表示X轴均值、Y轴均值、Z轴均值,S3,S4,S5分别表示X轴方差、Y轴方差、Z轴方差,S6,S7,S8分别表示X轴最大值、Y轴最大值、Z轴最大值,S9,S10,S11分别表示X轴最小值、Y轴最小值、Z轴最小值,S12,S13,S14分别表示X轴能量、Y轴能量、Z轴能量,S15,S16,S17分别表示X轴与Y轴相关系数、X轴与Z轴相关系数、Y轴与Z轴相关系数;将上述频域特征构成频域特征向量,形如VF=(F0,…,Fn),其中Fk表示频域第k个分量的傅里叶变换系数;将统计特征向量VS和频域特征向量VF构成加速度特征向量VA=(VS,VF);
步骤5,训练活动分类模型:对于正确标注了活动的加速度特征向量VA采用SVM训练分类器得到活动分类模型,其中活动包括会晤、工作、走路、上楼、下楼、饮食、睡觉、家务、购物、跑步、骑车、看电视十二种;
步骤6,获取活动:将需要识别的加速度信息经过步骤1-4处理后得到加速度特征向量VA,然而根据步骤5中训练的活动分类模型获取其对应的活动。
作为进一步改进,应用排序包括以下的步骤:
步骤1,设定排序规则:
1)对每个可能使用的移动应用分别构建语义化场所使用次数向量P和活动使用次数向量A;其中语义化场所使用次数向量形如Pi=(p0,…,p7),其中i表示第i个应用,pk表示在第k个语义化场所中使用本应用i的次数;活动使用次数向量形如Ai=(a0,…,a11),其中i表示第i个应用,ak表示在第k个活动时使用本应用i的次数;
2)用户每次使用一种应用i时就将该应用的向量Pi中代表当前语义化场所的维度值pk加1,同样的将该应用的向量Ai中代表当前活动的维数值ak加1;
3)用户移动终端上的应用需要重新排序时,对每一个应用i,将该应用的向量Pi中代表当前语义化场所的维度值pk与向量Ai中代表当前活动的维度值ak相加得到权重值Di,然后按照Di值大小从大到小对应用进行排序;
步骤2,获取用户的语义化场所和活动:从获取语义化场所部分和获取活动部分中获取用户当前的语义化场所和活动;
步骤3,基于规则排序:当用户的语义化场所或者活动改变时就按照设定的排序规则对用户移动终端上的应用重新进行排序。
本发明针对传统应用排序没有考虑用户所处情境,现如今应用排序情境感知能力较弱的问题,提出一种新的情境感知的移动应用排序方法,与现有的方法相比,其优点在于:
1)在情境感知时使用了多种情境;
2)通过低级情境建立了表达能力更强的高级情境;
3)在应用排序时增强了情境感知能力,使得应用排序更加满足用户的个性化需求。
附图说明
图1为本发明整体流程图。
图2为本发明获取语义化场所流程图。
图3为本发明获取活动流程图。
图4为本发明应用排序流程图。
具体实施方式
本发明提出了一种情境感知的移动应用排序方法,整体流程图如图1所示,该方法分为获取语义化场所、获取活动和应用排序三个部分。其中获取语义化场所部分先采集GPS位置信息,然后将其聚类成GPS访问地点,接着对GPS访问地点提取时间模式特征构成GPS特征向量,最后用GPS特征向量训练语义化场所分类模型;获取活动部分先采集加速度信息,然后将其切割成加速度帧,接着对加速度帧提取统计特征和频域特征构成加速度特征向量,最后用加速度特征向量训练活动分类模型;应用排序部分先设定好排序规则,然后获取用户当前的语义化场所和活动,最后基于排序规则结合不同的语义化场所和活动对用户移动终端上的应用进行排序。
获取语义化场所的流程图如图2所示,具体步骤如下:
步骤1,采集GPS位置信息:从移动终端上的GPS传感设备中采集GPS位置信息。每一个GPS位置信息形如L=(lng,lat,t),其中lng、lat为该GPS位置经纬值,t为在该位置的时间。GPS轨迹数据形如LSeq=(L0,…,Ln),其中Lk为第k个GPS位置信息。
步骤2,聚类GPS访问地点:对GPS轨迹数据LSeq中的每一个GPS位置信息L比较其与当前聚类中心的距离,若该距离小于阈值δcluster_distance,则将该GPS位置信息加入当前聚类中,否则计算当前聚类的持续时间,即该GPS位置信息时间与当前聚类中第一个GPS位置信息时间的差值,若该差值大于阈值δtime,则将当前聚类作为一个GPS访问地点。
步骤3,提取时间模式特征:对每一个GPS访问地点提取星期、时间、持续时间和响应率四种时间模式特征。其中星期表示访问行为发生在工作日还是休息日;时间表示访问行为发生的中间时间,其值被离散为24个值,代表一天24小时;持续时间表示访问行为发生的持续时间,并被离散为较长、中等和较短三个值;响应率表示访问期间GPS信号可用时间的比率,并被离散为高、中、低三个值,分别表示代表室外地点、小型室内地点和大型室内地点。
步骤4,构建GPS特征向量:将上述四种时间模式特征构成特征向量,形如VL=(V0,V1,V2,V3),其中V0表示星期特征,其值为0表示工作日,其值为1表示休息日;其中V1表示时间特征,其值为0-23其中之一;其中V2表示持续时间特征,其值为0表示较长,其值为1表示中等,其值为2表示较短;其中V3表示响应率特征,其值为0表示高,其值为1表示中,其值为2表示低。
