1、背景介紹

物聯(lián)網(wǎng)是一種聯(lián)網(wǎng)的基礎架構(gòu)，是物聯(lián)網(wǎng)、互聯(lián)網(wǎng)和語義學領(lǐng)域之間融合的結(jié)果，為隨時隨地連接不同設備提供了基礎。在物聯(lián)網(wǎng)場景中，開發(fā)了大量的服務和應用程序，這使識別相關(guān)的服務和應用程序成為用戶的一項復雜任務。在這種情況下，推薦系統(tǒng)便成了一項關(guān)鍵的技術(shù)，這些技術(shù)使大部分服務和應用程序的識別變得可行。比如在物聯(lián)網(wǎng)等場景下可以在網(wǎng)關(guān)上安裝一些應用程序，附加設備由網(wǎng)關(guān)部署和管理，同時在公共顯示器上顯示的信息文本，會被用于在網(wǎng)關(guān)上完成特定任務相關(guān)的數(shù)據(jù)傳輸協(xié)議，并應包括IoT相關(guān)場景中相關(guān)的硬件和軟件組件。

[[285436]]

推薦技術(shù)在IoT上下文中的進一步應用包括工作流程的推薦(例如，應將哪些軟件功能包含在IoT應用程序的工作流程定義中)，食品的推薦(例如，根據(jù)食品的狀況，可以調(diào)整提供條件)，在個性化店內(nèi)購物場景中進行推薦(例如，根據(jù)實體店中顧客的位置，應推薦哪些商品)以及健康監(jiān)控(例如，根據(jù)一個人當前的飲食行為和身體狀況，推薦食物和體育鍛煉)。在許多情況下，靈活的物聯(lián)網(wǎng)網(wǎng)關(guān)基礎設施都扮演著核心角色。

IoT網(wǎng)關(guān)是基于硬件和軟件的解決方案，其主要作用是實現(xiàn)設備到設備中心/或設備到云的通信。它是一個平臺，用于支持不同數(shù)據(jù)源(具有各種通信協(xié)議的傳感器)與目的地(本地或遠程數(shù)據(jù)管理實體以及各種執(zhí)行器)之間的連接。物聯(lián)網(wǎng)網(wǎng)關(guān)位于設備的邊緣和附近，也可能在服務執(zhí)行中發(fā)揮關(guān)鍵作用。典型的物聯(lián)網(wǎng)網(wǎng)關(guān)平臺由設備管理器，通信/數(shù)據(jù)協(xié)議管理器，應用程序管理器和數(shù)據(jù)管理器組成(請參見下圖)。先進的IoT網(wǎng)關(guān)包含其他功能，其中可以包括配置器和推薦器引擎，以幫助用戶配置網(wǎng)關(guān)或基于給定的網(wǎng)關(guān)設置和用戶交互協(xié)議推薦有用的應用程序。

如圖1所示，可以使用5G，BLE，LORA和ZigBee等各種連接協(xié)議將IoT傳感器連接到IoT網(wǎng)關(guān)。網(wǎng)關(guān)用戶可以通過WAN / LAN連接其網(wǎng)關(guān)，以管理或監(jiān)視其數(shù)據(jù)和服務。他們還可以通過將云應用程序與其IoT網(wǎng)關(guān)鏈接來管理或監(jiān)視收集的數(shù)據(jù)。

2、基本技術(shù)和應用場景

推薦技術(shù)可用于多種目的，以支持不同的物聯(lián)網(wǎng)場景。在本節(jié)中，我們將會介紹協(xié)同過濾，基于內(nèi)容的過濾，基于知識的推薦和組合推薦這四項基本推薦技術(shù)，如何根據(jù)不同場景去實現(xiàn)推薦的功能。

2.1 協(xié)作過濾

基于“口口相傳”的想法，即朋友(最近鄰居– NN)對物品的意見或看法被用作計算推薦算法的主要信息來源。然后，使用k個最近鄰居的偏好(等級)來推斷當前用戶的偏好。例如，將安裝在與當前用戶具有類似應用程序庫的用戶的網(wǎng)關(guān)上的應用程序，安裝在當前用戶的網(wǎng)關(guān)上。物聯(lián)網(wǎng)環(huán)境中協(xié)同過濾的其他應用示例是物聯(lián)網(wǎng)環(huán)境提升中的設備推薦和組件部分推薦。支持協(xié)同過濾的不同場景的推薦庫的示例是Apache Mahout。

