朱麗麗

（金陵科技學(xué)院 軟件工程學(xué)院,南京 211169）

隨著計(jì)算機(jī)科學(xué)、互聯(lián)網(wǎng)及信息技術(shù)的迅速發(fā)展,各類信息數(shù)據(jù)層出不窮,導(dǎo)致信息呈現(xiàn)過載狀態(tài)。信息過載下的目標(biāo)信息獲取問題可以通過搜索引擎及推薦系統(tǒng)兩種方式解決［1-2］。目前比較常用的方式為搜索引擎,用戶在搜索引擎內(nèi)輸入關(guān)鍵字、詞等基礎(chǔ)需求信息,搜索引擎從海量數(shù)據(jù)中挖掘關(guān)聯(lián)信息并展示給用戶,從而滿足用戶的搜索需求［3］。通過搜索引擎雖然能夠在過載信息狀態(tài)下獲取必要信息,但該方法需要用戶明確搜索方向,按照目標(biāo)搜索并提供相關(guān)信息,若用戶暫無明確搜索方向,則面臨海量信息依舊束手無策,此時(shí)推薦系統(tǒng)應(yīng)運(yùn)而生。推薦系統(tǒng)是通過用戶以往在互聯(lián)網(wǎng)內(nèi)的交互信息,感知用戶個(gè)人興趣愛好,依據(jù)用戶興趣愛好為用戶推薦相關(guān)信息［4-5］。推薦系統(tǒng)比搜索引擎更懂得如何為用戶推薦專屬信息,在用戶無搜索需求時(shí)尋找用戶隱式需求,為用戶推薦其感興趣的信息數(shù)據(jù),有效提升用戶在互聯(lián)網(wǎng)中的使用體驗(yàn)［6］。

推薦系統(tǒng)雖優(yōu)越于搜索引擎,但仍有改進(jìn)空間,目前已有相關(guān)人員針對推薦系統(tǒng)進(jìn)行研究與改進(jìn)。姜國義等［7］提出在E-Learning 的基礎(chǔ)上研究移動(dòng)學(xué)習(xí)推薦系統(tǒng),該系統(tǒng)雖有效解決移動(dòng)終端對大量學(xué)習(xí)信息數(shù)據(jù)輸出條件受限制問題,但由于方法復(fù)雜度較高,不適用于實(shí)際應(yīng)用；檀彥超等［8］提出在度量學(xué)習(xí)的基礎(chǔ)上設(shè)計(jì)推薦系統(tǒng),該系統(tǒng)依據(jù)用戶在互聯(lián)網(wǎng)的交互信息,通過多個(gè)空間向用戶推薦隱式需求信息,但由于系統(tǒng)空間較多,系統(tǒng)在向用戶推薦信息時(shí)易產(chǎn)生同一信息多次推薦現(xiàn)象及信息亂序問題；劉雨萍等［9］提出了同時(shí)考慮樣本間類內(nèi)關(guān)系的列表排序跨模態(tài)檢索方法；劉音等［10］提出基于改進(jìn)遺傳算法的回歸測試用例優(yōu)先級排序方法。引入禁忌搜索方法改進(jìn)遺傳算法,并在回歸測試中用例優(yōu)先級排序；岳峰等［11］提出基于異質(zhì)網(wǎng)絡(luò)分析的列表級排序?qū)W習(xí)推薦方法。在異質(zhì)網(wǎng)絡(luò)中明確科研社交網(wǎng)絡(luò)中實(shí)體關(guān)系的基礎(chǔ)上,將獲取的信息融入列表級排序?qū)W習(xí)框架中,實(shí)現(xiàn)學(xué)術(shù)論文推薦。