步骤5,训练语义化场所分类模型:对于正确标注了语义化场所的GPS特征向量VL采用贝叶斯网络训练分类器得到语义化场所分类模型,其中语义化场所包括家、工作场所、餐厅、超市、商店(表示小型的购物场所,如杂货店、服装店等)、休闲场所(表示用于室内休闲娱乐的场所,如电影院、KTV等)、业务场所(表示公共服务场所,如医院、银行等)及风景点(表示室外旅游场所,如公园、海滩等)八大类。
步骤6,获取语义化场所:将需要识别的GPS位置信息经过步骤1-4处理后得到GPS特征向量VL,然而根据步骤5中训练的语义化场所分类模型获取其对应的语义化场所。
获取活动的流程图如图3所示,具体步骤如下:
步骤1,采集加速度信息:从移动终端上的加速度传感设备中采集加速度信息。每一个加速度信息形如A=(x,y,z,t),其中x,y,z为该加速度信息X轴、Y轴、Z轴的值,t为该加速度出现的时间。加速度时序数据形如ASeq=(A0,…,An),其中Ak为第k个加速度信息。
步骤2,切割成加速度帧:将加速度时序数据按照滑动时间窗口(如总时间为6秒,步长为3秒)切割成加速度帧AF。如有加速度时序数据ASeq=(A0,…,A3n),总时间设为2n个加速度信息的时间,步长设为n个加速度信息的时间,则切割出的对应加速度帧依次为AF0=(A0,…,A2n),AF1=(An,…,A3n)。
步骤3,提取统计和频域特征:对每一加速度帧AF提取统计特征和频域特征,统计特征包括均值、方差、最大值、最小值、能量和相关系数,其中均值、方差、最大值、最小值、
能量需要对加速度X轴、Y轴、Z轴分别求取,相关系数包括X轴与Y轴、X轴与Z轴、Y轴与Z轴三种;频域特征主要是傅里叶变换系数。
步骤4,构建加速度特征向量:将上述统计特征构成统计特征向量,形如VS=(S0,…,S17),其中S0,S1,S2分别表示X轴均值、Y轴均值、Z轴均值,S3,S4,S5分别表示X轴方差、Y轴方差、Z轴方差,S6,S7,S8分别表示X轴最大值、Y轴最大值、Z轴最大值,S9,S10,S11分别表示X轴最小值、Y轴最小值、Z轴最小值,S12,S13,S14分别表示X轴能量、Y轴能量、Z轴能量,S15,S16,S17分别表示X轴与Y轴相关系数、X轴与Z轴相关系数、Y轴与Z轴相关系数。将上述频域特征构成频域特征向量,形如VF=(F0,…,Fn),其中Fk表示频域第k个分量的傅里叶变换系数。将统计特征向量VS和频域特征向量VF构成加速度特征向量VA=(VS,VF)。
步骤5,训练活动分类模型:对于正确标注了活动的加速度特征向量VA采用SVM训练分类器得到活动分类模型,其中活动包括会晤、工作、走路、上楼、下楼、饮食、睡觉、家务、购物、跑步、骑车、看电视十二种。
步骤6,获取活动:将需要识别的加速度信息经过步骤1-4处理后得到加速度特征向量VA,然而根据步骤5中训练的活动分类模型获取其对应的活动。
应用排序的流程图如图4所示,具体步骤如下:
步骤1,设定排序规则:
1)对每个可能使用的移动应用分别构建语义化场所使用次数向量P和活动使用次数向量A。其中语义化场所使用次数向量形如Pi=(p0,…,p7),其中i表示第i个应用,pk表示在第k个语义化场所中使用本应用i的次数;活动使用次数向量形如Ai=(a0,…,a11),其中i表示第i个应用,ak表示在第k个活动时使用本应用i的次数。
2)用户每次使用一种应用i时就将该应用的向量Pi中代表当前语义化场所的维度值pk加1,同样的将该应用的向量Ai中代表当前活动的维数值ak加1。
3)用户移动终端上的应用需要重新排序时,对每一个应用i,将该应用的向量Pi中代表当前语义化场所的维度值pk与向量Ai中代表当前活动的维度值ak相加得到权重值Di,然后按照Di值大小从大到小对应用进行排序。
步骤2,获取用户的语义化场所和活动:从获取语义化场所部分和获取活动部分中获取用户当前的语义化场所和活动。
步骤3,基于规则排序:当用户的语义化场所或者活动改变时就按照设定的排序规则对用户移动终端上的应用重新进行排序。
Claims (4)
1.一种情境感知的移动应用排序方法,其特征在于该方法包括以下的步骤:
一、获取语义化场所:
步骤1,通过移动终端上的GPS传感设备采集用户的GPS位置信息;
步骤2,根据时间和距离将GPS位置信息聚类成GPS访问地点;
步骤3,对所有GPS访问地点提取星期、时间、持续时间和响应率四种时间模式特征;
步骤4,对所有GPS访问地点用四种时间模式特征构建其对应的GPS特征向量;
步骤5,基于一系列正确标注了语义化场所的GPS特征向量训练语义化场所分类模型;
步骤6,将需要识别的GPS位置信息经过步骤1-4处理后得到其对应的GPS特征向量,然而根据步骤5中训练的语义化场所分类模型获取其对应的语义化场所;
二、获取活动:
步骤1,通过移动终端上的加速度传感设备采集用户的加速度信息;
步骤2,根据时间窗口将加速度信息切割成帧;
