为了提高学习到的移动用户偏好的准确性，提出了一种上下文量化方法。 首先，需要通过分析移动用户的行为来判断移动用户的偏好是否受到上下文的影响，并计算上下文对移动用户的偏好的影响。 其次，采用加权关联规则来挖掘上下文之间的相关性。 然后，通过分析给定上下文下的移动用户行为来计算上下文相似度。 最后，结合上下文相关性和上下文相似性，提出了一种上下文量化方法。 实验结果表明，该方法的准确性优于现有方法。

在移动网络中，移动用户对访问信息的性能有严格的要求。 为了及时，准确地为移动用户提供个性化服务，提出了一种基于上下文量化的移动用户偏好在线学习模型。 该模型提出了一种上下文量化方法，可以提高学习到的移动用户偏好的准确性。 介绍了滑动窗口和在线极限学习机（O-ELM）来实现在线学习。 首先，需要通过分析移动用户的行为来判断移动用户的偏好是否受到上下文的影响。 其次，根据上下文相关性和上下文相似度对上下文进行量化。 然后，使用滑动窗口来选择在更新移动用户偏好时需要学习的样本。 最后，采用O-ELM来