摘? 要：為解決傳統(tǒng)的算法中忽視的問題，選擇更適合用戶的興趣模型，降低分析準(zhǔn)確度較低的方式，為此提出了用戶興趣建模支持下的行為推薦算法特性分析，基于特征維度的選擇，以及特性影響因子的求解，完成了推薦算法特性分析影響因子的計(jì)算;基于行為推薦算法樣本集的確定，實(shí)現(xiàn)了行為推薦算法的特性分析，試驗(yàn)數(shù)據(jù)表明，提出的推薦算法特性分析較傳統(tǒng)分析方法，分析準(zhǔn)確率提高13.68%。適用于不同用戶興趣建模支持下的行為推薦。

關(guān)鍵詞：興趣建模;用戶行為;推薦算法;特性分析

中圖分類號(hào)：TP301. 6? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2019）09-0011-03

0? 引? 言

隨著科技技術(shù)與網(wǎng)絡(luò)技術(shù)的快速發(fā)展，興趣點(diǎn)的選擇成為滿足用戶個(gè)性化需求、減輕信息超載問題的重要手段。然而，已有的興趣點(diǎn)推薦算法采用通過矩陣分解運(yùn)算找到興趣點(diǎn)的推薦算法，把簽到頻率數(shù)據(jù)和傳統(tǒng)推薦系統(tǒng)中的評(píng)分?jǐn)?shù)據(jù)同樣看待[1]，使用高斯分布的推薦模型建模，對(duì)用戶的簽到行為次數(shù)進(jìn)行數(shù)據(jù)整理的同時(shí)忽視用戶簽到數(shù)據(jù)的隱含內(nèi)容以及反饋屬性的變化。為解決以上問題，需要更好地選擇用戶興趣建模支持下的行為推薦算法，并根據(jù)不同的特點(diǎn)進(jìn)行分析。電子商務(wù)系統(tǒng)規(guī)模的轉(zhuǎn)變使得消費(fèi)者的需求日益復(fù)雜化，傳統(tǒng)的推薦算法難以提供讓消費(fèi)者滿意的推薦服務(wù)。對(duì)此，本文從分析反映消費(fèi)者偏好的行為特征入手，依托提取用戶興趣特征模型，基于用戶興趣特征提取的推薦算法，從算法中分析存在的特性。

1? 推薦算法特性分析影響因子的計(jì)算

1.1? 特征維度的選擇

特征維度的劃分是按照用戶對(duì)于興趣建模的特點(diǎn)進(jìn)行創(chuàng)造和建立，算法中的矩陣排列方式按照用戶的興趣程度進(jìn)行劃分，通過相近性的用戶對(duì)未檢測(cè)到的商品興趣度值，分析用戶對(duì)未檢測(cè)商品的興趣度值。通過這項(xiàng)計(jì)算和分析發(fā)現(xiàn)，用戶對(duì)于商品的瀏覽和興趣程度存在著三個(gè)方面的特征。分別表現(xiàn)為：其一，用戶的喜好存在著轉(zhuǎn)換性，這些特征表現(xiàn)在用戶對(duì)不同商品的喜愛度和興趣度上，如果用戶對(duì)于商品喜愛的程度發(fā)生轉(zhuǎn)換，那么興趣度會(huì)有所降低;其二，用戶對(duì)興趣度極高的商品的點(diǎn)擊瀏覽網(wǎng)頁程度會(huì)高速增加，若既定的時(shí)間，用戶瀏覽商品的數(shù)量減少，長(zhǎng)久地停留在瀏覽某一物品上，點(diǎn)擊其他的商品的次數(shù)有所減少，那么用戶對(duì)這種商品的興趣度會(huì)相應(yīng)地增加，對(duì)與之相似的商品的興趣度也會(huì)增加[2];其三，對(duì)用戶信息的調(diào)查顯示，其所在年齡階段、性別的取向、性格的特征，都會(huì)不同程度地影響其對(duì)于商品的興趣度以及對(duì)于商品的點(diǎn)擊率。

