楊凱利，張其靜，婁紅紅，張雪清，瞿強(qiáng)

(貴州電網(wǎng)有限責(zé)任公司六盤水供電局，貴州 六盤水 553000)

隨著智能電網(wǎng)時(shí)代的到來(lái)，電力系統(tǒng)正在朝著數(shù)字化、信息化的方向快速發(fā)展，電力系統(tǒng)運(yùn)行數(shù)據(jù)也越來(lái)越快地產(chǎn)生與積累，如何基于用戶需求來(lái)高效地將海量數(shù)據(jù)中的有用信息提煉挖掘出來(lái)，如何精準(zhǔn)地向用戶發(fā)送個(gè)性化的信息推薦，以便更好地提高電力系統(tǒng)的服務(wù)質(zhì)量，已經(jīng)成為當(dāng)前電力系統(tǒng)亟待思考的問(wèn)題[1-3]。推薦系統(tǒng)一直以來(lái)都是人工智能、數(shù)據(jù)挖掘、信息檢索等領(lǐng)域的“熱點(diǎn)”研究課題[4-7]，電力系統(tǒng)也不例外。近年來(lái)國(guó)內(nèi)外先后出現(xiàn)了多種推薦算法，為電力大數(shù)據(jù)的個(gè)性化推薦打下堅(jiān)實(shí)的基礎(chǔ)，包括混合推薦算法、基于圖結(jié)構(gòu)的推薦算法、協(xié)同過(guò)濾推薦算法、基于內(nèi)容的推薦算法等等。協(xié)同過(guò)濾推薦由于具備較佳的共享性與普適性，且推薦精度較高而被電力系統(tǒng)大規(guī)模應(yīng)用[8]。

傳統(tǒng)協(xié)同過(guò)濾推薦算法通常都是對(duì)物品的相似性進(jìn)行計(jì)算，以計(jì)算結(jié)果為基準(zhǔn)來(lái)向用戶推薦，雖然推薦結(jié)果可對(duì)不同目標(biāo)之間的相似性進(jìn)行體現(xiàn)，但并未考慮知識(shí)關(guān)聯(lián)度，而知識(shí)關(guān)聯(lián)度與目標(biāo)相似性沒有直接聯(lián)系[9]?；趥鹘y(tǒng)協(xié)同過(guò)濾推薦算法來(lái)看，與目標(biāo)相似的物品通常會(huì)取得較高的排名，而與目標(biāo)相關(guān)聯(lián)、但并不相似的物品則較易被忽略[10]，這樣一來(lái)，導(dǎo)致推薦結(jié)果的準(zhǔn)確度較低。有鑒于此，本文設(shè)計(jì)了一種新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法，有機(jī)融合了協(xié)同過(guò)濾技術(shù)與關(guān)聯(lián)規(guī)則挖掘技術(shù)，將目標(biāo)之間的相似度與關(guān)聯(lián)度均納入到影響因素之中，推薦結(jié)果既存在著關(guān)聯(lián)性，又具備相似性。

1 傳統(tǒng)協(xié)同過(guò)濾算法分類

傳統(tǒng)協(xié)同過(guò)濾推薦算法通常可分為Item CF與User CF兩大類[11-12]，其中，User CF是基于用戶的協(xié)同過(guò)濾推薦算法，更新次數(shù)較多、更新周期較短；其側(cè)重點(diǎn)在于對(duì)聚類組與用戶和的相似性進(jìn)行考慮，只要物品與用戶喜歡的類似物品相似，那么就會(huì)向用戶進(jìn)行推薦，其推薦順序往往是按照評(píng)分高低來(lái)確定[13-15]，例如，若用戶曾經(jīng)在網(wǎng)上商城購(gòu)買或者搜索過(guò)洗衣機(jī)的網(wǎng)頁(yè)，那么網(wǎng)站就會(huì)在短時(shí)間內(nèi)自動(dòng)向用戶發(fā)送大一堆與洗衣機(jī)相關(guān)的廣告和鏈接。

