用户兴趣建模支持下的行为推荐算法特性分析

摘  要：为解决传统的算法中忽视的问题，选择更适合用户的兴趣模型，降低分析准确度较低的方式，为此提出了用户兴趣建模支持下的行为推荐算法特性分析，基于特征维度的选择，以及特性影响因子的求解，完成了推荐算法特性分析影响因子的计算;基于行为推荐算法樣本集的确定，实现了行为推荐算法的特性分析，试验数据表明，提出的推荐算法特性分析较传统分析方法，分析准确率提高13.68%。适用于不同用户兴趣建模支持下的行为推荐。

关键词：兴趣建模;用户行为;推荐算法;特性分析

中图分类号：TP301. 6       文献标识码：A 文章编号：2096-4706（2019）09-0011-03

0  引  言

随着科技技术与网络技术的快速发展，兴趣点的选择成为满足用户个性化需求、减轻信息超载问题的重要手段。然而，已有的兴趣点推荐算法采用通过矩阵分解运算找到兴趣点的推荐算法，把签到频率数据和传统推荐系统中的评分数据同样看待[1]，使用高斯分布的推荐模型建模，对用户的签到行为次数进行数据整理的同时忽视用户签到数据的隐含内容以及反馈属性的变化。为解决以上问题，需要更好地选择用户兴趣建模支持下的行为推荐算法，并根据不同的特点进行分析。电子商务系统规模的转变使得消费者的需求日益复杂化，传统的推荐算法难以提供让消费者满意的推荐服务。对此，本文从分析反映消费者偏好的行为特征入手，依托提取用户兴趣特征模型，基于用户兴趣特征提取的推荐算法，从算法中分析存在的特性。

1  推荐算法特性分析影响因子的计算

1.1  特征维度的选择

特征维度的划分是按照用户对于兴趣建模的特点进行创造和建立，算法中的矩阵排列方式按照用户的兴趣程度进行划分，通过相近性的用户对未检测到的商品兴趣度值，分析用户对未检测商品的兴趣度值。通过这项计算和分析发现，用户对于商品的浏览和兴趣程度存在着三个方面的特征。分别表现为：其一，用户的喜好存在着转换性，这些特征表现在用户对不同商品的喜爱度和兴趣度上，如果用户对于商品喜爱的程度发生转换，那么兴趣度会有所降低;其二，用户对兴趣度极高的商品的点击浏览网页程度会高速增加，若既定的时间，用户浏览商品的数量减少，长久地停留在浏览某一物品上，点击其他的商品的次数有所减少，那么用户对这种商品的兴趣度会相应地增加，对与之相似的商品的兴趣度也会增加[2];其三，对用户信息的调查显示，其所在年龄阶段、性别的取向、性格的特征，都会不同程度地影响其对于商品的兴趣度以及对于商品的点击率。

1.2  特性影响因子的求解

在计算过程中，先设置用户的数值为u，商品的总体设置为w，未浏览的商品设置为q，点击率为n，已经浏览过的商品总体设置为Iw，则N=Iw，任意挑选的商品集合为a∈Iw，预设用户对于喜爱的商品的兴趣度，那么在商品集合Iw中找到商品w和n，对于浏览中的商品表示出的用户兴趣度，找到传统的推荐算法的相似过程计算出物品w和n之间存在的关系。其存在关系的公式表示为[3]：p=w×u/Iw，在此式中，p表示用户u和w对任意挑选商品喜爱程度的集合。在目标用户的w的总体数量上找到兴趣度相关的用户集合I={I1，I2，I3，…，Ia}，算式表现方式为a∈I，根据算式m=sim（a/Ik）/q呈现方式如下：sim（a，I1）>sim（a，I2）>…>sim（a，Ik），这则算式则表示为用户推算出相近用户的特性影响因子求解[4]。q作为具体数值的用户和具体数值的相近用户对于商品平均性的兴趣程度值，sim（a，I）是对于用户和相近用户存在的关系问题的表达，m表示相近用户对于商品的兴趣度值。

2  行为推荐算法的特性分析流程

2.1  行为推荐算法样本集的确定

行为推荐算法样本集是根据特征维度，以及特性影响因子的确定，利用用户兴趣建模支持检测出用户对商品的有效浏览率、遗忘因子、总浏览时间、有效浏览时间的有效集合，行为推荐算法样本集，在不同邻近用户个数下，由于用户兴趣的转移对样本集具有一定影响。行为推荐算法样本集越小，用户检测的概率越高，那么推荐的精度就越精确，表明根据这样的兴趣提取推荐算法运用，可以精确地掌握用户对该商品的切实的感受和兴趣，检测出用户对于不同商品兴趣的差异性，根据这些差异性做出精确的推测，测定数值越小，则测试得越精准，推荐系数也就越高[5]。通过检测来验证提出的推荐算法具有较高的推荐精度和效率，也就表明算法有着较高的精确性。

行为推荐算法样本集的判断，是根据对邻近用户的浏览信息做出兴趣性的分析，设通过算法测试用户对m个商品的兴趣度值分别为{q1，q2，…，qm}，邻近用户对同样的m个商品的真实的兴趣度值为{n1，n2，…，nm}，运用绝对偏差公式，当用户的兴趣度对物品的感受越高时，邻近用户的喜爱程度和兴趣度也会偏高，在这样的一种形式下，通过用户的测试算法就能够推算出邻近用户的喜爱商品以及对选择商品的点击率，求出行为推荐算法样本集，如式（1）所示：

