朱 毓

(安徽工業(yè)職業(yè)技術(shù)學(xué)院 信息工程系，安徽 銅陵 244000)

隨著社交網(wǎng)絡(luò)規(guī)模的不斷增大，社交網(wǎng)絡(luò)用戶瀏覽行為挖掘受到人們的關(guān)注，通過分析社交網(wǎng)絡(luò)用戶瀏覽行為特征，結(jié)合優(yōu)化的推薦算法，評(píng)估出社交網(wǎng)絡(luò)用戶瀏覽行為偏好性，從而進(jìn)一步促進(jìn)社交網(wǎng)絡(luò)的發(fā)展.對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為特征的挖掘過程中，受到冗余信息的干擾，導(dǎo)致對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為特征挖掘的冗余度較大，抗干擾性不好，需要構(gòu)建優(yōu)化的社交網(wǎng)絡(luò)用戶瀏覽行為特征挖掘模型，結(jié)合優(yōu)化的數(shù)據(jù)挖掘和信息融合算法，提高社交網(wǎng)絡(luò)用戶瀏覽行為檢測(cè)和推薦能力[1].傳統(tǒng)方法中，對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)分析方法主要有一種支持?jǐn)?shù)據(jù)去冗和擴(kuò)容的多媒體文件云存儲(chǔ)系統(tǒng)[2]、基于聚類的重復(fù)數(shù)據(jù)去冗算法[3]以及基于最大時(shí)間閾值與自適應(yīng)步長的時(shí)間相關(guān)性感知數(shù)據(jù)去冗余算法[4]等，其結(jié)合相應(yīng)的優(yōu)化學(xué)習(xí)算法，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗處理，但傳統(tǒng)方法在社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗處理過程中的抗干擾性不好、特征辨識(shí)能力不強(qiáng)[5].

針對(duì)上述問題，本文提出基于隨機(jī)森林的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗方法，采用隨機(jī)森林學(xué)習(xí)算法實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的收斂性控制優(yōu)化，實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗，展示了本文方法在提高社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗能力方面的優(yōu)越性.

1 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)分析

1.1 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘

為了實(shí)現(xiàn)基于隨機(jī)森林的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗，首先構(gòu)建社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)統(tǒng)計(jì)模型[6].

設(shè)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的本體信息和關(guān)聯(lián)規(guī)則項(xiàng)為p，此時(shí)的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的關(guān)聯(lián)規(guī)則項(xiàng)特征集為

FZ=p(Z1+Z2+…+Zn)，

(1)

其中，Z1+Z2+…Zn表示社交網(wǎng)絡(luò)用戶瀏覽行為特征挖掘節(jié)點(diǎn)的關(guān)聯(lián)度，為了實(shí)現(xiàn)關(guān)聯(lián)度自適應(yīng)尋優(yōu)，分割社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)[7]，設(shè)社交網(wǎng)絡(luò)用戶瀏覽行為特征的分割函數(shù)為

(2)

其中，a表示社交網(wǎng)絡(luò)用戶瀏覽行為特征挖掘的檢測(cè)閾值，b表示用戶瀏覽行為數(shù)據(jù)的自動(dòng)挖掘的偏移系數(shù)，xc表示社交網(wǎng)絡(luò)用戶瀏覽行為特征監(jiān)測(cè)點(diǎn)c的自適應(yīng)值，實(shí)現(xiàn)關(guān)聯(lián)度自適應(yīng)尋優(yōu).以關(guān)聯(lián)度尋優(yōu)結(jié)果為輸入，進(jìn)行用戶瀏覽行為特征分塊區(qū)域融合，為辨識(shí)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的模糊度提供基礎(chǔ)[8]，得到社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的統(tǒng)計(jì)量

(3)

其中，α表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的模糊度.在STARMA(1,1)網(wǎng)絡(luò)模型中，得到社交網(wǎng)絡(luò)用戶瀏覽行為特征在分布結(jié)構(gòu)空間中的行為數(shù)據(jù)統(tǒng)計(jì)結(jié)果，社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)分布集描述為

(4)

實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)統(tǒng)計(jì)模型的構(gòu)建[9].

1.2 社交網(wǎng)絡(luò)用戶瀏覽行為自相關(guān)特征匹配

為了挖掘社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的語義關(guān)聯(lián)特征量，采用約束代價(jià)因子作為特征泛函[10]模型泛化條件，得到社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的差異度辨識(shí)函數(shù)為

(5)

其中，β和β*分別表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的統(tǒng)計(jì)特征量和邊緣信息特征分量，K(yi)表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗挖掘的模糊核函數(shù)，γ表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的推薦門限.

以模糊核函數(shù)取值范圍為約束條件，得到社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的隨機(jī)離散度特征分量，定義Ci為社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)在有向圖qi中的節(jié)點(diǎn)集合，設(shè)置

(6)

其中，r表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的特征分布長度，k表示辨識(shí)度參數(shù)，l表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的瞬時(shí)時(shí)間頻率，λ表示特征辨識(shí)度[11].定義社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的可靠性特征參量為A，則t時(shí)刻得到社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)檢測(cè)的概率密度函數(shù)為

(7)

其中，j表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的特征提取結(jié)果，根據(jù)特征提取結(jié)果，挖掘社交網(wǎng)絡(luò)用戶瀏覽行為推薦的約束參數(shù)，結(jié)合自相關(guān)特征匹配方法，實(shí)現(xiàn)自相關(guān)特征匹配[12].

2 數(shù)據(jù)去冗處理優(yōu)化實(shí)現(xiàn)

傳統(tǒng)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗實(shí)現(xiàn)流程如圖1所示.

圖1 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘去冗實(shí)現(xiàn)流程圖

本次研究在傳統(tǒng)標(biāo)簽式去冗方法的基礎(chǔ)上，對(duì)加粗部分進(jìn)行優(yōu)化.