Item CF則是基于物品的協(xié)同過(guò)濾推薦算法，它往往需要長(zhǎng)時(shí)間的在線計(jì)算才可獲得不同用戶之間的相似度關(guān)系，其計(jì)算復(fù)雜度并不會(huì)與用戶數(shù)量的多少直接相關(guān)，故而可離線計(jì)算得出用戶相似度，準(zhǔn)確性更易于用戶接受。再加上物品數(shù)量要遠(yuǎn)小于用戶數(shù)量，且物品數(shù)據(jù)的穩(wěn)定性較強(qiáng)，故而其計(jì)算復(fù)雜度要遠(yuǎn)低于User CF，再加上Item CF又能夠?yàn)橥扑]做出合理的解釋，具有很多優(yōu)勢(shì)，故而被市場(chǎng)所大規(guī)模應(yīng)用，但是也存在著較大的改進(jìn)空間[16]。

1.1 基于用戶的協(xié)同過(guò)濾推薦算法User CF

基于用戶的協(xié)同過(guò)濾推薦算法User CF通常是以用戶所評(píng)分項(xiàng)目為基礎(chǔ)來(lái)對(duì)相似鄰居集進(jìn)行搜尋，再將相似鄰居集中的項(xiàng)目推薦給用戶。其計(jì)算原理為:在對(duì)不同用戶之間的相似度進(jìn)行計(jì)算時(shí)，往往會(huì)將用戶對(duì)全部評(píng)分項(xiàng)目的偏好來(lái)作為計(jì)算向量，待將K鄰居找出來(lái)之后，再基于用戶對(duì)物品的偏好程度，以及鄰居的相似度權(quán)重來(lái)開展預(yù)測(cè)。所形成的項(xiàng)目序列作為用戶推薦序列[17]。

協(xié)同過(guò)濾推薦算法User CF的主要優(yōu)點(diǎn)有三點(diǎn):第一，基于用戶的協(xié)同過(guò)濾推薦算法User CF特別適用于較為完整的用戶評(píng)分矩陣，可獲得較高的推薦精度；第二，基于用戶的協(xié)同過(guò)濾推薦算法User CF不需要對(duì)項(xiàng)目本身進(jìn)行深入分析，較好地適用于難以分析、結(jié)構(gòu)復(fù)雜的項(xiàng)目[18]；第三，基于用戶的協(xié)同過(guò)濾推薦算法User CF可將目標(biāo)用戶的潛在興趣偏好進(jìn)行挖掘，所推薦的部分項(xiàng)目很有可能就會(huì)涵蓋用戶之前并未意識(shí)到的興趣偏好[19]。但是協(xié)同過(guò)濾推薦算法User CF也具有較為明顯的缺點(diǎn):第一，其擴(kuò)展性不太強(qiáng)，若用戶數(shù)量越來(lái)越多，那么User CF的計(jì)算量異常龐大，計(jì)算復(fù)雜度很高；第二，矩陣稀疏性問(wèn)題較為嚴(yán)重，若存在著用戶-項(xiàng)目矩陣評(píng)分?jǐn)?shù)據(jù)稀疏的情況，那么就會(huì)直接導(dǎo)致用戶相似度計(jì)算結(jié)果出現(xiàn)嚴(yán)重失真的情況，難以向目標(biāo)用戶實(shí)現(xiàn)精準(zhǔn)推薦；第三，在新用戶剛加入系統(tǒng)時(shí)，由于可用于評(píng)分的數(shù)據(jù)數(shù)量較少，甚至完全沒有評(píng)分?jǐn)?shù)據(jù)，那么就較易出現(xiàn)“冷啟動(dòng)”現(xiàn)象，根本不能向目標(biāo)用戶進(jìn)行要推薦，就需要通過(guò)熱點(diǎn)推薦的方式來(lái)解決這一問(wèn)題，但效果并不太好[20]。

