摘? 要：為解決傳統(tǒng)的算法中忽視的問題，選擇更適合用戶的興趣模型，降低分析準確度較低的方式，為此提出了用戶興趣建模支持下的行為推薦算法特性分析，基于特征維度的選擇，以及特性影響因子的求解，完成了推薦算法特性分析影響因子的計算;基于行為推薦算法樣本集的確定，實現(xiàn)了行為推薦算法的特性分析，試驗數(shù)據(jù)表明，提出的推薦算法特性分析較傳統(tǒng)分析方法，分析準確率提高13.68%。適用于不同用戶興趣建模支持下的行為推薦。

關(guān)鍵詞：興趣建模;用戶行為;推薦算法;特性分析

中圖分類號：TP301. 6? ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）09-0011-03

0? 引? 言

隨著科技技術(shù)與網(wǎng)絡(luò)技術(shù)的快速發(fā)展，興趣點的選擇成為滿足用戶個性化需求、減輕信息超載問題的重要手段。然而，已有的興趣點推薦算法采用通過矩陣分解運算找到興趣點的推薦算法，把簽到頻率數(shù)據(jù)和傳統(tǒng)推薦系統(tǒng)中的評分數(shù)據(jù)同樣看待[1]，使用高斯分布的推薦模型建模，對用戶的簽到行為次數(shù)進行數(shù)據(jù)整理的同時忽視用戶簽到數(shù)據(jù)的隱含內(nèi)容以及反饋屬性的變化。為解決以上問題，需要更好地選擇用戶興趣建模支持下的行為推薦算法，并根據(jù)不同的特點進行分析。電子商務(wù)系統(tǒng)規(guī)模的轉(zhuǎn)變使得消費者的需求日益復(fù)雜化，傳統(tǒng)的推薦算法難以提供讓消費者滿意的推薦服務(wù)。對此，本文從分析反映消費者偏好的行為特征入手，依托提取用戶興趣特征模型，基于用戶興趣特征提取的推薦算法，從算法中分析存在的特性。

1? 推薦算法特性分析影響因子的計算

1.1? 特征維度的選擇

特征維度的劃分是按照用戶對于興趣建模的特點進行創(chuàng)造和建立，算法中的矩陣排列方式按照用戶的興趣程度進行劃分，通過相近性的用戶對未檢測到的商品興趣度值，分析用戶對未檢測商品的興趣度值。通過這項計算和分析發(fā)現(xiàn)，用戶對于商品的瀏覽和興趣程度存在著三個方面的特征。分別表現(xiàn)為：其一，用戶的喜好存在著轉(zhuǎn)換性，這些特征表現(xiàn)在用戶對不同商品的喜愛度和興趣度上，如果用戶對于商品喜愛的程度發(fā)生轉(zhuǎn)換，那么興趣度會有所降低;其二，用戶對興趣度極高的商品的點擊瀏覽網(wǎng)頁程度會高速增加，若既定的時間，用戶瀏覽商品的數(shù)量減少，長久地停留在瀏覽某一物品上，點擊其他的商品的次數(shù)有所減少，那么用戶對這種商品的興趣度會相應(yīng)地增加，對與之相似的商品的興趣度也會增加[2];其三，對用戶信息的調(diào)查顯示，其所在年齡階段、性別的取向、性格的特征，都會不同程度地影響其對于商品的興趣度以及對于商品的點擊率。

1.2  特性影響因子的求解

在計算過程中，先設(shè)置用戶的數(shù)值為u，商品的總體設(shè)置為w，未瀏覽的商品設(shè)置為q，點擊率為n，已經(jīng)瀏覽過的商品總體設(shè)置為Iw，則N=Iw，任意挑選的商品集合為a∈Iw，預(yù)設(shè)用戶對于喜愛的商品的興趣度，那么在商品集合Iw中找到商品w和n，對于瀏覽中的商品表示出的用戶興趣度，找到傳統(tǒng)的推薦算法的相似過程計算出物品w和n之間存在的關(guān)系。其存在關(guān)系的公式表示為[3]：p=w×u/Iw，在此式中，p表示用戶u和w對任意挑選商品喜愛程度的集合。在目標用戶的w的總體數(shù)量上找到興趣度相關(guān)的用戶集合I={I1，I2，I3，…，Ia}，算式表現(xiàn)方式為a∈I，根據(jù)算式m=sim（a/Ik）/q呈現(xiàn)方式如下：sim（a，I1）>sim（a，I2）>…>sim（a，Ik），這則算式則表示為用戶推算出相近用戶的特性影響因子求解[4]。q作為具體數(shù)值的用戶和具體數(shù)值的相近用戶對于商品平均性的興趣程度值，sim（a，I）是對于用戶和相近用戶存在的關(guān)系問題的表達，m表示相近用戶對于商品的興趣度值。

