亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        改進型協(xié)同過濾的API服務(wù)推薦方法研究

        2019-04-12 00:00:00韓院彬趙輝檀蓉房海峰
        現(xiàn)代電子技術(shù) 2019年21期

        摘" 要: 在構(gòu)建用戶興趣模型時,為了充分挖掘用戶間的信任度和關(guān)注度,針對現(xiàn)有的API服務(wù)推薦算法,提出一種基于用戶信任度和關(guān)注度的改進型協(xié)同過濾API服務(wù)推薦算法。該算法在傳統(tǒng)算法的基礎(chǔ)上引入用戶間的信任度和關(guān)注度概念,以此提升準(zhǔn)確性,優(yōu)化推薦順序。針對矩陣的稀疏性和用戶客觀原因造成的推薦誤差,分別采用改進的空值填補法和均值中心化法進行處理。通過實現(xiàn)模型和算法的實驗仿真,證明了改進的算法比傳統(tǒng)算法具有更高的準(zhǔn)確性及更優(yōu)的推薦順序。

        關(guān)鍵詞: API服務(wù); 協(xié)同過濾推薦算法; 信任度挖掘; 空值填補; 個性化推薦; 仿真實驗

        中圖分類號: TN911?34" " " " " " " " " " " " "文獻標(biāo)識碼: A" " " " " " " " " " " " " "文章編號: 1004?373X(2019)21?0086?04

        Abstract: In order to sufficiently explore the trust and attention among users when building the user interest model, an improved collaborative filtering API service recommendation algorithm based on the trust and attention of users is proposed for the existing API service recommendation algorithm. On the basis of the traditional algorithm, the concept of trust and attention among users is introduced into this algorithm to improve the accuracy and optimize the recommendation order. In allusion to the sparseness of matrix and recommendation error caused by objective reasons of users, the improved 1 value fill?up method and mean centralization method are used to deal with them, respectively. The simulation experiment to realize the model and algorithm, proves that the improved algorithm has higher accuracy and better recommendation sequence than the traditional algorithm.

        Keywords: API service; collaborative filtering recommendation algorithm; trust mining; 1 value fill?up; personalized recommendation; simulation experiment

        0" 引" 言

        隨著信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,API服務(wù)得到充分的發(fā)揮空間,越來越多的API服務(wù)被應(yīng)用到各個領(lǐng)域。同時,如何快速有效地從眾多的API服務(wù)中獲取對于用戶有價值的信息成為當(dāng)前大數(shù)據(jù)發(fā)展的關(guān)鍵問題。

        推薦系統(tǒng)是處理“信息超載”的有效方法[1],已經(jīng)成為各個領(lǐng)域的關(guān)注熱點并得到廣泛的應(yīng)用。其中協(xié)同過濾推薦算法是由Sarwar等人最早提出的[2],并且應(yīng)用最廣泛的一種算法,該算法主要通過分析相似用戶評分過的物品預(yù)測目標(biāo)用戶可能感興趣的物品。文獻[3]通過關(guān)鍵詞的語義分析技術(shù)引入到協(xié)同過濾系統(tǒng)中,應(yīng)用于廣告領(lǐng)域。文獻[4]通過納入新聞熱度影響并運用懲罰用戶相似度方法,應(yīng)用于新聞領(lǐng)域。文獻[5]根據(jù)移動用用戶特點引入杰卡德系數(shù)對算法進行修改,應(yīng)用于餐飲領(lǐng)域。這些研究都是通過修改相似度的計算方法應(yīng)用在新的領(lǐng)域中。本文針對數(shù)據(jù)稀疏性問題對協(xié)同過濾算法進行改進,最終將改進的算法應(yīng)用在API服務(wù)推薦領(lǐng)域。

        本文在API服務(wù)個性化推薦中,針對上述問題,在現(xiàn)有的協(xié)同過濾算法的基礎(chǔ)上,對社區(qū)中涉及用戶的特征信息進行數(shù)據(jù)清洗,同時引入社區(qū)信任度和好友關(guān)注度,對傳統(tǒng)的相似度計算方法進行改進,在API服務(wù)個性化推薦中取得了比較理想的效果。