表1：根據(jù)其他網(wǎng)關(guān)的安裝信息，基于協(xié)同篩選的設備(d1..d4)和應用程序(app1..app4)推薦。與本地網(wǎng)關(guān)相比，網(wǎng)關(guān)1的配置文件是最相似的配置文件。由于app3未安裝在本地網(wǎng)關(guān)上，因此可以將其解釋為推薦候選。推薦的應用程序用√表示。

2.2 基于內(nèi)容的過濾

基于穩(wěn)定的首選項的想法，即過去的首選項在將來不會發(fā)生重大變化。使用基于內(nèi)容的過濾時，有關(guān)物品的基于關(guān)鍵字的信息與從當前用戶過去已經(jīng)消費過的項目中提取的關(guān)鍵字匹配。例如，如果用戶安裝了特定的應用程序，則可以在可用時推薦類似的應用程序或?qū)ΜF(xiàn)有應用程序的更新。在IoT上下文中應用基于內(nèi)容篩選的其他示例是設備和工作流程的推薦。支持基于內(nèi)容過濾的不同場景的推薦庫示例是Apache Lucene。

表2：使用本地網(wǎng)關(guān)上已安裝的應用程序的關(guān)鍵字(key)對應用程序進行基于內(nèi)容過濾的推薦。與本地網(wǎng)關(guān)的配置文件相比，app1的關(guān)鍵字是最相似的關(guān)鍵字。由于app1未安裝在本地網(wǎng)關(guān)上(假設)，因此可以將其選擇為推薦候選。推薦的應用程序用√表示。

2.3 基于知識的推薦

基于使用以顯式方式(即在規(guī)則約束方面)定義的推薦知識的思想。使用基于知識的推薦時，當前用戶明確定義的首選項將轉(zhuǎn)發(fā)到知識庫，該知識庫用于確定推薦(搜索問題的解決方案)。例如，如果IoT網(wǎng)關(guān)解決方案的用戶更喜歡節(jié)電的網(wǎng)關(guān)配置，則與其他協(xié)議相比，將首選使用特定的通信協(xié)議。在物聯(lián)網(wǎng)環(huán)境中，應用基于知識的推薦技術(shù)的其他示例包括整個網(wǎng)關(guān)配置的推薦，以及野生動物監(jiān)測中數(shù)據(jù)收集策略的推薦。

2.4 基于組的推薦系統(tǒng)

基于組的推薦系統(tǒng)，是基于對用戶小組的偏好，使用不同算法的匯總結(jié)果去推薦。在基于算法集成的推薦中，基本算法(例如協(xié)同過濾，基于內(nèi)容的過濾和基于知識的推薦)用于確定針對單個用戶的推薦。然后將這些建議匯總為該組的最終推薦(基于匯總預測的方法)。相關(guān)聚合函數(shù)的示例是平均值(推薦用戶評分平均值最高的商品)和風險最少(推薦所有最低評分指標最高的商品)。另外，小組資料可以從小組成員的個人偏好中得出(*基于聚合模型的方法，根據(jù)小組資料，可以使用上述基本方法確定推薦。團體推薦系統(tǒng)的實現(xiàn)通常基于單用戶推薦系統(tǒng)的庫，也就是上述提到的Apache Mahout、Apache Lucene等。

3、何時應用哪種推薦技術(shù)?

本文討論的推薦方法使用了不同的知識來源，并且還具有不同的優(yōu)點，這些優(yōu)點使它們(或更少)適用于特定的推薦方案。在下文中，我們將簡單討論推薦算法選擇的主要標準，并針對這些標準分析所討論的每種算法。

3.1 原理簡單

基于內(nèi)容的篩選和基于協(xié)同的篩選的原理都比較簡單，實現(xiàn)方式也比較快，只需獲得有關(guān)評分方面的用戶偏好的知識(在基于內(nèi)容的過濾中，自動提取的關(guān)鍵字)就可以得出推薦。由于基于組的推薦系統(tǒng)大部分是使用這些基本算法，所以基于組的推薦系統(tǒng)的實現(xiàn)也比較容易。相比之下，基于知識的推薦方法需要更多的設置投資，由于領(lǐng)域?qū)＜液椭R工程師之間的通信開銷，知識庫的構(gòu)建通常是一個容易出錯且繁瑣的過程。