步骤3,对所有得到的加速度帧提取统计特征和频域特征;
步骤4,对所有加速度帧用提取得到的特征构建其对应的加速度特征向量;
步骤5,基于一系列正确标注了活动的加速度特征向量训练活动分类模型;
步骤6,将需要识别的加速度信息经过步骤1-4处理后得到其对应的加速度特征向量,然而根据步骤5中训练的活动分类模型获取其对应的活动;
三、应用排序:
步骤1,设定排序规则,包括建立排序数据结构,更新排序数据和设计排序算法;
步骤2,获取用户当前的语义化场所和活动;
步骤3,基于排序规则对用户移动终端上的应用进行排序。
2.根据权利要求1所述的一种情境感知的移动应用排序方法,其特征在于获取语义化场所包括以下的步骤:
步骤1,采集GPS位置信息:从移动终端上的GPS传感设备中采集GPS位置信息;每
一个GPS位置信息形如L=(lng,lat,t),其中lng、lat为该GPS位置经纬值,t为在该位置的时间;GPS轨迹数据形如LSeq=(L0,…,Ln),其中Lk为第k个GPS位置信息;
步骤2,聚类GPS访问地点:对GPS轨迹数据LSeq中的每一个GPS位置信息L比较其与当前聚类中心的距离,若该距离小于阈值δcluster_distance,则将该GPS位置信息加入当前聚类中,否则计算当前聚类的持续时间,即该GPS位置信息时间与当前聚类中第一个GPS位置信息时间的差值,若该差值大于阈值δtime,则将当前聚类作为一个GPS访问地点;
步骤3,提取时间模式特征:对每一个GPS访问地点提取星期、时间、持续时间和响应率四种时间模式特征;其中星期表示访问行为发生在工作日还是休息日;时间表示访问行为发生的中间时间,其值被离散为24个值,代表一天24小时;持续时间表示访问行为发生的持续时间,并被离散为较长、中等和较短三个值;响应率表示访问期间GPS信号可用时间的比率,并被离散为高、中、低三个值,分别表示代表室外地点、小型室内地点和大型室内地点;
步骤4,构建GPS特征向量:将上述四种时间模式特征构成特征向量,形如VL=(V0,V1,V2,V3),其中V0表示星期特征,其值为0表示工作日,其值为1表示休息日;其中V1表示时间特征,其值为0-23其中之一;其中V2表示持续时间特征,其值为0表示较长,其值为1表示中等,其值为2表示较短;其中V3表示响应率特征,其值为0表示高,其值为1表示中,其值为2表示低;
步骤5,训练语义化场所分类模型:对于正确标注了语义化场所的GPS特征向量VL采用贝叶斯网络训练分类器得到语义化场所分类模型,其中语义化场所包括家、工作场所、餐厅、超市、商店、休闲场所、业务场所及风景点八大类;
步骤6,获取语义化场所:将需要识别的GPS位置信息经过步骤1-4处理后得到GPS特征向量VL,然而根据步骤5中训练的语义化场所分类模型获取其对应的语义化场所。
3.根据权利要求1所述的一种情境感知的移动应用排序方法,其特征在于获取活动包括以下的步骤:
步骤1,采集加速度信息:从移动终端上的加速度传感设备中采集加速度信息;每一个加速度信息形如A=(x,y,z,t),其中x,y,z为该加速度信息X轴、Y轴、Z轴的值,t为该加速度出现的时间;加速度时序数据形如ASeq=(A0,…,An),其中Ak为第k个加速度信息;
步骤2,切割成加速度帧:将加速度时序数据按照滑动时间窗口(如总时间为6秒,步长为3秒)切割成加速度帧AF;如有加速度时序数据ASeq=(A0,…,A3n),总时间设为2n个加速度信息的时间,步长设为n个加速度信息的时间,则切割出的对应加速度帧依次为AF0=(A0,…,A2n),AF1=(An,…,A3n);
步骤3,提取统计和频域特征:对每一加速度帧AF提取统计特征和频域特征,统计特征包括均值、方差、最大值、最小值、能量和相关系数,其中均值、方差、最大值、最小值、能量需要对加速度X轴、Y轴、Z轴分别求取,相关系数包括X轴与Y轴、X轴与Z轴、Y轴与Z轴三种;频域特征主要是傅里叶变换系数;
步骤4,构建加速度特征向量:将上述统计特征构成统计特征向量,形如VS=(S0,…,S17),其中S0,S1,S2分别表示X轴均值、Y轴均值、Z轴均值,S3,S4,S5分别表示X轴方差、Y轴方差、Z轴方差,S6,S7,S8分别表示X轴最大值、Y轴最大值、Z轴最大值,S9,S10,S11分别表示X轴最小值、Y轴最小值、Z轴最小值,S12,S13,S14分别表示X轴能量、Y轴能量、Z轴能量,S15,S16,S17分别表示X轴与Y轴相关系数、X轴与Z轴相关系数、Y轴与Z轴相关系数;将上述频域特征构成频域特征向量,形如VF=(F0,…,Fn),其中Fk表示频域第k个分量的傅里叶变换系数;将统计特征向量VS和频域特征向量VF构成加速度特征向量VA=(VS,VF);
步骤5,训练活动分类模型:对于正确标注了活动的加速度特征向量VA采用SVM训练分类器得到活动分类模型,其中活动包括会晤、工作、走路、上楼、下楼、饮食、睡觉、家务、购物、跑步、骑车、看电视十二种;
步骤6,获取活动:将需要识别的加速度信息经过步骤1-4处理后得到加速度特征向量VA,然而根据步骤5中训练的活动分类模型获取其对应的活动。
