推荐星级：

物联网用户查询目标自动推荐算法仿真研究

更新时间：2019-12-23 11:37:04 大小：1M 上传用户：xiaohei1810 查看TA发布的资源 标签：物联网 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

查询推荐作为一种改善物联网用户查询体验和效率的有效方式,可以帮助用户筛选并提供更加准确的查询目标描述.目前多数推荐算法随着用户数量和项目数量的增加,存在着推荐精度低、推荐时间长等问题,针对以上问题,提出基于改进近似性度量的物联网用户查询目标自动推荐算法.结合TF-IDF算法和信息熵算法构建物联网用户对项目属性的兴趣度模型,运用自组织映射神经网络聚类算法对兴趣度模型中的用户进行初步聚类.并以此为基础数据在目标用户所属簇内计算用户近似度并寻找最近邻.针对K-Means算法因缺少共同评分项目而导致近似度较低的弊端,采用改进近似性度量方法在簇内寻找目标用户的最近邻和项目推荐候选集,根据项目推荐候选集上的预测评分,完成用户查询目标自动推荐.实验结果表明,所提算法与其它算法相比,有更好的推荐精度和效率.

部分文件列表

文件名	大小
物联网用户查询目标自动推荐算法仿真研究.pdf	1M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

第36卷第2期

计算机仿真

2019年2月

文章编号：1006—9348(2019)02一0380—04

物联网用户查询目标自动推荐算法仿真研究

孔国利，王爱菊

(郑州大学软件技术学院，河南郑州450000)

摘要：查询推荐作为一种改善物联网用户查询体验和效率的有效方式，可以帮助用户筛选并提供更加准确的查询目标描述。

目前多数推荐算法随着用户数量和项目数量的增加，存在着推荐精度低、推荐时间长等问题，针对以上问题，提出基于改进

近似性度量的物联网用户查询目标自动推荐算法。结合Ⅱ一IDF算法和信息熵算法构建物联网用户对项目属性的兴趣度

模型，运用自组织映射神经网络聚类算法对兴趣度模型中的用户进行初步聚类。并以此为基础数据在目标用户所属簇内计

算用户近似度并寻找最近邻。针对K—Me”s算法因缺少共同评分项目而导致近似度较低的弊端，采用改进近似性度量方

法在簇内寻找目标用户的最近邻和项目推荐候选集，根据项目推荐候选集上的预测评分，完成用户查询目标自动推荐。实

验结果表明，所提算法与其它算法相比，有更好的推荐精度和效率。

关键词：物联网用户；查询目标；自动推荐算法；兴趣度模型

中图分类号：TPl8l

文献标识码：B

Simlnation of Automatic RecommeIld

Algoritllln

for Users

in Internet of

Query Target

Tllings

KONG _{Guo—li，WANG}

Ai—iu

Software

Henan

Technology，Zhengzhou University，Zhengzhou

450000，China)