2.1 冗余信息濾波

采用隨機(jī)森林學(xué)習(xí)算法進(jìn)行社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗優(yōu)化時(shí)，分析社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)特征分布的節(jié)點(diǎn)與語義相似度特征點(diǎn)的匹配度，在上述研究的基礎(chǔ)上，此時(shí)的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的隨機(jī)森林學(xué)習(xí)過程為

N=1+ln[Pi(t)].

(8)

為了得到社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的有向特征分量的收斂控制函數(shù)，通過社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的特征映射分析結(jié)果，進(jìn)行社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗，其中，濾波函數(shù)H為：

H=u(t)exp[N(t-t0)]，

(9)

其中，u(t)為收斂控制函數(shù)，t0為社交網(wǎng)絡(luò)用戶瀏覽行為去冗時(shí)長，以該時(shí)長為限制性條件，計(jì)算社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的冗余節(jié)點(diǎn)與關(guān)聯(lián)詞的匹配度，得到隨機(jī)森林學(xué)習(xí)的特征映射[13]，根據(jù)對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的隨機(jī)森林學(xué)習(xí)結(jié)果，實(shí)現(xiàn)數(shù)據(jù)冗余信息濾波.

2.2 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗優(yōu)化

以上分析結(jié)合了匹配濾波檢測(cè)方法，實(shí)現(xiàn)對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)冗余濾波處理，但是根據(jù)隸屬度與非隸屬度的相關(guān)性關(guān)系，社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)濾波的返回狀態(tài)w不確定，難以得到冗余信息輸出檢測(cè)序，因此，采用形狀相似性特征分析的方法，設(shè)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)濾出的演化特征量為ξi，根據(jù)隨機(jī)森林學(xué)習(xí)結(jié)果，得到優(yōu)化的數(shù)據(jù)濾除目標(biāo)函數(shù)為

(10)

其中，ξi表示最小的關(guān)聯(lián)度信息，根據(jù)模糊多屬性決策結(jié)果，得到社交網(wǎng)絡(luò)用戶瀏覽行為的冗余濾波的混合核函數(shù)，其表達(dá)式為

(11)

其中，Kpoly表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的偏好核函數(shù)，提取社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)挖掘的本構(gòu)特征量，得到隸屬度集合的決策函數(shù)為

Q=Kmin×m(z)，

(12)

其中，m(z)表示社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的用戶項(xiàng)目評(píng)分值.根據(jù)上述分析，結(jié)合匹配濾波檢測(cè)方法，實(shí)現(xiàn)對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)冗余去除.

具體算法流程圖如圖2所示.

圖2 改進(jìn)算法的實(shí)現(xiàn)流程

3 仿真測(cè)試分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)測(cè)試分析，采用Matlab實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的仿真程序設(shè)計(jì)，在TwitterSentiment Analysis 中采集3000個(gè)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)，因?yàn)樯种腥我鈨煽脴渲g的相關(guān)性越高，錯(cuò)誤率越大，所以在訓(xùn)練樣本集中進(jìn)行有放回的采樣時(shí)，即在盡量保留原數(shù)據(jù)間相似度的情況下，為了將測(cè)試數(shù)據(jù)集映射到最低維下，使數(shù)據(jù)間相關(guān)性越高，數(shù)據(jù)分類能力越強(qiáng)，設(shè)隨機(jī)森林學(xué)習(xí)的迭代次數(shù)為60，那么此時(shí)對(duì)于類別不平衡數(shù)據(jù)，為了平衡誤差，相似度系數(shù)要小于0.5，設(shè)為0.35，樣本大小規(guī)模為3000，數(shù)據(jù)冗余的干擾強(qiáng)度為-20 dB，根據(jù)上述參數(shù)設(shè)定，進(jìn)行社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)仿真，得到原始的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)如圖3所示.

圖3 原始社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)

以圖3的數(shù)據(jù)為測(cè)試對(duì)象，進(jìn)行社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗處理，得到去冗結(jié)果如圖4所示.

圖4 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗結(jié)果

分析圖4得知，以瀏覽行為數(shù)據(jù)在實(shí)、虛軸的幅值收斂性為去冗效果表現(xiàn)形式，采用本文方法實(shí)現(xiàn)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的性能較高，對(duì)冗余數(shù)據(jù)的去冗效果較好.

以輸出信噪比為測(cè)試指標(biāo)，測(cè)試社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的效果，得到對(duì)比結(jié)果見表1.

表1 社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗的輸出信噪比(單位：dB)

由表1可知，在與文獻(xiàn)[2]和文獻(xiàn)[3]方法的對(duì)比過程中，本文構(gòu)建社交網(wǎng)絡(luò)用戶瀏覽行為推薦的約束參數(shù)，結(jié)合匹配濾波檢測(cè)方法，對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為信息進(jìn)行濾波，預(yù)先濾除了信噪比較低的信息，其輸出信噪比較高，數(shù)據(jù)去冗效果得到保證.

4 結(jié)語

結(jié)合優(yōu)化的數(shù)據(jù)挖掘和信息融合算法，提高社交網(wǎng)絡(luò)用戶瀏覽行為檢測(cè)和推薦能力.本文提出基于隨機(jī)森林的社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)去冗方法，根據(jù)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的特征提取結(jié)果，采用隨機(jī)森林學(xué)習(xí)算法對(duì)社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)中的冗余信息進(jìn)行過濾，并結(jié)合形狀相似性特征分析方法，實(shí)現(xiàn)了社交網(wǎng)絡(luò)用戶瀏覽行為數(shù)據(jù)的模糊信息融合，輸出峰值信噪比較高，最終去冗性能較好.