4.根据权利要求1所述的一种情境感知的移动应用排序方法,其特征在于应用排序包括以下的步骤:
步骤1,设定排序规则:
1)对每个可能使用的移动应用分别构建语义化场所使用次数向量P和活动使用次数向量A;其中语义化场所使用次数向量形如Pi=(p0,…,p7),其中i表示第i个应用,pk表示在第k个语义化场所中使用本应用i的次数;活动使用次数向量形如Ai=(a0,…,a11),其中i表示第i个应用,ak表示在第k个活动时使用本应用i的次数;
2)用户每次使用一种应用i时就将该应用的向量Pi中代表当前语义化场所的维度值pk加1,同样的将该应用的向量Ai中代表当前活动的维数值ak加1;
3)用户移动终端上的应用需要重新排序时,对每一个应用i,将该应用的向量Pi中代表当前语义化场所的维度值pk与向量Ai中代表当前活动的维度值ak相加得到权重值Di,然后按照Di值大小从大到小对应用进行排序;
步骤2,获取用户的语义化场所和活动:从获取语义化场所部分和获取活动部分中获取用户当前的语义化场所和活动;
步骤3,基于规则排序:当用户的语义化场所或者活动改变时就按照设定的排序规则对用户移动终端上的应用重新进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410567472.5A CN104331431B (zh) | 2014-10-22 | 2014-10-22 | 一种情境感知的移动应用排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410567472.5A CN104331431B (zh) | 2014-10-22 | 2014-10-22 | 一种情境感知的移动应用排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331431A true CN104331431A (zh) | 2015-02-04 |
CN104331431B CN104331431B (zh) | 2017-11-28 |
Family
ID=52406158
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410567472.5A Active CN104331431B (zh) | 2014-10-22 | 2014-10-22 | 一种情境感知的移动应用排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331431B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652304A (zh) * | 2016-01-06 | 2016-06-08 | 成都小步创想畅联科技有限公司 | 融合多传感器的地点识别方法 |
CN106502398A (zh) * | 2016-10-21 | 2017-03-15 | 浙江工业大学 | 一种基于加速度传感器和多视图集成学习的语义化活动识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211588A1 (en) * | 2009-02-13 | 2010-08-19 | Microsoft Corporation | Context-Aware Query Suggestion By Mining Log Data |
CN103106259A (zh) * | 2013-01-25 | 2013-05-15 | 西北工业大学 | 一种基于情境的移动网页内容推荐方法 |
CN103929712A (zh) * | 2013-01-11 | 2014-07-16 | 三星电子株式会社 | 用于基于情境感知来提供推荐项的方法和移动装置 |
CN104008204A (zh) * | 2014-06-17 | 2014-08-27 | 南京大学 | 一种动态的多维情境感知电影推荐***及其实现方法 |
-
2014
- 2014-10-22 CN CN201410567472.5A patent/CN104331431B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100211588A1 (en) * | 2009-02-13 | 2010-08-19 | Microsoft Corporation | Context-Aware Query Suggestion By Mining Log Data |
CN103929712A (zh) * | 2013-01-11 | 2014-07-16 | 三星电子株式会社 | 用于基于情境感知来提供推荐项的方法和移动装置 |
CN103106259A (zh) * | 2013-01-25 | 2013-05-15 | 西北工业大学 | 一种基于情境的移动网页内容推荐方法 |