based

(College

for

automatic recommendation

measures

of users in Intemet of

im—

ABSTRACT：An

algorithm

query targets

Things

TF—lDF _algo—thmwith lhe infbm)ation

attributes

pmved similarity

w船presented．Combined

entropy alg谢thm，lhe

interest model of users in Intemet

Things

project

w硒constructed．Then，self—organjzing mapping

for users in t11e imerest model． Based

neural network

w髂used to conduct

preliminary clustering

clustering algorithm

on these

the user

was calcuJated in the cluster of

users and tIle nearest

neighbor

was

data，

approximation

target

found．For the

that K—Means

caused the low

due to lack

common

shortcomings

algoritIlIIl

appm)【imation degree

measure method w鹊used to find the nearest

user within clus-

target

item，the

8coring

impmved simil“ty

neigIlbor

ter

in the cluster．

automatic recommendation user

and the

recommendation

the

user

p玎0ject

target

Finally，the

was

based on the

score of recommendation candidate set． Simulation results

completed

query target

prediction

prove

t11at tlle

has better recommendation

aIld

th鲫otller

algorithms．

pr叩osed algoritlllll

in Intemet of

acc哪cy

nings；Query target；Automatic

emciency

recommendation

of interest de—

KEYWoRDS：User

algorithm；Model

gree

速普及，推荐系统也被扩展至物联网领域口J。面对物联网环

境中，呈线性增长的网络数据，现阶段的推荐系统依靠用户

对项目的评分来度量用户间的偏好近似度，从偏好近似的用

户那里获取信息，给出推荐¨ J。但随着网络用户数量和项目

数量的增加，推荐系统面临着推荐命中率低的问题∞J。在这

种情况下，如何有效提高用户查询目标推荐机制命中率成为

物联网领域亟待解决的主要问题。

引言

信息时代的快速发展，用户可通过网络获取、理解并合

理使用信息的难度也在不断加大，推荐系统作为一种引导用

户获取其潜在信息需求的工具应运而生[1。“。物联网的快

基金项目：河南省科技攻关项目工业制造生产线测控系统中的数据

融合技术研究(182102210150)

国内许多学者对用户查询推荐机制进行了深入研究，提

出了很多好的方法。例如，文献[6]提出基于数据降维的用

收稿日期：2018—04—19修回日期：2018一05—10

—380一

万方数据

户查询推荐算法。将用户评分数据、项目属性以及项目类别

数据进行融合处理，将融合后的数据输入到神经网络中训

练，选取神经网络编码部分最后隐含层的值作为新输入融合

数据的特征编码，完成数据降维处理。对降维后的数据利用

欧氏距离算法构建索引，通过检索获取目标用户与查询目标

项目间的最近邻，计算查询目标与近邻间的近似度，通过近

似度对近邻评分结果加权，获得用户对查询目标项目的预测

评分，根据评分结果给出推荐。该方法在一定程度上提高了

样本数量。，(哦，c。)表示查询样本各个属性的条件概率，

，(c。)表示训练样本属性和链接的联合概率。经过朴素贝

叶斯网络模型训练后，即可对用户当前查询目标一进行链接

点击预测

(3)

c。)

u=P(c。)兀P(一l

式中，每个相关链接对应一个预测值，该值表征用户查询目

标与链接的点击相关度。

推荐精度，但计算过程较为复杂，推荐耗时长。文献[7]提出

一种基于用户搜索满意度状态的查询推荐算法。该算法可

为用户推荐不同类别的查询词，当用户对推荐结果较为满意

时，将为用户推荐更新后的结果；当用户对推荐结果不满意

时，该算法将为用户提供一些增强搜索信息表示能力的查询

词。该方法在一定程度上提高了推荐效率，但在实际的推荐

精度并不高。

考虑一个由n个链接和m个用户查询构成的二分图G，

u={(H。，口。)，，(u。，％)}表示链接节点，口f用于描述查询

结果的预测点击值，用户查询节点q。的相关值通过传播求

和．即

(4)

～2善南

其中，J}(u，)表示与uj相连的查询节点q；的数量，q表示链

接的预测值。根据用户查询历史数据预测其与链接的点击

率，即

针对上述问题，提出基于TF—IDF算法的物联网用户查

询目标自动推荐算法。该方法的创新点在于：

1)结合TF—IDF算法和信息熵算法构建物联网用户对

项目属性的兴趣度模型，并以此作为基础数据在目标用户所

属簇内计算用户近似度并寻找最近邻，使得物联网中近似用

"砉南半掣

其中，cz池(嘶，g；)表示q。的点击数量占总点击数量的概率。

通过朴素贝叶斯预测物联网用户查询行为，实质上是找

出查询与链接之间的关系，但没有考虑到用户历史查询与当

前查询之间的文本近似性，而通过融合用户当前查询和历史

查询文本近似度可以增强与用户查询目标直接相关的信息，

采用．，如cnrd相关系数一1来计算用户查询目标g和历史查询

文本吼间的近似度

户间的相关性增强，缩短寻找最近邻的查询时间，提高了推

荐效率。

2)针对物联网中用户间的共同评分项较少，用户评分结

果较为接近，导致最终计算得到的近似度较高的问题，利用

皮尔逊相关系数来计算物联网用户近似度，同时采用用户兴

趣向量替换用户评分向量，进一步提高了推荐算法的精度。

(6)