隨機(jī)森林算法是機(jī)器學(xué)習(xí)算法之一,該算法以決策樹為基礎(chǔ),通過模擬與迭代等方式將問題做分類或回歸處理。排序?qū)W習(xí)方法是在信息檢索中,結(jié)合不同信息排序特征對搜索或推薦結(jié)果進(jìn)行排序的監(jiān)督性學(xué)習(xí),常用于解決分類或回歸處理時(shí)信息的排序問題。排序?qū)W習(xí)方法分為點(diǎn)級排序?qū)W習(xí)、對級排序?qū)W習(xí)以及列表級排序?qū)W習(xí)3種方式。本文結(jié)合隨機(jī)森林算法與列表級排序?qū)W習(xí),設(shè)計(jì)隨機(jī)森林算法下列表級排序?qū)W習(xí)推薦系統(tǒng),使用戶在操作推薦系統(tǒng)時(shí)感受到方便且快捷的用戶體驗(yàn)。在設(shè)計(jì)推薦系統(tǒng)時(shí),需提升系統(tǒng)運(yùn)行效率與擴(kuò)展性,在滿足用戶隱式需求的前提下為用戶推薦專屬信息數(shù)據(jù)。

1 列表級排序?qū)W習(xí)推薦系統(tǒng)

1.1 推薦系統(tǒng)總體結(jié)構(gòu)

推薦系統(tǒng)即人機(jī)交互系統(tǒng),能夠依據(jù)以往用戶與計(jì)算機(jī)的交互信息,在用戶未明確搜索方向的情況下,為用戶推薦專屬感興趣信息。推薦系統(tǒng)的總體結(jié)構(gòu)主要由數(shù)據(jù)層、處理層、控制層與用戶層四部分組成,系統(tǒng)總體結(jié)構(gòu)如圖1所示。

圖1 推薦系統(tǒng)總體結(jié)構(gòu)

采用分層結(jié)構(gòu)將推薦系統(tǒng)合理區(qū)分為數(shù)據(jù)層、處理層、控制層及用戶層（見圖1）。系統(tǒng)向用戶推薦專屬感興趣信息時(shí),各層信息及數(shù)據(jù)均為雙向傳輸,推薦系統(tǒng)各層結(jié)構(gòu)功能分別為：

1）數(shù)據(jù)層。數(shù)據(jù)層內(nèi)的數(shù)據(jù)庫是處理層中數(shù)據(jù)采集模塊通過記錄以往用戶與系統(tǒng)交互信息及數(shù)據(jù)構(gòu)建而成,是推薦系統(tǒng)推薦內(nèi)容的主要依據(jù)。

2）處理層。處理層中包含數(shù)據(jù)采集模塊與信息推薦模塊,數(shù)據(jù)采集模塊主要采集用戶登錄賬號后,在搜索窗口中搜索的全部信息內(nèi)容,實(shí)時(shí)記錄用戶與系統(tǒng)的互動(dòng)信息并傳輸至數(shù)據(jù)庫內(nèi)備用；信息推薦模塊是利用數(shù)據(jù)庫內(nèi)的信息,通過列表級排序?qū)W習(xí)及隨機(jī)森林算法計(jì)算獲取推薦結(jié)果并傳輸給控制層。

3）控制層?？刂茖邮怯煽刂破骺刂朴脩魧优c處理層中的各項(xiàng)流程,傳輸用戶層中的用戶操作至處理層中處理,并將處理層中產(chǎn)生的推薦結(jié)果傳輸至用戶層推薦界面展示給用戶。

4）用戶層。用戶層主要為用戶及系統(tǒng)提供交互界面,用戶通過注冊登錄界面注冊并登錄賬號進(jìn)入系統(tǒng)主界面,若用戶有搜索方向則進(jìn)入搜索界面搜索信息；若用戶暫無搜索方向則選擇推薦界面,由系統(tǒng)為用戶推薦專屬感興趣信息,用戶在推薦界面選中感興趣信息后,點(diǎn)擊該信息即可查詢更詳盡的信息內(nèi)容。