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

针对采集邻近信息项目，进而通过对目标用户的访问邻近次数，进行项目测评分，实现对目标用户在没有访问项目的测评分测量。在上述推荐过程中，评分得出的数值是实现推荐的重要方式，无论在历史评分的产生时间中存在的差别，还是在推荐中所起的作用都是相等的。而在推荐系统的实际应用中我们可以发现，随着推荐系统对用户的了解相对增加，邻近用户的点击率也就会增加，兴趣度的提高也会伴随着对商品浏览的增加。在一定的需求、兴趣方面也会随之发生或强烈或细微的变化，描述用户在不同时期兴趣的差异也较为明显，以此用户对于兴趣概念的转移问题也随之产生。对历史评分的作用进行区分是其他推荐算法并未曾有过的视角方向，选取这样的操作方式，可以使得用户评分数不断增加，准确性方面有所提高，对于邻近用户的了解也有所增长。

2.2  实现行为推荐算法的特性分析

实现行为推荐算法的特性分析表现在，通过建立数学模型提取用户兴趣的特性和偏好，确定特征维度针对特性影响因子进行求解，分析行為推荐算法样本集并在此基础上构建用户对于各式各类的商品的兴趣度体系表;通过与设定用户的喜好相近性的邻近用户对商品的兴趣度预测，针对不同类型的目标用户对未浏览商品产生的兴趣，从而达到为不同用户提供最适合、最满意的推荐服务的目的，其行为推荐算法的特性分析流程示意图如图1所示：

通过运用个性化的推荐算法来有效地推算出用户对于商品购买的点击率以及浏览页面的所占比重，以此作为展开推荐算法合理运用的方式，无论是在计算上还是对于数据的处理等方面，都能够充分地将用户的所需详尽、清楚地通过算式表达出来，能够推测出用户对于某一些物品的喜欢程度和发现的兴趣，从而采取最具个性化的展示方式，实现用户兴趣建模支持下的行为推荐算法特性分析。

3  试验验证

为了保证提出的行为推荐算法特性分析过程的分析准确性，进行实验验证，采用传统的行为推荐算法特性分析过程作为实验验证对比的对象，利用仿真实验的方式，进行对比实验。

实验过程中，模拟不同用户兴趣建模支持下的推荐算法特性分析过程。为了模拟实验方便，随机选取4名用户，分别为1号用户、2号用户、3号用户、4号用户。在同一名用户下进行两种兴趣建模支持下的行为推荐。利用传统的行为推荐算法特性分析过程，以及提出的行为推荐算法特性分析过程，分别对同一编号用户进行兴趣建模支持下的行为推荐，得出实验数据，将对两种兴趣建模支持下行为推荐的实验数据进行准确性对比。根据实验对比结果可以得出，在不同用户兴趣建模支持下，利用提出的行为推荐算法特性分析过程，能够较为准确地分析不同用户在兴趣建模支持下的行为，并进行准确推荐。经计算得出，传统行为推荐算法特性分析准确性为77.91%，提出的行为推荐算法特性分析准确性为91.59%。

由此可得，在对用户兴趣建模支持下的推荐中，应用提出的行为推荐算法特性分析，较传统的行为推荐算法特性分析准确性提高13.68%。选取兴趣提取的推荐算法，是通过用户对商品的喜爱度，对用户对哪些种类商品存在的兴趣进行更好地预测，与过去传统的方式存在较大的不同，用户兴趣的检测精确度高，因此能够避免用户对商品进行盲目的选择，使其有目的性地浏览商品，由此收集用户对于浏览商品的信息，预测用户的喜爱度，这样能通过用户的喜爱度为其提供相应的服务，使得精准度更加适宜、实用。经过这样的一种推算手段，能够在第一时间了解用户的喜好，为用户推荐相近或者类似的商品，提高这类商品的出现率，让用户减少不必要的搜索过程，与为其带来的不必要的麻烦，使在整个浏览过程中可以既有效率又有收获地轻松进行。

4  结  论

本文提出了用户兴趣建模支持下的行为推荐算法特性分析，基于对推荐算法特性分析影响因子的计算，以及行为推荐算法样本集的确定，实现了行为推荐算法的特性分析。试验数据表明，提出的推荐算法特性分析具有较高的有效性，希望本文的研究能够为行为推荐算法特性分析提供理论基础。

参考文献：

[1] 李朝晖，尹晓博，杨海晶，等.基于改进的k-means聚类算法的季节性负荷特性分析[J].电网与清洁能源，2018，34（2）：53-59+64.

[2] 蒋正邦，吴浩，程祥，等.基于多元聚类模型与两阶段聚类修正算法的变电站特性分析 [J].电力系统自动化，2018，42（15）：157-163+244.

[3] 张斌，苏道磊，范建柯，等.基于自适应量子遗传算法对胶东半岛地区乳山震群重定位及构造特征分析 [J].地球物理学进展，2017，32（3）：1080-1088.

[4] 魏港明，刘真，李林峰，等.加入用户对项目属性偏好的奇异值分解推荐算法 [J].西安交通大学学报，2018，52（5）：101-107.

[5] 刘帆洨，彭其渊，梁宏斌，等.基于PCA-聚类分析的高铁旅客购票行为特性研究 [J].交通运输系统工程与信息，2017，17（6）：126-132.

作者简介：周雪梅（1972.11-），女，汉族，江西宜春人，硕士，副教授，主要研究方向：数据挖掘和数据分析。