2? 行為推薦算法的特性分析流程

2.1? 行為推薦算法樣本集的確定

行為推薦算法樣本集是根據(jù)特征維度，以及特性影響因子的確定，利用用戶興趣建模支持檢測出用戶對商品的有效瀏覽率、遺忘因子、總瀏覽時間、有效瀏覽時間的有效集合，行為推薦算法樣本集，在不同鄰近用戶個數(shù)下，由于用戶興趣的轉(zhuǎn)移對樣本集具有一定影響。行為推薦算法樣本集越小，用戶檢測的概率越高，那么推薦的精度就越精確，表明根據(jù)這樣的興趣提取推薦算法運用，可以精確地掌握用戶對該商品的切實的感受和興趣，檢測出用戶對于不同商品興趣的差異性，根據(jù)這些差異性做出精確的推測，測定數(shù)值越小，則測試得越精準，推薦系數(shù)也就越高[5]。通過檢測來驗證提出的推薦算法具有較高的推薦精度和效率，也就表明算法有著較高的精確性。

行為推薦算法樣本集的判斷，是根據(jù)對鄰近用戶的瀏覽信息做出興趣性的分析，設(shè)通過算法測試用戶對m個商品的興趣度值分別為{q1，q2，…，qm}，鄰近用戶對同樣的m個商品的真實的興趣度值為{n1，n2，…，nm}，運用絕對偏差公式，當用戶的興趣度對物品的感受越高時，鄰近用戶的喜愛程度和興趣度也會偏高，在這樣的一種形式下，通過用戶的測試算法就能夠推算出鄰近用戶的喜愛商品以及對選擇商品的點擊率，求出行為推薦算法樣本集，如式（1）所示：

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

針對采集鄰近信息項目，進而通過對目標用戶的訪問鄰近次數(shù)，進行項目測評分，實現(xiàn)對目標用戶在沒有訪問項目的測評分測量。在上述推薦過程中，評分得出的數(shù)值是實現(xiàn)推薦的重要方式，無論在歷史評分的產(chǎn)生時間中存在的差別，還是在推薦中所起的作用都是相等的。而在推薦系統(tǒng)的實際應(yīng)用中我們可以發(fā)現(xiàn)，隨著推薦系統(tǒng)對用戶的了解相對增加，鄰近用戶的點擊率也就會增加，興趣度的提高也會伴隨著對商品瀏覽的增加。在一定的需求、興趣方面也會隨之發(fā)生或強烈或細微的變化，描述用戶在不同時期興趣的差異也較為明顯，以此用戶對于興趣概念的轉(zhuǎn)移問題也隨之產(chǎn)生。對歷史評分的作用進行區(qū)分是其他推薦算法并未曾有過的視角方向，選取這樣的操作方式，可以使得用戶評分數(shù)不斷增加，準確性方面有所提高，對于鄰近用戶的了解也有所增長。

2.2? 實現(xiàn)行為推薦算法的特性分析

實現(xiàn)行為推薦算法的特性分析表現(xiàn)在，通過建立數(shù)學(xué)模型提取用戶興趣的特性和偏好，確定特征維度針對特性影響因子進行求解，分析行為推薦算法樣本集并在此基礎(chǔ)上構(gòu)建用戶對于各式各類的商品的興趣度體系表;通過與設(shè)定用戶的喜好相近性的鄰近用戶對商品的興趣度預(yù)測，針對不同類型的目標用戶對未瀏覽商品產(chǎn)生的興趣，從而達到為不同用戶提供最適合、最滿意的推薦服務(wù)的目的，其行為推薦算法的特性分析流程示意圖如圖1所示：

通過運用個性化的推薦算法來有效地推算出用戶對于商品購買的點擊率以及瀏覽頁面的所占比重，以此作為展開推薦算法合理運用的方式，無論是在計算上還是對于數(shù)據(jù)的處理等方面，都能夠充分地將用戶的所需詳盡、清楚地通過算式表達出來，能夠推測出用戶對于某一些物品的喜歡程度和發(fā)現(xiàn)的興趣，從而采取最具個性化的展示方式，實現(xiàn)用戶興趣建模支持下的行為推薦算法特性分析。