1.2  特性影響因子的求解

在計(jì)算過程中，先設(shè)置用戶的數(shù)值為u，商品的總體設(shè)置為w，未瀏覽的商品設(shè)置為q，點(diǎn)擊率為n，已經(jīng)瀏覽過的商品總體設(shè)置為Iw，則N=Iw，任意挑選的商品集合為a∈Iw，預(yù)設(shè)用戶對(duì)于喜愛的商品的興趣度，那么在商品集合Iw中找到商品w和n，對(duì)于瀏覽中的商品表示出的用戶興趣度，找到傳統(tǒng)的推薦算法的相似過程計(jì)算出物品w和n之間存在的關(guān)系。其存在關(guān)系的公式表示為[3]：p=w×u/Iw，在此式中，p表示用戶u和w對(duì)任意挑選商品喜愛程度的集合。在目標(biāo)用戶的w的總體數(shù)量上找到興趣度相關(guān)的用戶集合I={I1，I2，I3，…，Ia}，算式表現(xiàn)方式為a∈I，根據(jù)算式m=sim（a/Ik）/q呈現(xiàn)方式如下：sim（a，I1）>sim（a，I2）>…>sim（a，Ik），這則算式則表示為用戶推算出相近用戶的特性影響因子求解[4]。q作為具體數(shù)值的用戶和具體數(shù)值的相近用戶對(duì)于商品平均性的興趣程度值，sim（a，I）是對(duì)于用戶和相近用戶存在的關(guān)系問題的表達(dá)，m表示相近用戶對(duì)于商品的興趣度值。

2? 行為推薦算法的特性分析流程

2.1? 行為推薦算法樣本集的確定

行為推薦算法樣本集是根據(jù)特征維度，以及特性影響因子的確定，利用用戶興趣建模支持檢測(cè)出用戶對(duì)商品的有效瀏覽率、遺忘因子、總瀏覽時(shí)間、有效瀏覽時(shí)間的有效集合，行為推薦算法樣本集，在不同鄰近用戶個(gè)數(shù)下，由于用戶興趣的轉(zhuǎn)移對(duì)樣本集具有一定影響。行為推薦算法樣本集越小，用戶檢測(cè)的概率越高，那么推薦的精度就越精確，表明根據(jù)這樣的興趣提取推薦算法運(yùn)用，可以精確地掌握用戶對(duì)該商品的切實(shí)的感受和興趣，檢測(cè)出用戶對(duì)于不同商品興趣的差異性，根據(jù)這些差異性做出精確的推測(cè)，測(cè)定數(shù)值越小，則測(cè)試得越精準(zhǔn)，推薦系數(shù)也就越高[5]。通過檢測(cè)來驗(yàn)證提出的推薦算法具有較高的推薦精度和效率，也就表明算法有著較高的精確性。

行為推薦算法樣本集的判斷，是根據(jù)對(duì)鄰近用戶的瀏覽信息做出興趣性的分析，設(shè)通過算法測(cè)試用戶對(duì)m個(gè)商品的興趣度值分別為{q1，q2，…，qm}，鄰近用戶對(duì)同樣的m個(gè)商品的真實(shí)的興趣度值為{n1，n2，…，nm}，運(yùn)用絕對(duì)偏差公式，當(dāng)用戶的興趣度對(duì)物品的感受越高時(shí)，鄰近用戶的喜愛程度和興趣度也會(huì)偏高，在這樣的一種形式下，通過用戶的測(cè)試算法就能夠推算出鄰近用戶的喜愛商品以及對(duì)選擇商品的點(diǎn)擊率，求出行為推薦算法樣本集，如式（1）所示：