推薦系統(tǒng)的整個(gè)推薦流程可以概括為：用戶在用戶層各界面進(jìn)行操作并將操作信息傳輸至控制層；控制層將用戶操作信息傳輸至處理層；由處理層采集用戶感興趣信息及數(shù)據(jù)并傳輸至數(shù)據(jù)層,數(shù)據(jù)層將數(shù)據(jù)統(tǒng)一儲存至數(shù)據(jù)庫中；系統(tǒng)依據(jù)數(shù)據(jù)庫中的人機(jī)交互信息,由處理層中的信息推薦模塊獲取推薦結(jié)果并傳輸至控制層,控制層將推薦信息傳輸至用戶層推薦界面完成推薦系統(tǒng)對用戶的專屬信息推薦。

1.2 推薦系統(tǒng)硬件設(shè)計(jì)

1.2.1 推薦系統(tǒng)硬件結(jié)構(gòu)

考慮到目前信息數(shù)據(jù)的多樣化,除了傳統(tǒng)文字信息以外還有語音信息、動(dòng)畫視頻信息等,因此在設(shè)計(jì)推薦系統(tǒng)硬件時(shí),為系統(tǒng)加入Flash 及音頻模塊。依據(jù)推薦系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)系統(tǒng)硬件,推薦系統(tǒng)硬件結(jié)構(gòu)如圖2所示。

圖2 推薦系統(tǒng)硬件結(jié)構(gòu)

圖2 推薦系統(tǒng)硬件結(jié)構(gòu)中主控制器位于推薦系統(tǒng)總體結(jié)構(gòu)控制層,用于控制用戶層與處理器間信息傳輸流程；CPU為推薦系統(tǒng)中央處理器,負(fù)責(zé)處理整個(gè)系統(tǒng)數(shù)據(jù)運(yùn)算及指令等程序的運(yùn)行；內(nèi)核處理器主要用于提升推薦系統(tǒng)的擴(kuò)展性能；電源負(fù)責(zé)提供推薦系統(tǒng)的工作電壓；SCM 存儲類內(nèi)存卡用于存儲人機(jī)交互信息數(shù)據(jù)；Flash 模塊及音頻模塊用于展示用戶視頻動(dòng)畫等信息數(shù)據(jù)；OLED液晶屏及按鍵模塊位于用戶層,用于為用戶展示系統(tǒng)推薦信息及人機(jī)互動(dòng)操作。

1.2.2 內(nèi)核處理器

為提升推薦系統(tǒng)運(yùn)行效率及擴(kuò)展性能,系統(tǒng)選取英特爾公司MAX 10 系列,型號為10M04DAF256I7G 的內(nèi)核處理器作為推薦系統(tǒng)內(nèi)核處理器,該處理器具有4 000 個(gè)單元數(shù)、I∕O 數(shù)178 個(gè)、總RAM 位數(shù)為193 536 位、內(nèi)核電壓僅需1.15 V,成本及功耗較低,足以滿足推薦系統(tǒng)運(yùn)行效率及擴(kuò)展性能的提升需求。內(nèi)核處理器的主要處理內(nèi)容為：

1）響應(yīng)按鍵模塊并依據(jù)按鍵模塊的用戶按鍵信息,接收用戶輸入指令,完成人機(jī)交互信息獲取功能。

2）通過訪問SCM 存儲類內(nèi)存中的信息數(shù)據(jù),作為推薦系統(tǒng)的推薦依據(jù)。

3）驅(qū)動(dòng)OLED 液晶屏為用戶顯示用戶層各界面信息。

4）傳輸處理器處理內(nèi)容至主控制器,由主控制器統(tǒng)一控制推薦系統(tǒng)中各層信息傳輸。

1.2.3 推薦系統(tǒng)電源模塊

電源模塊主要為推薦系統(tǒng)中各模塊提供電壓,系統(tǒng)電源模塊的電源芯片選取自TI品牌,型號為LM2940CT-5.0,該電源芯片類型為集成電路的線性低壓差穩(wěn)壓器,在輸出電壓時(shí)噪聲較小,且該芯片具有超溫、短路及反極性保護(hù)功能,適用于溫度為0～125 ℃的工作環(huán)境內(nèi)工作。以系統(tǒng)主控制器電源模塊為例,LM2940CT-5.0 電源芯片供電電路圖如圖3所示。LM2940CT-5.0芯片的動(dòng)態(tài)響應(yīng)性能較高,且具有較好的電源抑制比,若系統(tǒng)負(fù)載頻率發(fā)生改變,該芯片依然能為系統(tǒng)輸出穩(wěn)定電壓。