        1" 個性化推薦算法原型

        個性化推薦算法主要包括收集數(shù)據(jù)、數(shù)據(jù)預(yù)處理、引入社區(qū)信任度和好友關(guān)注度的相似度計算,最后對推薦結(jié)果進行排序,獲取Top?[N]的最優(yōu)推薦結(jié)果,基本原理如圖1所示。其中收集數(shù)據(jù)包括收集和更新用戶的相關(guān)信息及API數(shù)據(jù)的最新動態(tài);數(shù)據(jù)預(yù)處理包括對數(shù)據(jù)的清理、填充空值、歸一化處理等操作;其中最為關(guān)鍵的是相似度的計算,通過引入社區(qū)信任度和好友關(guān)注度對傳統(tǒng)的相似度計算方法進行改進,直接影響API個性化推薦算法的推薦質(zhì)量。

        2" 基于改進用戶相似度的協(xié)同過濾算法

        2.1" 數(shù)據(jù)預(yù)處理

        2.1.1" 空值填補

        隨著API服務(wù)數(shù)據(jù)的不斷增加,網(wǎng)上用戶對數(shù)據(jù)的顯性評分逐漸減少,這些問題導(dǎo)致了數(shù)據(jù)的稀疏性急劇增大。同時,傳統(tǒng)的相似度計算依賴用戶間的共同評分項,若兩用戶無共同評分項,將無法計算用戶間的相似度。

        本文將API服務(wù)的相關(guān)特征融合到填補空值的計算中,主要包括API服務(wù)的類別、第二類別、風(fēng)格、使用范圍,同時假設(shè)API服務(wù)的特征向量相同可以得到相似評分的前提下,通過計算獲得新的缺省值。計算公式為:

        2.1.2" 平均評分

        由于每個用戶對API服務(wù)的認(rèn)可度和評分習(xí)慣有所差異,給出的評分也有所差異。例如,某些用戶習(xí)慣評價低分或高分,導(dǎo)致在計算相似度的過程中,相似度最終的準(zhǔn)確性降低。因此,需要考慮每個用戶對每個項目的具體評分差異。本文采用用戶平均評分的方法進行評分標(biāo)準(zhǔn)化。計算方法如下:

        式中:[mu,i]表示用戶[u]對[i]的均值化結(jié)果;每個[su,i]表示用戶[u]對[i]的評分;[su]表示用戶[u]的平均評分;[Iu]是用戶[u]的所有物品。

        2.2" 引入信任度和關(guān)注度的相似度計算

        常見的計算相似度的方法有[6]余弦、Pearson相似度、修正余弦相似度等,這些相似度的計算方法主要通過用戶?評分向量,在計算初期能很好地計算出用戶之間的相似度。但隨著API的數(shù)量逐漸增多導(dǎo)致矩陣極度稀疏,計算結(jié)果的準(zhǔn)確性也隨之降低。

        本文通過數(shù)據(jù)預(yù)處理對稀疏的數(shù)據(jù)進行填補,同時根據(jù)API服務(wù)的特征向量,引入用戶間的信任度和關(guān)注度,對傳統(tǒng)相似度計算方法進行改進。一方面根據(jù)用戶所在社交平臺中的關(guān)注信息計算用戶間的關(guān)注度,用符號[Usi]表示,同時分為3種情況:

        1) 用戶[u]和用戶[i]在社區(qū)平臺中互相關(guān)注。

        2) 用戶[u]和用戶[i]在社區(qū)平臺中單方面關(guān)注。

        3) 用戶[u]和用戶[i]在社區(qū)平臺中互不關(guān)注。

        將三種情況分別代入式(3)獲得用戶間關(guān)注度:

        式中:[Usu,i]表示用戶[u]對用戶[i]的關(guān)注度;[gu,i]代表關(guān)注情況,可根據(jù)三種情況賦予不同的值;[nu]代表用戶[u]在各平臺中的關(guān)注數(shù)量,[u∈Ptnu]代表用戶[u]在平臺中的關(guān)注數(shù)量總和。[Usu,i]越大,說明用戶[u]和用戶[i]之間的感興趣度越高,[Usu,i]越小則說明用戶[u]和用戶[i]之間感興趣度越低。

