基于云模式的微机械传感器个性化推荐算法研究

刘红英

（广州工商学院，广州 510850）

0 引言

微电子技术不断提高的背景下，微机械传感器也取得了较为优秀的成果。目前微机械传感器被深入研究，截止到目前，微机械传感器的类型大致分为七种，分别为微机械陀螺、微气体传感器、微机械温度传感器、微机械压力传感器、微加速度传感器、微流量传感器和其他微机械传感器[1]。这些传感器被广泛应用到化学以及医学等行业当中，通过应用到材料、设备等环节上，优化数据传输与技术控制效果，具有极大的应用前景。为了进一步掌握微机械传感器的应用方法，针对微机械传感器提出不同的个性化推荐算法[2]。这些现有的推荐算法被应用到各大网络以及设备中，尽管能够取得一定成果，但在及时性上还不够完善，需要进一步优化。云模式是将云计算与搜索引擎结合使用的新技术，具有一站式解决问题的综合能力，针对云模式的特点研究全新的微机械传感器个性化推荐算法。

1 基于云模式的微机械传感器个性化推荐算法

1.1 设置特征项标签

标准的特征项标签能够以更加全面的方式表达传递信息，能够让无线传感器网络中的节点之间快速识别，建立不同关联度的邻居关系。当微机械传感器传输稳定的数据，也就是常规内容的数据时，设置常规内容与其对应的权重分别为xi和ωi，采用信息加权技术TF-IDF，衡量传感器中数据的重要程度。其中TF用于描述词频，该数值越大越能说明内容出现的次数越多，有较高的重要性；IDF用于描述反文档频率，也就是出现次数较少导致词频较低的内容。通过上述分析过程，将标签与TF-IDF方法融合，计算公式为：

式中：fij表示信息加权函数；M表示总文档数；mi表示出现特征xi的文档数；Wj表示文本。设置某一特征项信息的标签为xj，根据上述公式融合特征项标签，得到对应的权重为：

式中：xfij代表标签xj被使用的次数；M表示总数据量；m表示触发过标签的数据量；Wi表示标签集合。标签的权重取值范围在[0，1]内，当标签被频繁触发，说明传感器传输过大量同类内容，对于该标签下的数据相当熟悉。但在整个网络大环境中，传感器还会面对即时性的信息，此类信息传感器接触的相对较少，甚至有的没有接触过，那么无线传感器网络中的节点，对于此类数据没有对应的邻居关系，无法接收邻居消息，增大邻居发现延迟，所以针对即时数据也需要计算对应的权重，加快对所有节点的唤醒速度，快速建立邻居关系从而减少推荐延迟[3]。根据传感器产生的浏览行为，针对收藏页面、保存页面、打印页面、停留时间四项内容建立行为函数，公式为：

公式中：p表示传感器接触过的网络页面；其他函数与上述四项内容按顺序一一对应。当这些函数的值为0时，说明没有对该页面执行数据记录，反之则记录了该页面的数据。结合以上公式，得到特征项xj的权重为：

公式中：P表示包含特征项xj的页面集合。将权重标签的大小控制在[0，1]内，归一化处理后的特征项标签对应的权重为：

公式中：X表示特征项的集合。通过上述方法对稳定性数据与即时性数据建立标签，让传感器通信范围内的节点间快速建立邻居关系，从而为个性化推荐提供更大的主动性。

1.2 云计算模式融合与实时更新标签

无线传感器网络执行庞大的数据传输工作，尽管设置了不同的特征项标签，也还是会影响节点之间建立邻居关系的速度，利用云计算模式融合同属性标签并实时更新。已知云数据信息交互过程中，每一个簇头节点具备初始数据感知能力，根据标签实施分派，而后通过数据采集、相邻节点身份认证、多通道通信等步骤实现数据的传输工作。假设簇头节点的信息导码通过下列公式获得：

公式中：K表示簇头总数；sat表示阶段函数；S(ω)表示权重为ω的Sink节点；α表示邻居标签的特征相似度；η表示信息流特征；g1、g2分别表示稳定和即时数据数量。假设定量论域是精准的，则任意一个连通的云数据可通过G=(V，E，S)描述，其中V表示全部节点的总和；E表示期望、熵等参数的全局定义；S表示Sink节点[4]。整合云数据特征项，通过提取云数据的熵融合特征、分区预处理熵融合特征，实现云计算模式对海量标签的融合。定义信息数据节点的信息为(ai，bi)，以空间采样分簇重构的方式得到X的空间结构，式为：

按照间隔粒度划分空间结构，针对分区特征集提取同一类节点的信息熵，式为：

通过上述公式得到信息熵，实现对标签的融合。同样根据空间结构对特征进行混合匹配，从而达到实时更显标签的目的。云计算模式构建的簇头相异粒度数据矩阵为：

综合云自身的特殊性以及数据的相似性，以模糊计算为原则，设置标签匹配模式，实时更新标签，帮助邻居节点之间快速识别与关联。式为：

通过上述融合与匹配过程，实时更新特征项标签，加快节点之间建立关联，强化对节点的唤醒操作。

1.3 考虑时序性的个性化推荐

在获得实时标签的基础上，利用聚类技术按照位置的远近处理标签，将位置近的标签和位置远的标签划分到不同的簇中，这样在个性化推荐过程中能缩减项目搜索范围，在考虑时序性的条件下，能改进算法的推荐效率。聚类过程如图1所示。