圖3 電源芯片供電電路圖

1.3 推薦系統(tǒng)軟件設(shè)計(jì)

1.3.1 列表級排序?qū)W習(xí)推薦列表的構(gòu)建指標(biāo)

推薦系統(tǒng)處理層信息推薦模塊的排序?qū)W習(xí)單元,利用列表級排序?qū)W習(xí)算法構(gòu)建列表級排序?qū)W習(xí)推薦列表。考慮到推薦系統(tǒng)需滿足用戶隱式需求,以用戶u感興趣項(xiàng)目的概率分布值Pu為依據(jù),構(gòu)建包含用戶全部感興趣的列表級排序?qū)W習(xí)列表,選取最滿足用戶隱式需求的項(xiàng)目作為學(xué)習(xí)推薦系統(tǒng)的推薦首選。構(gòu)建列表級排序?qū)W習(xí)列表時(shí),通常采用推薦系統(tǒng)評價(jià)指標(biāo)NDCG,由于評價(jià)指標(biāo)NDCG存在不可求導(dǎo)特性,需利用函數(shù)對NDCG進(jìn)行近似連續(xù)可導(dǎo)計(jì)算,從而完成列表級排序?qū)W習(xí)列表的構(gòu)建。設(shè)置NDCG@k為評價(jià)排序?qū)W習(xí)列表前k個(gè)用戶感興趣項(xiàng)目的推薦評價(jià)指標(biāo),其表達(dá)式為：

式（1）中,Nk為函數(shù)的最大值,βj為用戶感興趣項(xiàng)目與其在排序?qū)W習(xí)列表中位置j的關(guān)聯(lián)程度,g( [βj]) 為增益函數(shù),其表達(dá)式為,d(j)為貼現(xiàn)函數(shù),其表達(dá)式為,b為貼現(xiàn)系數(shù)。將增益函數(shù)與貼現(xiàn)函數(shù)引入學(xué)習(xí)推薦評價(jià)指標(biāo)表達(dá)式中,獲取學(xué)習(xí)推薦的評價(jià)指標(biāo)表達(dá)式為：

式（2）中,s( )x為某用戶感興趣項(xiàng)目x在排序?qū)W習(xí)列表中的當(dāng)前位置。

通過式（2）可知,求導(dǎo)NDCG 評價(jià)指標(biāo)需以用戶感興趣項(xiàng)目位置為基礎(chǔ),利用隨機(jī)森林算法學(xué)習(xí)列表級排序?qū)W習(xí)推薦列表時(shí),用戶感興趣項(xiàng)目位置會(huì)產(chǎn)生改變［12-13］。為此,本文根據(jù)用戶的歷史搜索索引結(jié)構(gòu),將公式（2）得到的學(xué)習(xí)推薦的評價(jià)指標(biāo)進(jìn)行改進(jìn),改進(jìn)后的評價(jià)指標(biāo)如下：

式（3）中,β(x)為用戶感興趣項(xiàng)目x的待推薦程度。β(x)值為最大值時(shí),代表推薦系統(tǒng)需要將該項(xiàng)目推薦至用戶；當(dāng)β(x)=0 時(shí),代表推薦系統(tǒng)無需向用戶推薦該項(xiàng)目。將某用戶感興趣項(xiàng)目x在排序?qū)W習(xí)列表中的當(dāng)前位置函數(shù)s(x)近似為連續(xù)可導(dǎo)函數(shù),結(jié)合概率分布值Pu,重新定義當(dāng)前位置函數(shù)s(x)的表達(dá)式為：