        另一方面,可根據(jù)用戶在社交平臺中的特征信息計算用戶[u]對用戶[i]的信任度,用符號 [infuj]表示。主要選取社交平臺中用戶的3個基本特征:評論數(shù)[c]、回復(fù)數(shù)[d]、最優(yōu)解答數(shù)[m],并通過計算得到用戶自身的信任度[infuj]:

        式中:[cu,j]代表用戶[u]在平臺[j]中的評論數(shù);[du,j]代表用戶[u]在平臺[j]中的回復(fù)數(shù);[mu,j]代表用戶[u]在平臺中最優(yōu)解答數(shù);[Pt]代表所有社交平臺。[infuj]越大說明用戶[u]在社交平臺中的可信度越大,[infuj]越小則說明用戶[u]在社交平臺中的可信度越低。

        綜上所述,通過數(shù)據(jù)預(yù)處理解決稀疏性問題,同時引入用戶間的關(guān)注度和信任度,解決了傳統(tǒng)算法在API領(lǐng)域未考慮用戶感興趣度和可信度的問題,改進的余弦相似度的計算公式如下:

        式中:[ui]代表用戶[i]對各API服務(wù)的評分;[uj]代表用戶[j]對各API服務(wù)的評分;[infuj]代表用戶[j]間的信任度;[Usui,uj]代表用戶之間的關(guān)注度。

        3" 實" 驗

        3.1" 實驗數(shù)據(jù)及環(huán)境

        本文實驗環(huán)境為:16 GB 內(nèi)存,3.0 GHz 雙核 CPU,Win 10 操作系統(tǒng),Pycharm 集成環(huán)境,MySQL數(shù)據(jù)庫和MongoDB數(shù)據(jù)庫。API數(shù)據(jù)集是通過Python爬取ProgrammableWeb網(wǎng)站上的真實API服務(wù)信息,包括 10 260 個API服務(wù)信息,同時以問卷調(diào)查的方式獲取100名用戶使用的API服務(wù)、評分及社交信息。

        3.2" 評價標(biāo)準(zhǔn)

        在本文中,通過準(zhǔn)確率和折損累積增益進行評估Top?[N]推薦的預(yù)測質(zhì)量。

        準(zhǔn)確率(Precision)是通過計算測試集中預(yù)測的用戶選擇情況與實際數(shù)據(jù)的選擇情況進行評測,用來評價結(jié)果的質(zhì)量。則推薦結(jié)果的準(zhǔn)確率定義為:

        式中:[Top K(u)]是用戶在推薦算法訓(xùn)練集上的數(shù)據(jù)產(chǎn)生的推薦列表;[Test(u)]是用戶在測試集上真實的訪問項目列表。

        折損累積增益(Discounted Cumulative Gain,DCG)是信息檢索領(lǐng)域評價網(wǎng)頁搜索算法的有效衡量指標(biāo),其基本思想是用戶喜歡的商品排在推薦列表前邊比排在后邊會更大程度增加用戶的體驗。當(dāng)用戶搜索API服務(wù)時,通常關(guān)注于系統(tǒng)所返回的推薦結(jié)果列表中的[Top?K]個API服務(wù)。DCG定義為:

        式中:[i]代表推薦列表中的排序的位置,如果目標(biāo)用戶r的推薦項目列表中第[k]個項目出現(xiàn)在測試集中,則 [scoi=1],否則 [scoi=0],[DCGr]為推薦列表前[Top?K]項得分的累加值,其值越大表示用戶興趣度越高。

        3.3" 實驗描述及結(jié)果分析

        3.3.1" 實驗前準(zhǔn)備工作

        為確保仿真實驗結(jié)果的準(zhǔn)確性,排除偶然因素造成的影響,本文將實驗數(shù)據(jù)集隨機分成兩部分,分別為訓(xùn)練數(shù)據(jù)集占60%和測試數(shù)據(jù)集占40%。