sim(g，g。)=l

q；l／l

u吼I

2用户查询目标自动推荐原理

在最终的用户查询目标推荐中，整合式(5)、式(6)则有

通过对用户查询点击数据进行分析与挖掘，训练朴素贝

叶斯模型，针对网络用户输入的查询，根据用户查询历史数

据预测其与链接的点击率，再采用二分图将链接的预测点击

值平均分配给相应的各个查询项，结合Jaccard近似度和时

间关联因子综合分析用户当前输入的查询与历史中查询的

相关度，选取最高相关度的项目推荐给用户，具体过程如下

所述：

％=c砉糍署+a删，

其中，a表示时间衰减因子，可依据不同的用户查询历史数

据选取合适的参数。通过对用户查询g。的相关值进行降值

排序，选取最高相关度的项目推荐给用户

(8)

Ⅳ= ￡(g，q。)

J=l

通过对用户查询点击数据进行分析与挖掘，训练朴素贝

叶斯模型伸J，每个与链接相应的查询作为训练样本r=

其中，￡(g，吼)表示g与g。的相关性。

基于改进近似性度量的查询目标自动推荐算法

{(q。，H。)，，(g。，u。)}，其中，g。=(g：，，gn)，矾表示第i

个训练样本的第J种属性。根据用户查询所需，利用式(1)

和式(2)计算出用户点击链接的先验概率P(c。)和样本属性

3．1用户聚类、近似度计算和最近邻查询

在进行物联网用户查询目标自动推荐过程中，采用，I'F

—IDF算法结合信息熵算法构建用户对项目属性的兴趣度

模型，运用s0M算法对兴趣度模型中的用户进行初步聚类，

将初步聚类中心和聚类簇数目作为K—means算法的初始聚

类质心和聚类簇数目，在目标用户所在的聚类簇中计算用户

近似度并寻找最近邻，具体过程如下所述。

的条件概率尸(矾Iq)

Ⅳ

(1)

P(c。)= ，(ct)／Ⅳ

(2)

尸(“Jq)= ，(d，ct)／，(％)

其中，Ⅳ表示各个链接的频数，，(c。)表示与链接相应的查询

假设，，={^， Z}表示用户查询项目属性集合，口。表

一38】一

万方数据

示查询项目一属性矩阵中的元素，元素‰ 用于描述‘的特

征属性

其中，k。和‰ 。分别表示物联网用户u。和M7在查询项目属性

吼上的评分权重，i。和；，分别表示用户Hi和Ⅱ，在查询项目

属性Ⅱ。上的平均评分。

。：jIo，查询项目‘不具有属性

L1，查询项目‘具有属性

f9、

ty，

。

在计算用户查询项目之间的近似度时，采用余弦近似度

计算，同时采用用户查询项目属性向量E，替换用户评分向

量，即

假设，用户以查询较为频繁的项目集合为厶，不查询或

是很少查询的项目集合为Q．，参考卯一旧F算法，假设用户

查询项目属性，在集合t中出现的次数较多，说明用户对该

属性的查询项目非常感兴趣，则该属性Z将被赋予较大的权

艺(Aii^)

s溉(i√)=—；=兰兰=—；===

(14)

重，通过上述论述得到用户以对查询项目属性五的兴趣度

权重叫*

摆(An尸√荟 ”)2

其中，Ai和Ai分别表示用户查询项目九；和^j是否含有属性

吼，s溉(i√)的值为1时，表明包含属性叱；sim(i，J)的值等于

0时，表明不包含属性o。。

(10)

钾m=(札。／ M。)。lb(‰ ；偶i)