1.2 基于物品的協(xié)同過(guò)濾推薦算法Item CF

基于物品的協(xié)同過(guò)濾推薦算法Item CF并不從用戶角度來(lái)考慮計(jì)算問(wèn)題，而是從物品本身出發(fā)來(lái)進(jìn)行考慮。換而言之，就是通過(guò)用戶對(duì)物品的偏好程度來(lái)搜索出相似物品，而后再基于用戶歷史偏好來(lái)有針對(duì)性地推薦相似物品。例如，基于用戶歷史偏好購(gòu)買物品來(lái)看，偏好購(gòu)買物品A的用戶也傾向于喜歡物品C，那么就可得出:物品C與物品A之間的相似程度較高，而某一用戶C喜歡物品A，那么就可自然而然地判斷出它也有可能會(huì)偏好購(gòu)買物品C，那么就可向用戶C推薦其可能感興趣的物品?；谖锲返膮f(xié)同過(guò)濾推薦算法Item CF可離線計(jì)算得出用戶相似度，準(zhǔn)確性更易于用戶接受，計(jì)算復(fù)雜度要遠(yuǎn)低于User CF，再加上Item CF又能夠?yàn)橥扑]做出合理的解釋，具有很多優(yōu)勢(shì)，市場(chǎng)應(yīng)用效果較佳。但是基于物品的協(xié)同過(guò)濾推薦算法Item CF也存在著較多的避免，主要體現(xiàn)在:第一，Item CF算法并不會(huì)對(duì)不同用戶之間的差異進(jìn)行考慮，但實(shí)際上不同的用戶往往會(huì)具有不同的特點(diǎn)及偏好，再加上使用者并不能予以確定，這樣一來(lái)，就會(huì)造成推薦精度不高的現(xiàn)象[21]。第二，在新物品剛加入系統(tǒng)時(shí)，由于可用于評(píng)分的數(shù)據(jù)數(shù)量較少，甚至完全沒有評(píng)分?jǐn)?shù)據(jù)，那么必然很容易在很長(zhǎng)時(shí)間內(nèi)都難以向目標(biāo)用戶進(jìn)行推薦。

2 基于知識(shí)關(guān)聯(lián)度的電力大數(shù)據(jù)個(gè)性化推薦

2.1 知識(shí)樹的構(gòu)建

電網(wǎng)領(lǐng)域知識(shí)主要分為兩大類，分別是動(dòng)態(tài)知識(shí)與靜態(tài)知識(shí)，其中，動(dòng)態(tài)知識(shí)既包括了電力系統(tǒng)運(yùn)行過(guò)程中所形成的實(shí)時(shí)數(shù)據(jù)，又包括了以時(shí)間為關(guān)鍵屬性的預(yù)測(cè)型知識(shí)；靜態(tài)知識(shí)則涵蓋了電力故障診斷知識(shí)、電力運(yùn)行決策知識(shí)、電力規(guī)程類知識(shí)、電力設(shè)備知識(shí)等。不同知識(shí)之間的聯(lián)系通常并不明顯，往往會(huì)讓用戶難以理解，且不會(huì)給用戶提供易于查詢的推薦信息[22]。由此可見，選擇一種較佳的知識(shí)表示方法就顯得極為重要，既有利于構(gòu)建清晰的知識(shí)結(jié)構(gòu)，又有利于提高知識(shí)檢索效率與知識(shí)存儲(chǔ)效率，還有利于縮短數(shù)據(jù)挖掘時(shí)間，進(jìn)而可在很大程度上增強(qiáng)數(shù)據(jù)挖掘效率。

將電網(wǎng)領(lǐng)域知識(shí)劃分為粒度不同的知識(shí)項(xiàng)，再采用知識(shí)樹結(jié)構(gòu)將其貫穿起來(lái)，實(shí)現(xiàn)知識(shí)的可視化、關(guān)聯(lián)化、體系化，必然可較好地符合當(dāng)前知識(shí)表示的需求。本文以知識(shí)點(diǎn)為單元來(lái)分解電網(wǎng)數(shù)據(jù)，使之形成若干個(gè)知識(shí)項(xiàng)，通過(guò)構(gòu)建知識(shí)樹模型KT來(lái)將不同的知識(shí)項(xiàng)關(guān)聯(lián)起來(lái)，如公式(1)。