        對實驗數(shù)據(jù)進行預(yù)處理,采用空值填補法降低矩陣稀疏性,再通過對評分?jǐn)?shù)據(jù)進行均值化處理降低用戶評分習(xí)慣差異,最后通過引入關(guān)注度和信任度改進傳統(tǒng)相似度的計算。

        3.3.2" 實驗描述及結(jié)果分析

        本文使用傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法作對比實驗,對比結(jié)果如圖2,圖3所示。

        由圖2可知,隨著推薦數(shù)量[K]的逐漸增大,兩種算法的準(zhǔn)確性均呈下降趨勢,在[K]值為5~10個時,準(zhǔn)確性偏高。本文算法較傳統(tǒng)算法準(zhǔn)確性高,下降速度也相對較慢。由此可知,本文算法可以更好地適應(yīng)用戶的喜好,更加值得用戶信任。

        由圖3可知,在所有數(shù)據(jù)相同的情況下,隨著推薦資源個數(shù)的增加,傳統(tǒng)的基于用戶的協(xié)同過濾推薦算法和改進算法的DCG指標(biāo)均有所提高,但本文提出的算法的DCG值比傳統(tǒng)算法要高。由此可知,本文算法不僅能夠獲得較優(yōu)的推薦順序,而且能夠適應(yīng)用戶的喜好,使得項目推薦列表整體推薦效果較優(yōu)。

        綜上所述,本文提出的改進算法在準(zhǔn)確率和折損累積增益兩個指標(biāo)上均比傳統(tǒng)的協(xié)同過濾算法有所提高。表明本文推薦算法不僅能夠挖掘出用戶需要的API服務(wù),而且可以通過用戶間的信任關(guān)系獲取更為準(zhǔn)確的推薦結(jié)果,其推薦效果和質(zhì)量均優(yōu)于傳統(tǒng)的協(xié)同過濾算法。

        4" 結(jié)" 語

        本文結(jié)合用戶間的信任度和關(guān)注度的實際特點,提出了一種改進的基于協(xié)同過濾的API服務(wù)推薦算法。結(jié)合用戶評分矩陣進行空值填補和用戶評分標(biāo)準(zhǔn)化處理,很好地解決了用戶矩陣稀疏性和用戶習(xí)慣差異導(dǎo)致的不準(zhǔn)確性的問題。并且通過實際數(shù)據(jù)進行實驗,同時對實驗結(jié)果與傳統(tǒng)的協(xié)同過濾算法進行對比驗證,證明改進的算法比傳統(tǒng)算法具有更高的準(zhǔn)確性及更優(yōu)的推薦順序。

        參考文獻

        [1] 高發(fā)展,黃夢醒,張婷婷.綜合用戶特征及專家信任的協(xié)作過濾推薦算法[J].計算機科學(xué),2017,44(2):103?106.

        GAO Fazhan, HUANG Mengxing, ZHANG Tingting. Collaborative filtering recommendation algorithm based on user characte?ristics and expert trust [J]. Computer science, 2017, 44(2): 103?106.

        [2] 郭彩云,王會進.改進的基于標(biāo)簽的協(xié)同過濾算法[J].計算機工程與應(yīng)用,2016,52(8):56?61.

        GUO Caiyun, WANG Huijin. Improved label?based collaborative filtering algorithm [J]. Computer engineering and applications, 2016, 52(8): 56?61.

        [3] 盧軍,李哲,黃一杰,等.一種基于協(xié)同過濾與語義分析的個性化網(wǎng)絡(luò)廣告投放方法研究[J].現(xiàn)代電子技術(shù), 2016, 39(19):107?110.

        LU Jun, LI Zhe, HUANG Yijie, et al. Research on a personalized internet advertising delivery method based on collaborative filtering and semantic analysis [J]. Modern electronics technique, 2016, 39(19): 107?110.

        [4] 吳彥文,齊旻,楊銳.一種基于改進型協(xié)同過濾算法的新聞推薦系統(tǒng)[J].計算機工程與科學(xué),2017,39(6):1179?1185.

        WU Yanwen, QI Min, YANG Rui. A news recommendation system based on improved collaborative filtering algorithm [J]. Computer engineering amp; science, 2017, 39(6): 1179?1185.

