摘 要 ：随着互联网技术的快速发展,个性化推荐系统在网站的用户粘性和用户体验方面发挥着重要作用。为提高网站针 对性推荐的准确度与效率,提出结合过滤算法的网站针对性推荐模型。通过对用户行为数据进行深入分析,结合协同过滤算法 对网站数据进行整合及深度挖掘。同时,通过相似度匹配更加准确地确定用户偏好,进行网站信息的针对性推荐。经过实验对 比,基于过滤算法的网站针对性推荐模型比其他算法模型所需推荐时间更短,针对性推荐准确度更高,利于网站提升用户粘性 与用户满意度。
0 引言
随着互联网技术的飞速发展,互联网用户面对海量 网站信息往往会产生无所适从的感觉。如何建立针对性 的网站内容推荐系统,帮助用户快捷高效地浏览符合 其自身偏好的网站信息,成为业内重点关注的问题 [1-3]。 传统的网站针对性推荐系统由于新用户的冷启动以及网 络数据的稀疏性,通常无法更加准确地结合用户需求进 行针对性的网站内容推荐。基于此,提出结合过滤算法 的网站针对性推荐模型,通过用户偏好的深度挖掘以及 网络信息内容的整合, 进行针对性的网络内容推荐 [4]。以期最大程度地提升网站用户满意度,快捷准确地推荐 符合用户偏好的内容。
1 网站数据采集及分析
1.1 网站数据采集
通过网站客户端的用户交互,如收藏、浏览、评分以 及点击等,对用户非隐私性的数据行为进行采集分析 [5]。 同时,结合用户的针对性特征数据,如性别、职业以及 年龄等,构建特征数据集。网站针对性推荐的数据特征 采集流程如图 1 所示。
图 1 中, 网站针对性推荐的数据采集流程包括数据端以及客户端两个部分。其中,数据端分为多个大小不 一的存储数据块,用来对收集的数据进行存储维护,便 于结合数据特征进行针对性的数据推荐。客户端中的网 络历史数据监测通过 Java 实现 ;网络数据传输模块首 先对数据特征进行归一化处理,而后通过 Aspose 控件 进行网络数据传输 ;数据信息整合模块对归一化得到的 特征数据信息进行添加、查询、修改以及删除等一系列 操作 [6] ;数据信息接收模块对特征数据信息进行重新整 合,保证数据分类清晰高效。
1.2 网站数据的整合及深度挖掘
网站用户数据采集完成后,经过进一步的预处理, 结合数据挖掘技术做出更深度的分析。通过对用户偏好 以及历史行为的分析,对用户的隐性特征进行提取,从 而依据不同的偏好相似度确定相应的用户集合,进行针 对性推荐 [7.8]。当数据挖掘完成之后,依据数据特征进 行修正、规范以及匹配等数据调整,完成数据的整合。 数据整合过程中,将不符合数据匹配需求的数据舍弃, 对符合数据匹配需求的数据进行分模块存储,完成整合 过程。其具体流程如图 2 所示。
2 基于过滤算法的网站针对性模型
2.1 网站针对性模型框架
网站针对性推荐模型的整体框架搭建如图 3 所示。
图 3 中,网站数据采集模块对用户的页面点击、浏 览、评论、收藏以及评分等进行采集,同时,采集用户 注册时的基本信息以及用户提供的兴趣偏好等。数据预 处理模块将收集的网站用户数据进行整合,对异常值、 噪声数据以及缺失值进行处理,便于后续的特征提取以 及数据分析 [9]。用户特征分析基于用户行为数据以及用 户注册的个人信息数据进行特征向量的提取,主要的数 据特征包括内容偏好、用户活跃的时间段、用户的兴趣 偏好等。项目特征分析则是针对网站内容进行分析,以 便进一步对网站内容进行划分,具体按照发布时间、作 者、关键词、内容类别等进行实际项目分析。过滤算法 融合将协同过滤算法与内容过滤融合,以实现网站内容 的针对性推荐。其中,协同过滤算法将用户特征以及用 户间的相互作用作为基础依据,通过相似度对比完成针 对性推荐。结合过滤算法,保证网站内容针对性推荐的 高效性以及准确性 [10]。针对性推荐模块依据算法的相 似度判定,生成针对性推荐列表,以用户行为偏好为依 据,以保证用户满意度最高 [11.12]。
2.2 基于过滤算法的相似度评分
2.2.1 独立项目评分
网站数据信息中,部分独立项目不属于任何数据集 内,首先对这部分项目进行预测评分。设存在网站用户 a 与用户 b,均对数据集 Qa,b 进行了评分, Qa,b 如式(1) 所示 ：
式 (1) 中, Qa 与 Qb 分别表示用户 a 与用户 b 在相 同数据集中给出的评分集合。针对用户 a,在评分集合 Qa,b 中该用户未进行评分的项目如式(2)所示 ：
结合式 (1) 与式 (2),依据相似度对用户 a 在各类目 标项目中的评分进行计算。相似度的计算公式如式 (3) 所示 ：式 (3) 中, 用户 a 与用户 b 对应的相似度表示为 sim(a,b),用户 a 对项目 k 的评分表示为 rk(a),平均评 分表示为 rk (a) ;用户 b 对项目 k 的评分表示为 rk(b), 平均评分表示为 rk (b)。