其中，肌。。表示集合厶中具有查询项目属性Z的项目数量，

选取用户查询项目近似度最高的K个项目作为最近邻

Fn¨ 将最近邻组合构成最近邻集合吒，将‰ 中用户已经评

价过的推荐项目去掉，将近似度最高的墨个项目作为用户u

的推荐候选集睨。为了给出最佳推荐结果，需要在耽中进

行评分预测，完成用户查询目标推荐：

帆。表示F中全部属性在集合厶中出现次数之和。

上式求解得到的用户对查询项目属性的兴趣度权重，没

有考虑到查询项目属性，在集合￡。中和集合Q；之间的分布

情况。针对此情况，引入信息熵算法¨ 叫优化玎一，DF。设

定，查询项目属性Z在集合‘和Qi中的概率分布为P。=

(15)

；=巧· 乙1 5im(^。，^．)l／耽

(肌。／％∥Ⅳ口。／％。)，％。表示Q。中含有属性石的查询项目

数量，风。(P。。)表示查询项目属性，的类间信息分布熵。以

(P。。)表示项目查询属性Z在集合t中的概率分布，巩(P。)

表示用户查询项目属性Z的类内信息分布熵。通过上述分

析可知，巩(P。)值越大说明用户查询项目属性Z的权重越

小，巩(R)值越大说明用户查询项目属性Z的权重越大。

获得改进后的用户玑对查询项目属性，的兴趣度模型为

4实验结果与分析

为了验证所提基于改进近似性度量的物联网用户查询

目标自动推荐算法的综合有效性，需要进行一次实验，实验

数据来源于某研究项目组提供的Movielens数据集，该数据

集中含有7050位用户对4050部电影的评分数据，在实验

中，根据时间顺序，前30％的数据作为训练数据，后70％的

数据作为测试数据。实验中还测试了文献提及的推荐算法，

并进行了对比。其中一种是基于数据降维的用户查询推荐

算法，用uA表示。另一种是基于用户搜索满意度状态的查

询推荐算法，用QA表示。所提算法用TA表示。

N。

N，

、

‰ 2青1K砖卜‘南慨(11)

老}”

式中对巩进行了修改，常数l的作用是为了防止巩(P。)

=0，使得l／(巩+P。)的结果分布在区间[o，1]内。

为了缩小用户近似度计算时间、缩小用户最近邻查询范

围，并以此为基础数据在目标用户所属簇内计算用户近似度

选取推荐精度、推荐时延作为评价不同推荐算法质量的

衡量标准，其中在推荐精度方面选取命中率和平均绝对误

差，平均绝对误差计算式如下

并寻找最近邻，并计算目标用户u。与所属聚类簇c。中剩余

用户的近似度s溉(“，”)，并寻找最近邻。

(12)

(16)

sim(u，”)=(∞。· ∞。)／I甜。I· 1∞。l

脚。南互[荟h吨。l们|]

其中，∞。和∞。分别表示物联网用户“和”的查询项目属性

感兴趣向量。

其中，k，，表示用户H。对查询项目”f的实际评分，儿，，表示推

荐算法给出的预测评分，A、曰分别表示用户集合和测试

集合。

3．2基于评分预测的查询目标推荐算法

通常情况下，物联网中用户间的共同评分项较少。用户

评分结果较为接近，导致采用最终计算得到的近似度较高。

针对此问题，采用改进近似性度量方法在簇内寻找目标用户

的最近邻和项目推荐候选集，根据项目推荐候选集上的预测

评分，完成用户查询目标自动推荐。具体过程如下所述：

利用皮尔逊相关系数来计算物联网用户近似度，同时采

用用户兴趣向量替换用户评分向量，即

推荐时延利用下式计算

r=L+z

(17)

其中，E和t分别表示评分结果转发时延和评分预测步骤

时延，采用用户查询目标请求在网络节点间的转发跳数作为

衡量不同推荐算法推荐时延的标准。

分别采用所提算法、基于用户搜索满意度状态的查询推

荐算法以及基于数据降维的用户查询推荐算法进行推荐命

中率(％)对比，对比结果如图1所示。

艺(r吨一-)(‰ 一o)

sim(i√)=—了=兰竺兰=====—了======(13)

分析图1可知，所提算法与基于用户搜索满意度状态的

查询推荐算法的推荐命中率较高，且明显高于基于数据降维

√善(r旷t尸√善(铲矿

一382一

万方数据

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

物联网用户查询目标自动推荐算法仿真研究

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页