采用邏輯函數(shù)近似求導(dǎo)公式（4）中的指數(shù)函數(shù)1{Pux,y<0} ,近似后的函數(shù)表達(dá)式為：

式（5）中,α為度量常數(shù),α>0 。結(jié)合公式（4）與（5）,將位置函數(shù)s( )x轉(zhuǎn)換為連續(xù)且可導(dǎo)的近似表達(dá)式,即：

將式（6）帶入公式（3）中,獲取近似后的學(xué)習(xí)推薦評價(jià)指標(biāo)表達(dá)式為：

將式（7）的學(xué)習(xí)推薦評價(jià)指標(biāo),作為列表級排序?qū)W習(xí)推薦列表的構(gòu)建依據(jù)。

1.3.2 隨機(jī)森林算法下列表級排序?qū)W習(xí)推薦

隨機(jī)森林算法具有極高的學(xué)習(xí)能力,將隨機(jī)森林算法作為構(gòu)建列表級排序?qū)W習(xí)推薦列表的學(xué)習(xí)方法［14-15］。設(shè)置評價(jià)指標(biāo)NDCG′作為隨機(jī)森林算法的分類指標(biāo),令隨機(jī)森林算法預(yù)測未評分項(xiàng)目,構(gòu)建學(xué)習(xí)推薦系統(tǒng)的列表級排序?qū)W習(xí)推薦列表,依據(jù)列表順序,為用戶推薦NDCG′評分最高的前E個(gè)項(xiàng)目。

隨機(jī)森林算法在學(xué)習(xí)推薦系統(tǒng)處理層信息推薦模塊的數(shù)據(jù)處理單元中,該算法依據(jù)用戶感興趣項(xiàng)目樣本集中的數(shù)據(jù)樣本,生成并匯總多個(gè)決策樹,獲取學(xué)習(xí)推薦結(jié)果。設(shè)置E為隨機(jī)森林算法的決策樹數(shù)量,為決策樹的基本分類單元,其中h 為決策樹,O 為用戶感興趣項(xiàng)目集；Θ 為決策樹深度,該參數(shù)由正則化參數(shù)決定；e 為決策樹集合,且e=1,2,…,E,通過集成學(xué)習(xí)獲取組合分類器。

隨機(jī)森林算法中的單個(gè)決策樹生成步驟如下：

1）利用用戶與互聯(lián)網(wǎng)以往的交互信息感知用戶感興趣項(xiàng)目,選取用戶感興趣項(xiàng)目作為學(xué)習(xí)樣本,采用Bootstrap 重采樣方法反復(fù)抽樣,獲取第E個(gè)數(shù)據(jù)集；

2）從第E個(gè)數(shù)據(jù)集中,計(jì)算隨機(jī)樣本的NDCG′值；

3）在數(shù)據(jù)集中選取具有最優(yōu)NDCG′值的節(jié)點(diǎn),作為決策樹的分裂節(jié)點(diǎn)；

4）學(xué)習(xí)分裂后的決策樹節(jié)點(diǎn),直至滿足學(xué)習(xí)終止條件,結(jié)束學(xué)習(xí),生成第E棵決策樹。

通過以上步驟生成多個(gè)決策樹后,對各決策樹進(jìn)行匯總形成隨機(jī)森林分類器,隨機(jī)森林分類器生成結(jié)構(gòu)圖如圖4所示。

圖4 隨機(jī)森林分類器生成結(jié)構(gòu)圖

依據(jù)圖4生成隨機(jī)森林分類器后,輸入學(xué)習(xí)推薦的測試樣本,隨機(jī)森林分類器中的各決策樹進(jìn)入投票抉擇環(huán)節(jié),選取輸出類別最多的決策樹作為學(xué)習(xí)推薦系統(tǒng)推薦結(jié)果,系統(tǒng)推薦結(jié)果表達(dá)式為：