依据相似度对项目评分降序排列,设临近阈值为L, 那么对于项目集 k,用户 a 最终的评分计算公式如式(4)所示 ：
所有网站用户针对项目集合 m 以及项目集合 k 的平均预测评分分别表示为 Cm 与 Ck 。依据式 (4), 对所有用户的项目评分进行计算,得到不同项目的用户 评分集合。
2.2.2 剩余项目评分
通过式 (3) 对用户 a 以及用户 b 对其他项目的相似 度进行计算,以得到独立项目之外的其他数据集合的 针对性推荐相似度,建立相应的针对性推荐项目数据 集。而后将网站的全体用户作为研究目标构建网站用户 集合,按照相似度进行组合排列,并设定不同用户之间 相似度的最大阈值为 J。那么对于网站中的项目 k 而言, 针对用户 a 其对应的推荐评分求取公式如式(5)所示 ：
式 (5) 中, Ua 为用户 a 对网站不同项目的评分集合。 通过式 (5) 对不同用户的网站评分进行计算,并依据不 同项目的评分等级进行降序排列。按照阈值 J 将排名靠 前的项目列入用户的针对性推荐列表中,实现网站内容 的针对性推荐。
3 实验设计及分析
3.1 实验设计
为对针对性推荐模型进行验证,选择某视频网站 作为数据集进行最优推荐验证。数据集包括网站信息 1500 个,网站用户 780 名,用户针对不同信息的反馈 评分为 45000 条。评分等级分为 1 ～ 10 分,共 10 个 等级。网站用户的评分等级越高,则该用户对项目的偏 好程度越高。用户信息、评价等级以及视频项目分类统 计如表 1 所示。
为对针对性推荐的准确性以及相关性进行研究,选 择误差平方(SSE)、渐进效率(AVS)作为评价指标进行对比验证。其中误差平方为预期评分与实际评分的误 差平方和,其值趋近 0 时,表示针对性推荐结果准确, 误差小。渐进效率表示对数值进行自由度整合的能力, 趋近 1 时表示整合能力强。
3.2 实验结果分析
通过与粒子群算法模型以及 K-mean 聚类算法模型 进行对比实验,比较协同过滤算法的网站针对性模型的 优越性。将该网站的用户数据进行区域划分,并分析不 同区域的用户数据推荐情况,得到的评价指标对比结果 如图 4 所示。
图 4 中, 基于过滤算法的网站针对性推荐模型的误 差平方值为 0.032. 粒子群算法的误差平方值为 0.326. K-means 聚类的误差平方值为 0.281 ;渐进效率上,协 同过滤算法的值为 0.968. 粒子群算法的值为 0.776.K-means 聚类的值为 0.654.相比之下,协同过滤算法 的网站针对性推荐准确性更高,同时整合效率更好。
同时,对不同算法的信息推荐效率进行对比, 对比 结果如图 5 所示。
图 5 中,在针对性推荐项目个数相同的情况下,协 同过滤算法比其他两种算法所需推荐时间均较少,也即 推荐效率相对较高。同时,随着针对性推荐项目数量的 增长,推荐时间均出现不同程度的增加。相比之下,协 同过滤算法的时间增加更慢,增长幅度更低。
4 结语
基于结合协同过滤算法,构建网站针对性推荐模 型。首先,搭建基于用户偏好并结合用户注册信息的深 度挖掘框架,以保证更加准确有效地分析用户需求。然 后,基于协同过滤算法,分析互联网用户对不同网站项 目内容的评分等级,结合相似度匹配进行更有效的评分 计算。将基于协同过滤算法的网站针对性推荐模型与粒 子群算法模型以及 K-mean 聚类算法模型进行对比实 验。实验结果表明,基于协同过滤算法的网站针对性推荐模型的误差平方和更小,渐进效率更趋近 1.也即该 模型针对性推荐的准确度较高,同时具有更好的数据整 合性能。同时,对针对性推荐的效率进行对比实验,基 于协同过滤算法的网站针对性模型可以在更短时间内进 行更多的针对性信息推荐。
参考文献
[1] 李敬明,程家兴,张伟,等.基于改进协同过滤算法的图书网站 个性化推荐模型构建研究[J].长春师范大学学报,2016,35(2): 40-45.
[2] 司品印,齐亚莉,王晶.基于协同过滤算法的个性化电影推荐 系统的实现[J].北京印刷学院学报,2023,31(6):45-52.
[3] 李婷,张瑞芳,郭克华.面向个性化网站的增量协同过滤推荐 方法[J].计算机工程与应用,2019,55(4):225-232.
[4] 黄梅娟.协同过滤算法在个性化就业推荐系统中研究[J].电 脑知识与技术,2015,11(8):20-22.
[5] 孙晓娟,千博,王圣涛.基于协同过滤算法的IT书籍推荐系统 设计与实现[J].软件导刊,2017,16(4):70-73.
[6] 钟克吟.基于标签与协同过滤算法的学术资源推荐系统的构 建[J].图书馆理论与实践,2014(9):80-82.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
可解释性是一个非常重要的标准。机器学习模型... 详细>>
如何设计有效的环境治理政策, 是学术界和政策... 详细>>