式中，KP為知識(shí)點(diǎn)屬性，KR為知識(shí)點(diǎn)關(guān)系。

2.1.1 知識(shí)點(diǎn)屬性KP

KP可通過(guò)五元組{KID，KN，KW，KI，KP}來(lái)進(jìn)行描述，其中，KP為與知識(shí)點(diǎn)相互對(duì)應(yīng)的資源路徑，KI為知識(shí)點(diǎn)的重要程度，KID為知識(shí)點(diǎn)的編號(hào)，KN為知識(shí)點(diǎn)的名稱，KW為知識(shí)點(diǎn)的關(guān)鍵字。

KI是知識(shí)點(diǎn)屬性的關(guān)鍵性因素，重要程度與其被引用次數(shù)直接掛鉤，若被引用次數(shù)越多，那么說(shuō)明該知識(shí)點(diǎn)越重要。假設(shè)x為某知識(shí)點(diǎn)的被引用次數(shù)，那么可用隸屬函數(shù)公式(2)來(lái)描述其重要程度:

2.1.2 知識(shí)點(diǎn)關(guān)系KR

KP可通過(guò)四元組{RN，KPN，Relation，Degree}來(lái)進(jìn)行描述，其中，KPN為關(guān)聯(lián)知識(shí)點(diǎn)編號(hào)及主知識(shí)點(diǎn)編號(hào)，RN為關(guān)系編號(hào)，Relation為相關(guān)知識(shí)點(diǎn)與主知識(shí)點(diǎn)關(guān)系類型，Degree為相關(guān)知識(shí)點(diǎn)與主知識(shí)點(diǎn)關(guān)系程度。

2.2 知識(shí)項(xiàng)相似度矩陣的生成

從目前來(lái)看，電力系統(tǒng)的用戶數(shù)據(jù)存在著明顯的多變特征，而領(lǐng)域知識(shí)則要相對(duì)穩(wěn)定的多[23]，所以，本文有機(jī)融合了協(xié)同過(guò)濾技術(shù)與關(guān)聯(lián)規(guī)則挖掘技術(shù)，形成了一種新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法，即:聯(lián)合算法AR-Item CF。聯(lián)合算法AR-Item CF以電力運(yùn)行系統(tǒng)日志為載體，深入挖掘用戶評(píng)價(jià)、用戶關(guān)注、用戶收藏、用戶瀏覽等知識(shí)項(xiàng)行為；按照不同知識(shí)項(xiàng)行為的輕重程度來(lái)劃分為不同的權(quán)重，以此來(lái)計(jì)算得出用戶評(píng)分，在吸取Item CF算法優(yōu)點(diǎn)的態(tài)勢(shì)，又將知識(shí)關(guān)聯(lián)度作為影響推薦結(jié)果排名的主要因素之一，同時(shí)融合了協(xié)同過(guò)濾技術(shù)與關(guān)聯(lián)規(guī)則挖掘技術(shù)，將目標(biāo)之間的相似度與關(guān)聯(lián)度均納入到影響因素之中，推薦結(jié)果既存在著關(guān)聯(lián)性，又具備相似性，所形成的用戶-知識(shí)評(píng)分矩陣如表1所示。

表1 用戶-知識(shí)評(píng)分矩陣Tab.1 Scoring matrix of user-knowledge

(1)訓(xùn)練集選取用戶-知識(shí)評(píng)分矩陣中前四分之三的知識(shí)數(shù)據(jù)項(xiàng)集，測(cè)試集則選取用戶-知識(shí)評(píng)分矩陣中余下的后四分之一的知識(shí)數(shù)據(jù)項(xiàng)集；用戶興趣模型在訓(xùn)練集上進(jìn)行構(gòu)建，預(yù)測(cè)工作則在測(cè)試集上開展。