CN104008204A (zh) * | 2014-06-17 | 2014-08-27 | 南京大学 | 一种动态的多维情境感知电影推荐***及其实现方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105652304A (zh) * | 2016-01-06 | 2016-06-08 | 成都小步创想畅联科技有限公司 | 融合多传感器的地点识别方法 |
CN105652304B (zh) * | 2016-01-06 | 2017-10-20 | 成都小步创想畅联科技有限公司 | 融合多传感器的地点识别方法 |
CN106502398A (zh) * | 2016-10-21 | 2017-03-15 | 浙江工业大学 | 一种基于加速度传感器和多视图集成学习的语义化活动识别方法 |
CN106502398B (zh) * | 2016-10-21 | 2019-01-29 | 浙江工业大学 | 一种基于多视图集成学习的语义化活动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331431B (zh) | 2017-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2820616B1 (en) | Empirical expert determination and question routing system and method | |
US8438127B2 (en) | Behaviour pattern analysis system, mobile terminal, behaviour pattern analysis method, and program | |
Chon et al. | Automatically characterizing places with opportunistic crowdsensing using smartphones | |
US8577962B2 (en) | Server apparatus, client apparatus, content recommendation method, and program | |
CN103970861B (zh) | 信息呈现方法和设备 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN109426333A (zh) | 一种基于虚拟空间场景的信息交互方法及装置 | |
CN104133817A (zh) | 网络社区交互方法、装置及网络社区平台 | |
CN106705972B (zh) | 一种基于用户反馈的室内语义地图更新方法与*** | |
EP3913997A1 (en) | Generating wireless network access point models using clustering techniques | |
CN103218442A (zh) | 一种基于移动设备传感器数据的生活模式分析方法及*** | |
CN110209810B (zh) | 相似文本识别方法以及装置 | |
CN103593349A (zh) | 感应网络环境下移动位置分析方法 | |
Cho et al. | AniDiary: Daily cartoon-style diary exploits Bayesian networks | |
Adams et al. | Sensing and using social context | |
CN109993184A (zh) | 一种数据融合的方法以及数据融合设备 | |
CN110991392A (zh) | 人群识别方法、装置、终端及存储介质 | |
CN105955715A (zh) | 一种信息处理方法、装置和智能终端 | |
CN107220856A (zh) | 一种移动消费群组识别的***及方法 | |
CN104361023B (zh) | 一种情境感知的移动终端烟草信息推送方法 | |
Kim et al. | Activity recognition for a smartphone and web based travel survey | |
CN104331431A (zh) | 一种情境感知的移动应用排序方法 | |
CN112084418B (zh) | 一种基于邻居信息和属性网络表征学习的微博用户社团发现方法 | |
CN109451334A (zh) | 用户画像生成处理方法、装置及电子设备 | |
CN109255080A (zh) | 一种信息处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |