李散散

摘 ?要： 為了提高數(shù)字媒體推薦能力，提出基于用戶行為分析和LDA模型的數(shù)字媒體推薦系統(tǒng)的設(shè)計方法。構(gòu)建數(shù)字媒體推薦的大數(shù)據(jù)信息采集和項目分布模型，采用關(guān)聯(lián)規(guī)則調(diào)度的方法，提取數(shù)字媒體的用戶行為本體特征，建立數(shù)字媒體推薦的用戶行為特征檢測模型。在LDA模型中，進行數(shù)字媒體推薦的模糊決策調(diào)度和特征映射處理，結(jié)合模糊C均值聚類方法，進行數(shù)字媒體推薦中用戶行為特征的自適應(yīng)聚類，計算數(shù)字媒體用戶行為的聯(lián)合信息熵，根據(jù)熵權(quán)分布進行數(shù)字媒體推薦模型的算法優(yōu)化設(shè)計。在B/S構(gòu)架體系下進行數(shù)字媒體推薦系統(tǒng)的軟件開發(fā)設(shè)計，仿真實驗結(jié)果表明，采用該方法進行數(shù)字媒體推薦的準確性較高，誤差較小，提高了數(shù)字媒體推薦的實時性和滿意度水平。

關(guān)鍵詞： 數(shù)字媒體推薦系統(tǒng); 用戶行為分析; LDA模型; 行為特征提取; 信息采集; 自適應(yīng)聚類

中圖分類號： TN911.1?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）07?0146?04

Design and implementation of digital media recommendation system

based on user behavior analysis and LDA model

LI Sansan

（Department of Computer Science and Engineering， Guangzhou College of Technology and Business， Guangzhou 510850， China）

Abstract： In order to improve the ability of digital media recommendation， a design method of digital media recommendation system based on user behavior analysis and LDA model is proposed. The big data information collection and item distribution model for digital media recommendation is constructed. The ontology features of user behavior of digital media are extracted with association rule scheduling method. The user behavior feature detection model for digital media recommendation is established. The fuzzy decision scheduling and feature mapping processing of digital media recommendation are carried out in LDA model. The adaptive clustering of user behavior feature in digital media recommendation is performed by combining fuzzy C?means clustering method. The joint information entropy of digital media user behavior is calculated. The algorithm optimization design of digital media recommendation model is conducted according to the entropy weight distribution. The software development and design of digital media recommendation system are carried out in the architecture system of B/S， and the simulation results show that the method for digital media recommendation has high accuracy and small error， which has improved the real?time performance and satisfaction level of digital media recommendation.

Keywords： digital media recommendation system; user behavior analysis; LDA model; behavior feature extraction; signal acquisition; self?adaptive clustering

0 ?引 ?言

隨著數(shù)字媒體技術(shù)的發(fā)展，大量的數(shù)字媒體信息通過網(wǎng)絡(luò)傳播，數(shù)字媒體中的音視頻資源以及圖像資源在傳播過程中受到用戶的偏好影響，需要進行優(yōu)化調(diào)度，建立數(shù)字媒體的智能推薦模型。采用數(shù)字化的交互平臺進行數(shù)字媒體推薦系統(tǒng)設(shè)計，提高了數(shù)字媒體的服務(wù)質(zhì)量水平[1]，研究數(shù)字媒體推薦系統(tǒng)的優(yōu)化設(shè)計方法，結(jié)合大數(shù)據(jù)挖掘和資源的調(diào)度進行數(shù)字媒體的智能推薦，提高了數(shù)字媒體交互平臺的信息融合和自適應(yīng)推薦能力。對數(shù)字媒體的信息推薦是建立在對數(shù)字媒體信息的挖掘和用戶行為特征檢測的基礎(chǔ)上，通過構(gòu)建數(shù)字媒體的大數(shù)據(jù)信息檢測和融合模型[2]，將各類型的數(shù)字媒體信息融合到網(wǎng)絡(luò)空間中，形成多媒體組網(wǎng)下的數(shù)字媒體信息交互平臺，本文提出基于用戶行為分析和LDA模型的數(shù)字媒體推薦系統(tǒng)的設(shè)計方法。首先，構(gòu)建數(shù)字媒體推薦的大數(shù)據(jù)信息采集模型;然后，建立數(shù)字媒體推薦的用戶行為特征檢測模型，在LDA模型中進行數(shù)字媒體推薦;最后，進行仿真實驗分析，展示了本文方法在提高數(shù)字媒體推薦能力方面的優(yōu)越性能。

1 ?數(shù)字媒體推薦的大數(shù)據(jù)分析

1.1 ?數(shù)字媒體推薦的項目分布

為了實現(xiàn)數(shù)字媒體的智能推薦，需要首先構(gòu)建數(shù)字媒體推薦的大數(shù)據(jù)信息采集模型，采用關(guān)聯(lián)規(guī)則調(diào)度的方法提取數(shù)字媒體的用戶行為特征量[3]，并對推薦結(jié)果進行評分預(yù)測。假設(shè)數(shù)字媒體的推薦訓(xùn)練樣本為[{（x1，y1），（x2，y2），…，（xn，yn）}]，其中，現(xiàn)用戶偏好的最近鄰集合[xi∈Rn]，表示數(shù)字媒體推薦的歷史行為數(shù)據(jù)，結(jié)合用戶行為的偏好進行語義本體重建[4]，得到數(shù)字媒體的個性化推薦的演化目標(biāo)函數(shù)為：

[minimize 12w2+Ci=1n（ξi+ξ*i）s.t. ? ?yi-（wΦ（xi）+b）≤ε-ξi ? ? ? ? ?（wΦ（xi）+b）-yi≤ε-ξ*i ? ? ? ? ?ξi，ξ*i≥0， ? ?i=1，2，…，n;C>0] （1）

式中：[ξi]和[ξ*i]表示用戶行為信息獲取的維度及差異特征量。

采用協(xié)同過濾算法進行用戶集合和項目集合的關(guān)聯(lián)性特征檢測，建立數(shù)字媒體推薦的混合核函數(shù)，其表達式為：

[Kmin=βKpoly+（1-β）Krbf， β∈（0，1）] （2）

式中，[Kpoly=[（x?xi）+1]2]，表示數(shù)字媒體推薦過程中的個性化演化特征分布函數(shù)。提取數(shù)字媒體的用戶行為特征量，采用模糊關(guān)聯(lián)規(guī)則調(diào)度的方法進行用戶行為分析和本體結(jié)構(gòu)映射[5]，結(jié)合互信息檢測的方法進行用戶行為推薦。根據(jù)用戶在瀏覽網(wǎng)站時的行為特征，構(gòu)建數(shù)字媒體的聯(lián)合推薦的模糊決策模型，得到模糊決策函數(shù)為：

[flg?M（z）=（flg（z），flg?x（z），flg?y（z））=（flg（z），hx?flg（z），hy?flg（z））] ? ? （3）

式中[flg（z）]表示數(shù)字媒體推薦的用戶項目評分值。根據(jù)共同評分的項目分布，進行數(shù)字媒體大數(shù)據(jù)信息采集。

1.2 ?用戶行為本體特征提取

在推薦系統(tǒng)中，采用相似度計算方法進行關(guān)聯(lián)規(guī)則調(diào)度，提取數(shù)字媒體的用戶行為本體特征，建立數(shù)字媒體推薦的行為特征量[6]，計算數(shù)字媒體推薦的聯(lián)合信息熵特征，表示為：

[JInTB=2JSNsincπΔfTC×i=0N-1cicos2πΔfTCnN+i+12+φj] （4）

基于標(biāo)簽的個性化推薦方法，進行數(shù)字媒體的用戶行為特征檢測[7]，得到數(shù)字媒體推薦的聯(lián)合分布概率密度函數(shù)描述為：

[fT1，T2，…，Tn（t1，t2，…，tn）=cFT1（t1），F(xiàn)T2（t2），…，F(xiàn)Tn（tn）i=1nfTi（ti） =2π-n2Σ-12exp-12FT（t）-μ′Σ-1FT（t）-μ?i=1nfTi（ti） ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）]

式中：[FTt=（F1t， F2（t），…，F(xiàn)Nt）]，基于個性化推薦的方法，建立數(shù)字媒體用戶行為特征的元數(shù)據(jù)表達模型，采用C均值聚類方法進行用戶行為本體特征提取[8]，得到數(shù)字媒體用戶行為特征檢測的關(guān)聯(lián)規(guī)則分布集描述為：

采用協(xié)同過濾推薦的方法進行數(shù)字媒體個性化推薦過程的自適應(yīng)學(xué)習(xí)，以[C]為數(shù)字媒體用戶行為推薦的融合度因子，將信任關(guān)系信息加入到推薦模型中[9]，得到數(shù)字媒體個性化推薦的語義本體函數(shù)為：

[f（x）=i=1n（αi-α*i）K（xi，xj）+b] ? ? ? （7）

式中：[αi]和[α*i]表示數(shù)字媒體個性化推薦的標(biāo)簽語義特征量;[K（xi，xj）]是模糊核函數(shù);[b]表示用戶集合和項目集合的推薦門限。根據(jù)上述分析，構(gòu)建數(shù)字媒體用戶行為本體特征提取模型，根據(jù)特征提取結(jié)果進行數(shù)字媒體的調(diào)度和優(yōu)化推薦[10]。

2 ?數(shù)字媒體推薦算法優(yōu)化

2.1 ?用戶行為特征檢測

在上述構(gòu)建數(shù)字媒體推薦的大數(shù)據(jù)信息采集和項目分布模型的基礎(chǔ)上，進行數(shù)字媒體推薦系統(tǒng)的優(yōu)化設(shè)計。本文提出基于用戶行為分析和LDA模型的數(shù)字媒體推薦系統(tǒng)的設(shè)計方法。采用關(guān)聯(lián)規(guī)則調(diào)度的方法提取數(shù)字媒體的用戶行為本體特征，提取數(shù)字媒體的用戶行為的本體信息，采用模糊語義相關(guān)性檢測的方法[11]進行數(shù)字媒體推薦過程中的優(yōu)化調(diào)度，得到用戶行為的量化評估特征集為：

[FZλt0k=pT1+T2+…+Tn≤λt0k=…ft1，t2 ，…，tnZ≤λt0k ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?dt1dt2…dtn] （8）

[FZt0k=pT1+T2+…+Tn≤t0k=…ft1，t2 ，…，tnZ≤t0k ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?dt1dt2…dtn] （9）

式中[Z=T1+T2+…+Tn]，建立數(shù)字媒體推薦的用戶行為特征檢測模型，根據(jù)用戶行為的結(jié)構(gòu)特征進行數(shù)字媒體學(xué)習(xí)用戶的行為特征分析[12]，建立數(shù)字媒體推薦的判決函數(shù)為：

[f（x）=SINR-20exp-0.21Dd=1Dx2d-exp1Dd=1Dcos（2πxd）] ? ?（10）

式中[SINR]為數(shù)字媒體推薦的檢測閾值。對特征向量進行聚類，構(gòu)建用戶行為特征的演化分布模型，采用相似性度量方法得到推薦的規(guī)則函數(shù)為：

[ ? Simsgt+Δt=fSAmsgt，S1msgt，…，Snmsgt，S1ctxtt，…，Snctxtt， ? ? ? ? ? ? ? ? ? ? ? ? ? ?i∈A，1，2，…，nSictxtt+Δt=fSActxtt，S1ctxtt，…，Snctxtt， ? ? ? ? ? ? ? ? ? ? ? ? ? ?i∈A，1，2，…，n]（11）

采用相似度計算的方法進行推薦過程中的用戶行為特征集的模糊調(diào)度，實現(xiàn)用戶行為特征檢測[13]。

2.2 ?數(shù)字媒體推薦的LDA模型

結(jié)合模糊C均值聚類方法進行數(shù)字媒體推薦中用戶行為特征的自適應(yīng)聚類，計算數(shù)字媒體用戶行為的聯(lián)合信息熵，聯(lián)合信息熵分布時間序列為[x（t）]，[t=0，1，2，…，n-1]，在關(guān)聯(lián)規(guī)則約束規(guī)則下，得到數(shù)字媒體推薦的聯(lián)合概率分布函數(shù)為：

[Ecv（c1，c2）=μ?Length（C）+v?Area（inside（C））+ ? ? ? ?λ1inside（C）I-c12dxdy+λ2outside（C）I-c22dxdy] （12）

式中：[c1]和[c2]分別表示數(shù)字媒體推薦的個性化演化特征系數(shù);[Length（C）]表示待推薦的數(shù)字媒體行為信息的長度;[Area（inside（C））]表示區(qū)域分布;第[i]個類的數(shù)字媒體推薦的模糊隸屬度特征量記為[CF=F，Q，n，RT1，RT2，RW]。在LDA模型中進行數(shù)字媒體推薦的模糊決策調(diào)度[14]，得到LDA尋優(yōu)模型如圖1所示。

根據(jù)上述構(gòu)建的數(shù)字媒體推薦的LDA模型，進行自適應(yīng)尋優(yōu)，實現(xiàn)數(shù)字媒體推薦的LDA模型設(shè)計，提高推薦的準確性[15]。

3 ?系統(tǒng)的軟件開發(fā)設(shè)計與實現(xiàn)

在上述進行數(shù)字媒體推薦系統(tǒng)的算法設(shè)計基礎(chǔ)上，進行數(shù)字媒體推薦系統(tǒng)的軟件設(shè)計。在物聯(lián)網(wǎng)技術(shù)環(huán)境下建立數(shù)字媒體推薦的信息調(diào)度模型，采用模糊關(guān)聯(lián)規(guī)則調(diào)度的方法進行數(shù)字媒體推薦過程匯總的信息調(diào)度。在ZigBee組網(wǎng)協(xié)議下建立數(shù)字媒體推薦系統(tǒng)的網(wǎng)絡(luò)中心，采用ZigBee和GPRS等網(wǎng)絡(luò)組網(wǎng)方法進行數(shù)字媒體推薦系統(tǒng)的網(wǎng)絡(luò)模塊化開發(fā)設(shè)計，基于TCP/IP進行數(shù)字媒體推薦系統(tǒng)的總線開發(fā)[16]，建立數(shù)字媒體推薦系統(tǒng)的TCP/IP服務(wù)器或UPD服務(wù)器。采用MySQL構(gòu)建數(shù)字媒體管理數(shù)據(jù)庫，在B/S結(jié)構(gòu)體系下進行數(shù)字媒體推薦系統(tǒng)的網(wǎng)絡(luò)設(shè)計，得到數(shù)字媒體推薦的網(wǎng)絡(luò)控制模塊如圖2所示。

根據(jù)網(wǎng)絡(luò)開發(fā)協(xié)議，采用IEEE 802.15.4協(xié)議標(biāo)準進行推薦系統(tǒng)的B/S構(gòu)架體系設(shè)計，通過VME總線或局部總線傳輸技術(shù)進行數(shù)字媒體推薦系統(tǒng)的軟件體系開發(fā)，實現(xiàn)流程如圖3所示。

4 ?仿真實驗分析

在實驗中，采用Matlab 7進行數(shù)字媒體推薦系統(tǒng)的測試，結(jié)合Visual C++進行數(shù)字媒體推薦算法開發(fā)，數(shù)字媒體信息的采樣時間長度設(shè)定為120 ms，數(shù)據(jù)規(guī)模集為2 000，統(tǒng)計樣本序列的寬度為[ρSM=50]，采樣幅值[ASM=6]，關(guān)聯(lián)維度[DSM=5]，嵌入式延遲[Cm=1]，自適應(yīng)空間采樣頻率[gNa=3]，其他參數(shù)設(shè)定[gT=5]，[ENa=50]，[EK=-90]，[EL=-70]，[ET=120]。根據(jù)上述參數(shù)設(shè)定，構(gòu)建數(shù)字媒體推薦的大數(shù)據(jù)信息采集和項目分布模型，得到原始的數(shù)字媒體信息采集如圖4所示。

以圖4采樣的數(shù)字媒體信息為測試對象，在LDA模型中進行數(shù)字媒體推薦的模糊決策調(diào)度和特征映射處理，結(jié)合模糊C均值聚類方法進行數(shù)字媒體推薦中用戶行為特征的自適應(yīng)聚類，實現(xiàn)數(shù)字媒體推薦，得到推薦精度對比輸出如圖5所示。

測試推薦的召回率，得到對比結(jié)果見表1。分析得知，本文方法進行數(shù)字媒體推薦的準確性較好，召回率較高。

5 ?結(jié) ?語

研究數(shù)字媒體推薦系統(tǒng)的優(yōu)化設(shè)計方法，結(jié)合大數(shù)據(jù)挖掘和資源的調(diào)度，進行數(shù)字媒體的智能推薦，提高了數(shù)字媒體交互平臺的信息融合和自適應(yīng)推薦能力。本文提出基于用戶行為分析和LDA模型的數(shù)字媒體推薦系統(tǒng)的設(shè)計方法。采用關(guān)聯(lián)規(guī)則調(diào)度的方法提取數(shù)字媒體的用戶行為本體特征，建立數(shù)字媒體推薦的用戶行為特征檢測模型。在LDA模型中進行數(shù)字媒體推薦的模糊決策調(diào)度和特征映射處理，結(jié)合模糊C均值聚類方法進行數(shù)字媒體推薦中用戶行為特征的自適應(yīng)聚類，根據(jù)熵權(quán)分布進行數(shù)字媒體推薦模型的算法優(yōu)化設(shè)計。采用IEEE 802.15.4協(xié)議標(biāo)準進行推薦系統(tǒng)的B/S構(gòu)架體系設(shè)計，實現(xiàn)推薦系統(tǒng)優(yōu)化設(shè)計。研究得知，本文方法進行數(shù)字媒體推薦的精度較高，召回率較好。

參考文獻

[1] 楊豐瑞，鄭云俊，張昌.結(jié)合概率矩陣分解的混合型推薦算法[J].計算機應(yīng)用，2018，38（3）：644?649.

[2] DURAO F， DOLOG P. Improving tag?based recommendation with the collaborative value of Wiki pages for knowledge sharing [J]. Journal of ambient intelligence humanized computing， 2014， 5（1）： 21?38.

[3] 張付志，劉賽，李忠華，等.融合用戶評論和環(huán)境信息的協(xié)同過濾推薦算法[J].小型微型計算機系統(tǒng)，2014，35（2）：228?232.

[4] 張永，李卓然，劉小丹.基于主動學(xué)習(xí)SMOTE的非均衡數(shù)據(jù)分類[J].計算機應(yīng)用與軟件，2012，29（3）：91?93.

[5] BULUT E， SZYMANSKI B K. Friendship based routing in delay tolerant mobile social networks [C]// Proceedings of 2010 IEEE Global Telecommunications Conference. Miami， Florida， US： IEEE， 2010： 1?5.

[6] BULUT E， SZYMANSKI B K. Exploiting friendship relations for efficient routing in mobile social networks [J]. IEEE transactions on parallel and distributed systems， 2012， 23（12）： 2254?2265.

[7] 湯可宗，肖絢，賈建華，等.基于離散式多樣性評價策略的自適應(yīng)粒子群優(yōu)化算法[J].南京理工大學(xué)學(xué)報，2013，37（3）：344?349.

[8] 張鵬飛，王宜貴，張志軍.融合標(biāo)簽和多元信息的個性化推薦算法研究[J].計算機工程與應(yīng)用，2019，55（5）：159?165.

[9] 郭磊，馬軍，陳竹敏，等.一種結(jié)合推薦對象間關(guān)聯(lián)關(guān)系的社會化推薦算法[J].計算機學(xué)報，2014，37（1）：219?228.

[10] 涂丹丹，舒承椿，余海燕.基于聯(lián)合概率矩陣分解的上下文廣告推薦算法[J].軟件學(xué)報，2013，24（3）：454?464.

[11] 孟祥武，劉樹棟，張玉潔，等.社會化推薦系統(tǒng)研究[J].軟件學(xué)報，2015，26（6）：1356?1372.

[12] FANG H， BAO Y， ZHANG J. Leveraging decomposed trust in probabilistic matrix factorization for effective recommendation [C]// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Qubec City， Canada： AAAI， 2014： 30?36.

[13] YAHYAOUI H， AL?MUTAIRI A. A feature?based trust sequence classification algorithm [J]. Information science， 2016， 328： 455?484.

[14] 吳錚，于洪濤，劉樹新，等.基于信息熵的跨社交網(wǎng)絡(luò)用戶身份識別方法[J].計算機應(yīng)用，2017，37（8）：2374?2380.

[15] 劉東，吳泉源，韓偉紅，等.基于用戶名特征的用戶身份同一性判定方法[J].計算機學(xué)報，2015，38（10）：2028?2040.

[16] ROEDLER R， KERGL D， RODOSEK G D. Profile matching across online social networks based on Geo?tags [C]// Procee?dings of the 7th World Congress on Nature and Biologically Inspired Computing. Berlin： Springer?Verlag， 2016： 417?428.