(2)對(duì)知識(shí)項(xiàng)的相似性進(jìn)行計(jì)算。不同知識(shí)項(xiàng)之間的相似度可通過(guò)余弦相似性方法來(lái)進(jìn)行計(jì)算，以知識(shí)項(xiàng)i和知識(shí)項(xiàng)j為例，二者所能形成的相似性計(jì)算公式為(3):

(3)以公式(3)為基準(zhǔn)，可形成知識(shí)項(xiàng)余弦相似度矩陣ASK，如表2所示。

2.3 關(guān)聯(lián)矩陣生成

知識(shí)項(xiàng)與最近鄰知識(shí)項(xiàng)之間的關(guān)系屬于典型的顯性關(guān)系，緊緊圍繞著“以知識(shí)項(xiàng)為中心”；而知識(shí)項(xiàng)與非最近鄰知識(shí)項(xiàng)之間的關(guān)系以及不同知識(shí)項(xiàng)組合而衍生出來(lái)的新知識(shí)點(diǎn)等等均屬于典型的隱性關(guān)系，只有通過(guò)深入地挖掘與剖析之后才可顯現(xiàn)出來(lái)，其關(guān)聯(lián)性通常是通過(guò)置信度來(lái)進(jìn)行表示?？v觀國(guó)內(nèi)外關(guān)聯(lián)規(guī)則挖掘技術(shù)領(lǐng)域，最常用的經(jīng)典算法當(dāng)屬Apriori算法；無(wú)論是在置信度，還是在關(guān)聯(lián)支持度計(jì)算方面，Apriori算法均有較佳的應(yīng)用優(yōu)勢(shì)[24-25]。有鑒于此，本文在對(duì)不同知識(shí)項(xiàng)之間的關(guān)聯(lián)度進(jìn)行計(jì)算時(shí)，所選用的算法依然為Apriori算法，其計(jì)算步驟為:第一，Apriori算法的輸入項(xiàng)為知識(shí)樹中的知識(shí)項(xiàng)；第二，對(duì)數(shù)據(jù)集進(jìn)行逐一單遍掃描，進(jìn)而得出每個(gè)知識(shí)項(xiàng)的支持度，形成頻繁1-項(xiàng)集；第三，采用Apriori算法來(lái)掃描全部的數(shù)據(jù)集，候選2-項(xiàng)集的支持度計(jì)數(shù)通過(guò)子集函數(shù)來(lái)進(jìn)行計(jì)算；第四，為了防止出現(xiàn)低置信度的計(jì)算結(jié)果及高相似性的計(jì)算結(jié)果，只要候選項(xiàng)集的支持度計(jì)數(shù)低于minsup，那么則將其置信度設(shè)定為0；第五，對(duì)候選2-項(xiàng)集的置信度conf進(jìn)行計(jì)算，進(jìn)而形成如表3所示的知識(shí)項(xiàng)關(guān)聯(lián)矩陣。

表2 知識(shí)項(xiàng)余弦相似度矩陣Tab.2 Cosine similarity matrix of knowledge term

表3 知識(shí)項(xiàng)關(guān)聯(lián)矩陣Tab.3 Association matrix of knowledge item

2.4 產(chǎn)生推薦

(1)通過(guò)將知識(shí)項(xiàng)關(guān)聯(lián)矩陣與知識(shí)項(xiàng)余弦相似度矩陣進(jìn)行求和計(jì)算，那么就可形成計(jì)算用戶對(duì)知識(shí)項(xiàng)興趣度的矩陣ASRK。

(2)基于用戶的目標(biāo)知識(shí)項(xiàng)，可在計(jì)算用戶對(duì)知識(shí)項(xiàng)興趣度的矩陣ASRK中查找與其密切相關(guān)的前K個(gè)知識(shí)項(xiàng)。

(3)用戶對(duì)知識(shí)項(xiàng)興趣度的計(jì)算公式為(4)，由公式(4)可見，若知識(shí)項(xiàng)與用戶歷史上所查找的知識(shí)項(xiàng)較為相似，且關(guān)聯(lián)度較高，也就是同時(shí)兼具相似度與關(guān)聯(lián)度，那么就能夠在用戶推薦列表中位列前茅[26-29]。