MEC=Σqm×P×（qm-nm）/m? ? ? ? ? ? ? ? ? ?（1）

針對(duì)采集鄰近信息項(xiàng)目，進(jìn)而通過對(duì)目標(biāo)用戶的訪問鄰近次數(shù)，進(jìn)行項(xiàng)目測(cè)評(píng)分，實(shí)現(xiàn)對(duì)目標(biāo)用戶在沒有訪問項(xiàng)目的測(cè)評(píng)分測(cè)量。在上述推薦過程中，評(píng)分得出的數(shù)值是實(shí)現(xiàn)推薦的重要方式，無論在歷史評(píng)分的產(chǎn)生時(shí)間中存在的差別，還是在推薦中所起的作用都是相等的。而在推薦系統(tǒng)的實(shí)際應(yīng)用中我們可以發(fā)現(xiàn)，隨著推薦系統(tǒng)對(duì)用戶的了解相對(duì)增加，鄰近用戶的點(diǎn)擊率也就會(huì)增加，興趣度的提高也會(huì)伴隨著對(duì)商品瀏覽的增加。在一定的需求、興趣方面也會(huì)隨之發(fā)生或強(qiáng)烈或細(xì)微的變化，描述用戶在不同時(shí)期興趣的差異也較為明顯，以此用戶對(duì)于興趣概念的轉(zhuǎn)移問題也隨之產(chǎn)生。對(duì)歷史評(píng)分的作用進(jìn)行區(qū)分是其他推薦算法并未曾有過的視角方向，選取這樣的操作方式，可以使得用戶評(píng)分?jǐn)?shù)不斷增加，準(zhǔn)確性方面有所提高，對(duì)于鄰近用戶的了解也有所增長(zhǎng)。

2.2? 實(shí)現(xiàn)行為推薦算法的特性分析

實(shí)現(xiàn)行為推薦算法的特性分析表現(xiàn)在，通過建立數(shù)學(xué)模型提取用戶興趣的特性和偏好，確定特征維度針對(duì)特性影響因子進(jìn)行求解，分析行為推薦算法樣本集并在此基礎(chǔ)上構(gòu)建用戶對(duì)于各式各類的商品的興趣度體系表;通過與設(shè)定用戶的喜好相近性的鄰近用戶對(duì)商品的興趣度預(yù)測(cè)，針對(duì)不同類型的目標(biāo)用戶對(duì)未瀏覽商品產(chǎn)生的興趣，從而達(dá)到為不同用戶提供最適合、最滿意的推薦服務(wù)的目的，其行為推薦算法的特性分析流程示意圖如圖1所示：

通過運(yùn)用個(gè)性化的推薦算法來有效地推算出用戶對(duì)于商品購買的點(diǎn)擊率以及瀏覽頁面的所占比重，以此作為展開推薦算法合理運(yùn)用的方式，無論是在計(jì)算上還是對(duì)于數(shù)據(jù)的處理等方面，都能夠充分地將用戶的所需詳盡、清楚地通過算式表達(dá)出來，能夠推測(cè)出用戶對(duì)于某一些物品的喜歡程度和發(fā)現(xiàn)的興趣，從而采取最具個(gè)性化的展示方式，實(shí)現(xiàn)用戶興趣建模支持下的行為推薦算法特性分析。

3? 試驗(yàn)驗(yàn)證

為了保證提出的行為推薦算法特性分析過程的分析準(zhǔn)確性，進(jìn)行實(shí)驗(yàn)驗(yàn)證，采用傳統(tǒng)的行為推薦算法特性分析過程作為實(shí)驗(yàn)驗(yàn)證對(duì)比的對(duì)象，利用仿真實(shí)驗(yàn)的方式，進(jìn)行對(duì)比實(shí)驗(yàn)。