3.2 會話推薦方法

在推薦復雜的產(chǎn)品和服務時，主要支持在用戶和系統(tǒng)之間進行對話的會話方法。在這種情況下，使用基于知識的推薦器，即在基于知識的推薦的上下文中支持對話方法。協(xié)同過濾和基于內(nèi)容的過濾不支持推薦對話框。在小組推薦系統(tǒng)的背景下，由于部分小組推薦系統(tǒng)是基于知識的推薦，因此可以支持會話過程。

3.3 適應性

協(xié)同過濾和基于內(nèi)容的推薦有較好的適應性，因為每一個新的等級更高程度的適應性可以改變推薦的項目清單。如果將協(xié)同過濾或基于內(nèi)容的推薦用作基礎推薦，這也適用于組推薦方案方法。基于知識的推薦方法顯示出較低的適應性，因為知識庫是比較穩(wěn)定的，因為單個用戶的偏好習慣不會一時間去改變。

3.4 驚喜度

如果用戶喜歡某項推薦，并同時對此推薦感到完全出乎意料，就會產(chǎn)生驚喜度，一般這種效果主要可以通過協(xié)同推薦方法來實現(xiàn)。基于內(nèi)容的推薦一般會假定其偏好保持穩(wěn)定，并在已經(jīng)購買的商品列表中提供建議。因此，這種方法提供了非常低的偶然性。同時，基于知識的推薦算法中的偶然性程度取決于編碼的偶然性程度。基于小組推薦中的偶然性程度取決于所選擇的基礎基本推薦方法。

3.5 冷啟動問題

協(xié)同過濾和基于內(nèi)容的過濾都存在冷啟動問題：如果在協(xié)同過濾中沒有特定用戶的用戶評級，或者到目前為止，當使用基于內(nèi)容的推薦系統(tǒng)時用戶沒有購買任何商品時，也就是無法獲取相似的推薦。此外，如果某個商品沒有獲得評級，則協(xié)同過濾系統(tǒng)很難將其考慮在內(nèi)。由于基于內(nèi)容的過濾基于商品的關(guān)鍵字，因此即使沒有商品的評級也可以進行推薦。基于知識的推薦不存在冷啟動問題，因為推薦知識被編碼在一個知識庫中，且假定該知識庫在可以開始推薦會話之前就已經(jīng)存在。

3.6 透明度

透明度可以視為推薦結(jié)果可解釋的程度。協(xié)同過濾和基于內(nèi)容的過濾中的結(jié)果具有較低的解釋性，因為如果要解釋的話，只能基于內(nèi)容的推薦中的相似鄰居和相似關(guān)鍵字。在基于知識的推薦中，可以更細化解釋。相關(guān)說明可以考慮推薦的原因(由用戶偏好列表表示)，但也可以考慮為什么找不到解決方案以及哪些偏好矛盾的原因。在小組推薦系統(tǒng)中，可解釋性取決于所選的基本推薦方法。

3.7 高參與度商品

由于次優(yōu)決策的負面影響很大，因此在大多數(shù)情況下，此類商品非常復雜，并且需要做出相關(guān)決策。其示例是選擇特定的服務器基礎結(jié)構(gòu)或智能家居解決方案。相反，低參與度商品的例子是低價應用程序或傳感器。在大多數(shù)情況下，基于知識的方法用于推薦高參與度的商品，而基于內(nèi)容的協(xié)作過濾則用于推薦低參與度的商品。按照先前的論點，如果選擇的基本推薦方法是基于知識的，則可以將小組推薦系統(tǒng)用于高度參與的商品。

4、結(jié)論與下一步工作

在本文中，我們提供了對現(xiàn)有推薦方法的簡短概述，并討論了它們在物聯(lián)網(wǎng)場景中的應用的不同方面。在這種情況下，我們還針對可用于選擇推薦算法的一組標準討論了不同方法的優(yōu)缺點。同時，也有一些與推薦技術(shù)在物聯(lián)網(wǎng)場景中的應用有關(guān)的開放研究問題需要我們關(guān)注，尤其是在推薦復雜的IoT配置的情況下，必須開發(fā)搜索機制，以便在面對龐大而復雜的配置知識庫時也可以進行高效且個性化的解決方案搜索。此外，必須以有效的方式測試和更新有關(guān)產(chǎn)品可變性的知識。這項要求與軟件工程的當前發(fā)展相吻合，后者在開發(fā)，測試，部署和生產(chǎn)使用之間相繼實現(xiàn)了強大的耦合。