式（8）中,H（o）與hi分別為組合分類器與單個(gè)決策樹模型,I(hi(o)=R)為單個(gè)決策樹模型的示性函數(shù),即模型內(nèi)包含某數(shù)值時(shí),函數(shù)值為1,反之為0,其中R為學(xué)習(xí)推薦結(jié)果的輸出變量。

2 實(shí)例分析

為驗(yàn)證所研究隨機(jī)森林算法下列表級排序?qū)W習(xí)推薦系統(tǒng)的整體性能,在實(shí)驗(yàn)前預(yù)設(shè)實(shí)驗(yàn)環(huán)境為：Windows XP3 操作系統(tǒng),4 GB 內(nèi)存,Intel（R）Pentium（R）CPU G630@2.70GHz 2.70GHz,實(shí)驗(yàn)程序使用Java1.6 語言開發(fā),數(shù)據(jù)庫為Mysql5.0。實(shí)驗(yàn)配置相關(guān)參數(shù)如表1所示。

表1 實(shí)驗(yàn)配置相關(guān)參數(shù)

實(shí)驗(yàn)將本系統(tǒng)應(yīng)用于某大學(xué)圖書館內(nèi),該學(xué)校在校學(xué)生共13 241 人,校內(nèi)圖書館存放各類藏書共10余萬冊,隨機(jī)選取該校學(xué)生1 000人作為本系統(tǒng)應(yīng)用的研究對象,并以該校某歷史專業(yè)學(xué)生為例登錄本文系統(tǒng)賬號,該賬號在本系統(tǒng)的搜索界面如圖5所示。

圖5 學(xué)習(xí)推薦系統(tǒng)搜索界面圖

該學(xué)生登錄系統(tǒng)后進(jìn)入搜索界面搜索專業(yè)學(xué)習(xí)書籍,點(diǎn)擊進(jìn)入本系統(tǒng)搜索界面,可以選擇語音搜索或文字搜索兩種方式,同時(shí)可以按照搜索欄下方書籍分類選擇合適的圖書類別,方便其查找所需學(xué)習(xí)書籍。該學(xué)生在主頁及搜索界面瀏覽或搜索書籍時(shí),系統(tǒng)將相關(guān)瀏覽及搜索記錄存儲至數(shù)據(jù)庫中。當(dāng)該學(xué)生暫無明確書籍搜索方向時(shí),點(diǎn)擊進(jìn)入本系統(tǒng)推薦界面,本系統(tǒng)為該學(xué)生推薦的推薦界面如圖6所示。

圖6 學(xué)習(xí)推薦系統(tǒng)推薦界面圖

學(xué)生在進(jìn)入本系統(tǒng)推薦界面后,系統(tǒng)依據(jù)數(shù)據(jù)庫中該學(xué)生以往的瀏覽及信息記錄為其推薦相關(guān)學(xué)習(xí)書籍,由于該學(xué)生經(jīng)常瀏覽歷史類書籍,因此系統(tǒng)為其推薦與之相關(guān)的歷史書籍（見圖6）,可見本文系統(tǒng)能夠有效地為該學(xué)生推薦相關(guān)專業(yè)書籍。

準(zhǔn)確率指用戶選中本系統(tǒng)推薦內(nèi)容的數(shù)量與系統(tǒng)推薦總量之比,是評價(jià)系統(tǒng)推薦性能準(zhǔn)確性的指標(biāo)之一。為進(jìn)一步驗(yàn)證本系統(tǒng)為用戶推薦學(xué)習(xí)書籍準(zhǔn)確性,采用準(zhǔn)確率作為推薦系統(tǒng)的評價(jià)指標(biāo),令1 000 位研究對象分別操作姜國義等［7］基于E-Learning的移動(dòng)學(xué)習(xí)推薦系統(tǒng)、檀彥超等［8］基于度量學(xué)習(xí)的多空間推薦系統(tǒng)及本系統(tǒng)獲取推薦內(nèi)容,對比3個(gè)系統(tǒng)推薦性能的準(zhǔn)確率（見圖7）。