實(shí)驗(yàn)過程中，模擬不同用戶興趣建模支持下的推薦算法特性分析過程。為了模擬實(shí)驗(yàn)方便，隨機(jī)選取4名用戶，分別為1號(hào)用戶、2號(hào)用戶、3號(hào)用戶、4號(hào)用戶。在同一名用戶下進(jìn)行兩種興趣建模支持下的行為推薦。利用傳統(tǒng)的行為推薦算法特性分析過程，以及提出的行為推薦算法特性分析過程，分別對(duì)同一編號(hào)用戶進(jìn)行興趣建模支持下的行為推薦，得出實(shí)驗(yàn)數(shù)據(jù)，將對(duì)兩種興趣建模支持下行為推薦的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行準(zhǔn)確性對(duì)比。根據(jù)實(shí)驗(yàn)對(duì)比結(jié)果可以得出，在不同用戶興趣建模支持下，利用提出的行為推薦算法特性分析過程，能夠較為準(zhǔn)確地分析不同用戶在興趣建模支持下的行為，并進(jìn)行準(zhǔn)確推薦。經(jīng)計(jì)算得出，傳統(tǒng)行為推薦算法特性分析準(zhǔn)確性為77.91%，提出的行為推薦算法特性分析準(zhǔn)確性為91.59%。

由此可得，在對(duì)用戶興趣建模支持下的推薦中，應(yīng)用提出的行為推薦算法特性分析，較傳統(tǒng)的行為推薦算法特性分析準(zhǔn)確性提高13.68%。選取興趣提取的推薦算法，是通過用戶對(duì)商品的喜愛度，對(duì)用戶對(duì)哪些種類商品存在的興趣進(jìn)行更好地預(yù)測(cè)，與過去傳統(tǒng)的方式存在較大的不同，用戶興趣的檢測(cè)精確度高，因此能夠避免用戶對(duì)商品進(jìn)行盲目的選擇，使其有目的性地瀏覽商品，由此收集用戶對(duì)于瀏覽商品的信息，預(yù)測(cè)用戶的喜愛度，這樣能通過用戶的喜愛度為其提供相應(yīng)的服務(wù)，使得精準(zhǔn)度更加適宜、實(shí)用。經(jīng)過這樣的一種推算手段，能夠在第一時(shí)間了解用戶的喜好，為用戶推薦相近或者類似的商品，提高這類商品的出現(xiàn)率，讓用戶減少不必要的搜索過程，與為其帶來的不必要的麻煩，使在整個(gè)瀏覽過程中可以既有效率又有收獲地輕松進(jìn)行。

4? 結(jié)? 論

本文提出了用戶興趣建模支持下的行為推薦算法特性分析，基于對(duì)推薦算法特性分析影響因子的計(jì)算，以及行為推薦算法樣本集的確定，實(shí)現(xiàn)了行為推薦算法的特性分析。試驗(yàn)數(shù)據(jù)表明，提出的推薦算法特性分析具有較高的有效性，希望本文的研究能夠?yàn)樾袨橥扑]算法特性分析提供理論基礎(chǔ)。

參考文獻(xiàn)：

[1] 李朝暉，尹曉博，楊海晶，等.基于改進(jìn)的k-means聚類算法的季節(jié)性負(fù)荷特性分析[J].電網(wǎng)與清潔能源，2018，34（2）：53-59+64.

[2] 蔣正邦，吳浩，程祥，等.基于多元聚類模型與兩階段聚類修正算法的變電站特性分析 [J].電力系統(tǒng)自動(dòng)化，2018，42（15）：157-163+244.

[3] 張斌，蘇道磊，范建柯，等.基于自適應(yīng)量子遺傳算法對(duì)膠東半島地區(qū)乳山震群重定位及構(gòu)造特征分析 [J].地球物理學(xué)進(jìn)展，2017，32（3）：1080-1088.

[4] 魏港明，劉真，李林峰，等.加入用戶對(duì)項(xiàng)目屬性偏好的奇異值分解推薦算法 [J].西安交通大學(xué)學(xué)報(bào)，2018，52（5）：101-107.

[5] 劉帆洨，彭其淵，梁宏斌，等.基于PCA-聚類分析的高鐵旅客購票行為特性研究 [J].交通運(yùn)輸系統(tǒng)工程與信息，2017，17（6）：126-132.

作者簡(jiǎn)介：周雪梅（1972.11-），女，漢族，江西宜春人，碩士，副教授，主要研究方向：數(shù)據(jù)挖掘和數(shù)據(jù)分析。