3? 試驗驗證

為了保證提出的行為推薦算法特性分析過程的分析準確性，進行實驗驗證，采用傳統(tǒng)的行為推薦算法特性分析過程作為實驗驗證對比的對象，利用仿真實驗的方式，進行對比實驗。

實驗過程中，模擬不同用戶興趣建模支持下的推薦算法特性分析過程。為了模擬實驗方便，隨機選取4名用戶，分別為1號用戶、2號用戶、3號用戶、4號用戶。在同一名用戶下進行兩種興趣建模支持下的行為推薦。利用傳統(tǒng)的行為推薦算法特性分析過程，以及提出的行為推薦算法特性分析過程，分別對同一編號用戶進行興趣建模支持下的行為推薦，得出實驗數(shù)據(jù)，將對兩種興趣建模支持下行為推薦的實驗數(shù)據(jù)進行準確性對比。根據(jù)實驗對比結(jié)果可以得出，在不同用戶興趣建模支持下，利用提出的行為推薦算法特性分析過程，能夠較為準確地分析不同用戶在興趣建模支持下的行為，并進行準確推薦。經(jīng)計算得出，傳統(tǒng)行為推薦算法特性分析準確性為77.91%，提出的行為推薦算法特性分析準確性為91.59%。

由此可得，在對用戶興趣建模支持下的推薦中，應(yīng)用提出的行為推薦算法特性分析，較傳統(tǒng)的行為推薦算法特性分析準確性提高13.68%。選取興趣提取的推薦算法，是通過用戶對商品的喜愛度，對用戶對哪些種類商品存在的興趣進行更好地預(yù)測，與過去傳統(tǒng)的方式存在較大的不同，用戶興趣的檢測精確度高，因此能夠避免用戶對商品進行盲目的選擇，使其有目的性地瀏覽商品，由此收集用戶對于瀏覽商品的信息，預(yù)測用戶的喜愛度，這樣能通過用戶的喜愛度為其提供相應(yīng)的服務(wù)，使得精準度更加適宜、實用。經(jīng)過這樣的一種推算手段，能夠在第一時間了解用戶的喜好，為用戶推薦相近或者類似的商品，提高這類商品的出現(xiàn)率，讓用戶減少不必要的搜索過程，與為其帶來的不必要的麻煩，使在整個瀏覽過程中可以既有效率又有收獲地輕松進行。

4? 結(jié)? 論

本文提出了用戶興趣建模支持下的行為推薦算法特性分析，基于對推薦算法特性分析影響因子的計算，以及行為推薦算法樣本集的確定，實現(xiàn)了行為推薦算法的特性分析。試驗數(shù)據(jù)表明，提出的推薦算法特性分析具有較高的有效性，希望本文的研究能夠為行為推薦算法特性分析提供理論基礎(chǔ)。

參考文獻：

[1] 李朝暉，尹曉博，楊海晶，等.基于改進的k-means聚類算法的季節(jié)性負荷特性分析[J].電網(wǎng)與清潔能源，2018，34（2）：53-59+64.

[2] 蔣正邦，吳浩，程祥，等.基于多元聚類模型與兩階段聚類修正算法的變電站特性分析 [J].電力系統(tǒng)自動化，2018，42（15）：157-163+244.

[3] 張斌，蘇道磊，范建柯，等.基于自適應(yīng)量子遺傳算法對膠東半島地區(qū)乳山震群重定位及構(gòu)造特征分析 [J].地球物理學(xué)進展，2017，32（3）：1080-1088.

[4] 魏港明，劉真，李林峰，等.加入用戶對項目屬性偏好的奇異值分解推薦算法 [J].西安交通大學(xué)學(xué)報，2018，52（5）：101-107.

[5] 劉帆洨，彭其淵，梁宏斌，等.基于PCA-聚類分析的高鐵旅客購票行為特性研究 [J].交通運輸系統(tǒng)工程與信息，2017，17（6）：126-132.

作者簡介：周雪梅（1972.11-），女，漢族，江西宜春人，碩士，副教授，主要研究方向：數(shù)據(jù)挖掘和數(shù)據(jù)分析。