图1 聚类流程

根据实时标签的聚类结果，将BP模型与RNN模型融合使用，解决个性化推荐过程中产生的时间序列问题。假设用户行为在短期内发生频繁变化，此时的特征项标签也随之改变，利用反向传播算法（BP）在接收输入数据与产生输出数据之间，根据一定程度的误差反向传播，更新网络内部的各种参数，该误差值为：

公式中：J表示损失函数，用来描述误差；R表示隐藏层；c表示神经元的偏置。循环神经网络（RNN）具有可多次交互数据的能力，可以根据交互次数设置网络空间层次，每一空间层代表一次交互过程。将二者融合使用，建立混合推荐模型。已知网络的输入是实际值，输出是预测值，输入向量的长度等于项目总数，所以让BP与RNN分享相同的输出层，合并输出层后产生单一结果。则存在：

式中：b(J)i、b(J)0i分别表示合并输出层和随机输出层的产出结果[5]。假设RNN的单元数为E，则传感器推荐某一内容的概率为：

上述公式无需手动操作，而是通过神经网络训练实现，通过网络层对数据的不断采集、更新、匹配，实现微机械传感器的个性化推荐工作。

2 测试与分析

2.1 测试环境

本次测试选用的设备配置Intel Pentium 4处理器，操作系统为Windows XP，包括200G硬盘和4G内存。利用Java语言模拟实现，将带有微机械传感器的设备与互联网平台之间建立连接，检查网络是否稳定。利用SimPy设计一个针对离散事件的仿真框架，该软件以生成器为基础模拟实体，也就是将微机械传感器的节点看作生成器，仿真个性化推荐操作。

2.2 评价标准

根据推荐质量评价结果，判断本文算法是否具有实用性；根据响应时间评价结果，判断本文算法是否在短时间内能唤醒网络通信节点；根据平均发现延迟评价结果，判断本文算法是否能够快速建立邻居关系；根据节点能耗评价结果，判断本文算法是否能够主动唤醒更多节点，将额外能量开销降至最低。推荐质量的评价将平均绝对偏差MAE作为衡量指标，所得的值越小越能说明算法具有较高的推荐质量。该值的计算公式为：

式中：Ai、Bi分别表示用户评分的预测集合和实际集合。响应时间用RT表示，也就是目标发出推荐请求与传感器产生推荐的时刻差值，计算式为：

式中：t1表示发出推荐请求的时刻；t2表示产生推荐结果的时刻。平均发现延迟用RTT表示，计算公式如下：

式中：t0、t3表示客户端的发包与收包时间；t1、t2表示节点的发包与收包时间。设置每个节点平均能耗为E，则式为：

公式中：k为常数；d表示一跳的距离；i表示节点数，且i＞2。测试设置2个对照组，分别为协同推荐算法和混合推荐算法。以对比测试的方法比较三组方法在四组指标上的评价差异，根据测试结果比较不同算法的性能。

2.3 云模式的应用

本文方法根据推荐者、被推荐者和推荐目标三项参数，在特征项标签的基础上，利用云计算模式融合与实时更新标签，如图2所示。

图2 云模式的应用

在融合同类型标签的基础上，通过实时更新标签获取实时数据，保证标签都是不重叠的。本文研究的算法在此基础上推荐个性化数据。

2.4 结果与分析

2.4.1 推荐质量测试

将本文算法与两组传统算法分别应用到同一型号的设备中，已知设备的微机械传感器型号相同。利用该设备查询信息，利用式(14)评价三组算法的推荐质量，结果如图3所示。

图3 推荐质量测试结果

根据上图显示的结果可知，三组方法的平均绝对偏差MAE均处于0.5以下，但本文算法的评价结果比两组算法分别低了0.21和0.19，说明本文算法的个性化推荐质量更高。

2.4.2 响应时间测试

根据式(15)计算三组算法的响应时间，结果如图4所示。

图4 响应时间测试结果

根据图4显示的结果可知，本文算法的响应时间RT最短，面对500个通信网络节点时，平均响应时间比协同推荐算法和混合推荐算法分别减少了24.1s和19.8s，说明本文算法在短时间内，能快速唤醒更多传感器网络通信节点。

2.4.3 延迟对比

已知传感器网络的能量有限，通常情况下的网络节点会随时进入睡眠状态，比较三组算法的平均发现延迟，根据式(16)得到的结果，绘制图5所示的实验结果。

图5 平均延迟测试结果

根据上述评价结果可知，在同样的测试条件下，随着节点数量的增加，本文算法的平均发现延迟RTT稳定在31～33s之间，协同推荐算法和混合推荐算法的平均发现延迟，分别在31～38s和31～40s之间，说明本文算法在快速响应的基础上，将通信节点之间迅速建立邻居关系，能够以最快速度进入到工作状态。

2.4.4 能耗对比

利用式(17)评价节点能耗并绘制实验图，如图6所示。

图6 节点能耗测试结果

根据图6显示的评价结果可知，面对越来越多的节点数目，本文算法能够将节点能耗E始终控制在2.0×103以下，而协同推荐算法和混合推荐算法的节点能耗，随着节点数目的增加而逐渐增多，说明本文方法能够用最小的能耗唤醒更多的节点，将额外能量开销降至最低。

3 结语

随着互联网、互联网技术的飞速发展，网络资源变得更加复杂、多样，如何从海量的数据中快速获取目标信息，满足不同使用用户的需求，是现阶段研究的重点问题。面对信息过载这一现状，本文算法以推荐的及时性为研究目标，利用更多智能技术实现了对现有推荐算法的优化。但此次研究还存在不足，这种算法的及时性能得到提升，但对于推荐数据的准确性还有待验证。今后在时间充沛的情况下，可以评价推荐内容的准确性，完善该算法的其他性能。