式中，Rui為對(duì)知識(shí)項(xiàng)i的興趣程度；N(u)為用戶歷史上所查找的知識(shí)項(xiàng)集合；ASRK(j，k)為K個(gè)知識(shí)項(xiàng)之集合，且這些知識(shí)項(xiàng)均與知識(shí)項(xiàng)j存在和較高的相似性與關(guān)聯(lián)度；Wji為知識(shí)項(xiàng)在K個(gè)知識(shí)項(xiàng)之集合的對(duì)應(yīng)值。

3 實(shí)驗(yàn)分析

3.1 測(cè)試指標(biāo)

本文通過(guò)MAE(平均絕對(duì)偏差)來(lái)對(duì)實(shí)際用戶評(píng)分與預(yù)測(cè)用戶評(píng)分的偏差程度進(jìn)行計(jì)算和預(yù)算，以此為依據(jù)來(lái)評(píng)價(jià)推薦結(jié)果的精度，若平均絕對(duì)偏差越小，那么就表明推薦結(jié)果的精度越高、推薦質(zhì)量越高；若平均絕對(duì)偏差越大，那么就表明推薦結(jié)果的精度越低、推薦質(zhì)量越低。假定預(yù)測(cè)用戶評(píng)分的集合為{p1，p2，…，pN}，實(shí)際用戶評(píng)分的集合為{q1，q2，…，qN}，那么就可通過(guò)公式(4)來(lái)計(jì)算MAE(平均絕對(duì)偏差):

假定某用戶的待推薦項(xiàng)目集為W＝{ω1，ω2，…，ωN}，令N為待推薦項(xiàng)目數(shù)，ωi為待推薦項(xiàng)目；若用戶的全部最近鄰居中均無(wú)與ωk相關(guān)的實(shí)際評(píng)估記錄，這樣一來(lái)，就會(huì)出現(xiàn)ωk未能夠被推薦的情況，那么就會(huì)導(dǎo)致有M個(gè)項(xiàng)目未被推薦，當(dāng)然M的取值應(yīng)該要不大于N，那么該用戶的項(xiàng)目推薦率(IRR)就可通過(guò)(N-M)/N來(lái)進(jìn)行計(jì)算。項(xiàng)目推薦率(IRR)大多都用于對(duì)用戶周圍最近鄰居的查找效率進(jìn)行衡量，并且還可從另外一個(gè)角度來(lái)體現(xiàn)出用戶評(píng)分?jǐn)?shù)據(jù)庫(kù)的離散度。在平均絕對(duì)偏差MAE相同的情況下，項(xiàng)目推薦率(IRR)與算法的推薦效率呈現(xiàn)出較為明顯的正比關(guān)系，若項(xiàng)目推薦率(IRR)越高，那么就表明算法的推薦效率越高；若項(xiàng)目推薦率(IRR)越低，那么就表明算法的推薦效率越差。

3.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)所采用的數(shù)據(jù)集來(lái)自電力安全規(guī)程系統(tǒng)的資源庫(kù)，從中隨機(jī)選擇1000條數(shù)據(jù)，涵蓋700條知識(shí)、300個(gè)用戶。訓(xùn)練集選取實(shí)驗(yàn)數(shù)據(jù)集中前四分之三的數(shù)據(jù)，測(cè)試集則選取實(shí)驗(yàn)數(shù)據(jù)集中余下的后四分之一的數(shù)據(jù)，分別采用本文所提出的新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法(聯(lián)合算法AR-Item CF)與傳統(tǒng)的Item CF算法進(jìn)行對(duì)比，所得出的平均絕對(duì)偏差MAE實(shí)驗(yàn)結(jié)果對(duì)比如圖1所示，所得出的項(xiàng)目推薦率IRR實(shí)驗(yàn)結(jié)果對(duì)比如圖2所示。