圖7 3個(gè)系統(tǒng)準(zhǔn)確率對比

由圖7 可知,雖然推薦內(nèi)容數(shù)量逐漸增加,但并未影響本系統(tǒng)對用戶推薦的準(zhǔn)確率,姜國義等［7］的系統(tǒng)為用戶推薦內(nèi)容的準(zhǔn)確率不超過0.8,檀彥超等［8］的系統(tǒng)為用戶推薦內(nèi)容的準(zhǔn)確率不超過0.9,本系統(tǒng)為用戶推薦內(nèi)容的準(zhǔn)確率為0.9 以上,準(zhǔn)確率明顯高于前者,可見本系統(tǒng)的推薦性能較高。

為檢測本系統(tǒng)在運(yùn)行時(shí)的系統(tǒng)性能,測試人員采用LoadRunner負(fù)載測試工具預(yù)測本系統(tǒng)行為及系統(tǒng)性能,該測試工具能夠?qū)崟r(shí)監(jiān)測系統(tǒng)性能。將該測試工具應(yīng)用于本系統(tǒng)中,模擬設(shè)置同時(shí)段操作用戶人數(shù)從100 人逐漸增加至1 000 人,分別通過系統(tǒng)吞吐量、平均運(yùn)行時(shí)間、平均響應(yīng)時(shí)間及操作成功人數(shù)對3個(gè)系統(tǒng)進(jìn)行性能測試,測試統(tǒng)計(jì)結(jié)果如表2所示。

表2 推薦系統(tǒng)性能測試結(jié)果

由表2 統(tǒng)計(jì)結(jié)果可知,同時(shí)段操作用戶由100人遞增至1 000 人,3 個(gè)系統(tǒng)各項(xiàng)性能指標(biāo)隨人數(shù)增長而增加。其中,姜國義等及檀彥超等的系統(tǒng)吞吐量較小、平均運(yùn)行時(shí)間和響應(yīng)時(shí)間較長,運(yùn)行速度較慢,進(jìn)而造成其操作成功人數(shù)也相對較低。而本系統(tǒng)當(dāng)同時(shí)段人數(shù)增長至1 000 人時(shí)系統(tǒng)平均運(yùn)行速度減緩,但各指標(biāo)值增長幅度較小,系統(tǒng)運(yùn)行狀態(tài)始終保持穩(wěn)定且所有操作用戶均成功操作完成,無系統(tǒng)訪問失敗或卡頓現(xiàn)象,可見本系統(tǒng)整體性能較好。

3 結(jié)論

當(dāng)前推薦系統(tǒng)的優(yōu)勢已逐漸被越來越多的研究人員發(fā)現(xiàn),若能提升推薦結(jié)果的準(zhǔn)確性,便能將推薦系統(tǒng)應(yīng)用于更多領(lǐng)域。為此,本文設(shè)計(jì)基于隨機(jī)森林算法的列表級排序?qū)W習(xí)推薦系統(tǒng)。首先,在硬件方面加入Flash及音頻模塊,并重點(diǎn)設(shè)計(jì)了內(nèi)核處理器和推薦系統(tǒng)電源模塊；然后,在軟件方面在構(gòu)建列表級排序?qū)W習(xí)推薦列表指標(biāo)的基礎(chǔ)上,利用隨機(jī)森林算法設(shè)計(jì)列表級排序?qū)W習(xí)推薦流程,實(shí)現(xiàn)列表級排序?qū)W習(xí)推薦,最后,將其應(yīng)用于某大學(xué)圖書館內(nèi)為學(xué)生推薦個(gè)性化書籍,通過推薦系統(tǒng)推薦界面圖可以看出,學(xué)生在使用推薦系統(tǒng)交互瀏覽與查詢時(shí),系統(tǒng)能夠?qū)崟r(shí)記錄交互內(nèi)容,并準(zhǔn)確為學(xué)生推薦其感興趣書籍,有效提升用戶對推薦系統(tǒng)的使用體驗(yàn)。