        [5] 朱保華,張曉濱.移動用戶餐飲個性化需求推薦研究[J].現(xiàn)代電子技術(shù),2015,38(11):13?15.

        ZHU Baohua, ZHANG Xiaobin. Research on individualized demand recommendation for mobile users′catering [J]. Modern electronics technique, 2015, 38(11): 13?15.

        [6] 李容,李明奇,郭文強.基于改進相似度的協(xié)同過濾算法研究[J].計算機科學(xué),2016,43(12):206?208.

        LI Rong, LI Mingqi, GUO Wenqiang. Research on collaborative filtering algorithm based on improved similarity [J]. Computer science, 2016, 43(12): 206?208.

        [7] 朱強,孫玉強.一種基于信任度的協(xié)同過濾推薦方法[J].清華大學(xué)學(xué)報(自然科學(xué)版),2014(3):360?365.

        ZHU Qiang, SUN Yuqiang. A trust?based collaborative filte?ring recommendation method [J]. Journal of Tsinghua University (Natural science edition), 2014(3): 360?365.

        [8] 李濤.基于個性化特征的協(xié)同過濾推薦算法[J].現(xiàn)代電子技術(shù),2017,40(5):78?81.

        LI Tao. Collaborative filtering recommendation algorithm based on personalized features [J]. Modern electronics technique, 2017, 40(5): 78?81.

        [9] RICCI F, ROKACH L, SHAPIRA B, et al. Recommender systems handbook [M]. Heidelberg: Springer, 2011: 1?35.

        [10] 汪從梅,王成良,徐玲.自適應(yīng)用戶的Item?based協(xié)同過濾推薦算法[J].計算機應(yīng)用研究,2013,30(12):3606?3609.

        WANG Congmei, WANG Chengliang, XU Ling. Item?based collaborative filtering recommendation algorithm for adaptive users [J]. Computer applications, 2013, 30(12): 3606?3609.

        [11] 王立才,孟祥武,張玉潔.上下文感知推薦系統(tǒng)[J].軟件學(xué)報, 2012,23(1):1?20.

        WANG Licai, MENG Xiangwu, ZHANG Yujie. Context?aware recommender systems [J]. Journal of software, 2012, 23(1): 1?20.

        [12] 王志虎,黃曼瑩.基于用戶歷史行為的協(xié)同過濾推薦算法[J].微電子學(xué)與計算機,2017,34(5):132?136.

        WANG Zhihu, HUANG Manying. Collaborative filtering re?commendation algorithm based on user′s historical behavior [J]. Microelectronics and computer, 2017, 34(5): 132?136.

        国产又黄又爽又色的免费| 亚洲精品美女中文字幕久久| 日本一区二区三区视频免费观看| 久久精品www人人爽人人| 亚洲丁香五月激情综合| 美女窝人体色www网站| 五月婷婷开心五月播五月| 99无码精品二区在线视频 | 男男性恋免费视频网站| 91精品国产福利尤物免费| 一区二区三区在线日本| 粗大猛烈进出高潮视频大全| 四虎影视永久地址www成人| 亚洲偷自拍另类图片二区| 少妇高潮呻吟求饶视频网站| 一 级做人爱全视频在线看| 国产午夜福利在线播放| 亚洲女同成av人片在线观看| 日韩在线精品免费观看| 国产精品毛片va一区二区三区| 久久日本三级韩国三级| 久久久精品2019免费观看| 北条麻妃在线中文字幕| 国产又爽又黄又刺激的视频| 在线欧美不卡| 中文字幕久久人妻av| 亚洲国产精品无码久久一区二区| 无码粉嫩虎白一线天在线观看| 探花国产精品三级在线播放| 亚洲国产精品av麻豆网站| 国产欧美日韩精品专区| 欧美整片第一页| 白白色福利视频在线观看| 亚洲国产精品久久久久久无码| 最新亚洲精品国偷自产在线| 国产粉嫩嫩00在线正在播放| 精品人妻一区二区三区视频| 亚洲av午夜国产精品无码中文字| 国产内射XXXXX在线| 亚州中文字幕乱码中文字幕| 中国午夜伦理片|