圖1 平均絕對(duì)偏差MAE實(shí)驗(yàn)結(jié)果對(duì)比Fig.1 Comparison of the results of the average absolute deviation MAE experiment

圖2 項(xiàng)目推薦率IRR實(shí)驗(yàn)結(jié)果對(duì)比Fig.2 Comparison of IRR experiment results of project recommendation rate

由圖1可知，無(wú)論是聯(lián)合算法AR-Item CF，還是與傳統(tǒng)Item CF算法，平均絕對(duì)偏差MAE均會(huì)隨著最近鄰居數(shù)的增大而小幅下降，而后其值又基本保持不變的狀態(tài)，但在最近鄰居數(shù)不變的前提下，聯(lián)合算法AR-Item CF的平均絕對(duì)偏差MAE明顯要低于傳統(tǒng)Item CF算法，如前所述，若平均絕對(duì)偏差越小，那么就表明推薦結(jié)果的精度越高、推薦質(zhì)量越高；若平均絕對(duì)偏差越大，那么就表明推薦結(jié)果的精度越低、推薦質(zhì)量越低。由此可見，聯(lián)合算法ARItem CF推薦結(jié)果的精度更高、推薦質(zhì)量更高。由圖2可知，無(wú)論是聯(lián)合算法AR-Item CF，還是與傳統(tǒng)Item CF算法，項(xiàng)目推薦率IRR均隨著最近鄰居數(shù)的增大而逐漸增大，但在最近鄰居數(shù)不變的前提下，聯(lián)合算法AR-Item CF的項(xiàng)目推薦率IRR明顯要高于傳統(tǒng)Item CF算法，如前所述，若項(xiàng)目推薦率(IRR)越高，那么就表明算法的推薦效率越高；若項(xiàng)目推薦率(IRR)越低，那么就表明算法的推薦效率越差。由此可見，聯(lián)合算法AR-Item CF的推薦效率更高。綜合可知:本文所提出的新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法(聯(lián)合算法AR-Item CF)能夠在很大程度上增強(qiáng)推薦系統(tǒng)的推薦效率與推薦質(zhì)量，取得較佳的效果。

4 結(jié)論

(1)聯(lián)合算法AR-Item CF以電力運(yùn)行系統(tǒng)日志為載體，深入挖掘用戶評(píng)價(jià)、用戶關(guān)注、用戶收藏、用戶瀏覽等知識(shí)項(xiàng)行為；按照不同知識(shí)項(xiàng)行為的輕重程度來(lái)劃分為不同的權(quán)重，以此來(lái)計(jì)算得出用戶評(píng)分，在吸取Item CF算法優(yōu)點(diǎn)的態(tài)勢(shì)，又將知識(shí)關(guān)聯(lián)度作為影響推薦結(jié)果排名的主要因素之一，同時(shí)融合了協(xié)同過(guò)濾技術(shù)與關(guān)聯(lián)規(guī)則挖掘技術(shù)，將目標(biāo)之間的相似度與關(guān)聯(lián)度均納入到影響因素之中，推薦結(jié)果既存在著關(guān)聯(lián)性，又具備相似性。

(2)本實(shí)驗(yàn)所采用的數(shù)據(jù)集來(lái)自電力安全規(guī)程系統(tǒng)的資源庫(kù)，從中隨機(jī)選擇1000條數(shù)據(jù)，涵蓋700條知識(shí)、300個(gè)用戶。訓(xùn)練集選取實(shí)驗(yàn)數(shù)據(jù)集中前四分之三的數(shù)據(jù)，測(cè)試集則選取實(shí)驗(yàn)數(shù)據(jù)集中余下的后四分之一的數(shù)據(jù)，分別采用本文所提出的新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法(聯(lián)合算法ARItem CF)與傳統(tǒng)的Item CF算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明:本文所提出的新型電力大數(shù)據(jù)協(xié)同過(guò)濾推薦算法(聯(lián)合算法AR-Item CF)能夠在很大程度上增強(qiáng)推薦系統(tǒng)的推薦效率與推薦質(zhì)量，取得較佳的效果。