劉紅英

（廣州工商學(xué)院，廣州 510850）

0 引言

微電子技術(shù)不斷提高的背景下，微機(jī)械傳感器也取得了較為優(yōu)秀的成果。目前微機(jī)械傳感器被深入研究，截止到目前，微機(jī)械傳感器的類型大致分為七種，分別為微機(jī)械陀螺、微氣體傳感器、微機(jī)械溫度傳感器、微機(jī)械壓力傳感器、微加速度傳感器、微流量傳感器和其他微機(jī)械傳感器[1]。這些傳感器被廣泛應(yīng)用到化學(xué)以及醫(yī)學(xué)等行業(yè)當(dāng)中，通過應(yīng)用到材料、設(shè)備等環(huán)節(jié)上，優(yōu)化數(shù)據(jù)傳輸與技術(shù)控制效果，具有極大的應(yīng)用前景。為了進(jìn)一步掌握微機(jī)械傳感器的應(yīng)用方法，針對微機(jī)械傳感器提出不同的個(gè)性化推薦算法[2]。這些現(xiàn)有的推薦算法被應(yīng)用到各大網(wǎng)絡(luò)以及設(shè)備中，盡管能夠取得一定成果，但在及時(shí)性上還不夠完善，需要進(jìn)一步優(yōu)化。云模式是將云計(jì)算與搜索引擎結(jié)合使用的新技術(shù)，具有一站式解決問題的綜合能力，針對云模式的特點(diǎn)研究全新的微機(jī)械傳感器個(gè)性化推薦算法。

1 基于云模式的微機(jī)械傳感器個(gè)性化推薦算法

1.1 設(shè)置特征項(xiàng)標(biāo)簽

標(biāo)準(zhǔn)的特征項(xiàng)標(biāo)簽?zāi)軌蛞愿尤娴姆绞奖磉_(dá)傳遞信息，能夠讓無線傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)之間快速識(shí)別，建立不同關(guān)聯(lián)度的鄰居關(guān)系。當(dāng)微機(jī)械傳感器傳輸穩(wěn)定的數(shù)據(jù)，也就是常規(guī)內(nèi)容的數(shù)據(jù)時(shí)，設(shè)置常規(guī)內(nèi)容與其對應(yīng)的權(quán)重分別為xi和ωi，采用信息加權(quán)技術(shù)TF-IDF，衡量傳感器中數(shù)據(jù)的重要程度。其中TF用于描述詞頻，該數(shù)值越大越能說明內(nèi)容出現(xiàn)的次數(shù)越多，有較高的重要性；IDF用于描述反文檔頻率，也就是出現(xiàn)次數(shù)較少導(dǎo)致詞頻較低的內(nèi)容。通過上述分析過程，將標(biāo)簽與TF-IDF方法融合，計(jì)算公式為：

式中：fij表示信息加權(quán)函數(shù)；M表示總文檔數(shù)；mi表示出現(xiàn)特征xi的文檔數(shù)；Wj表示文本。設(shè)置某一特征項(xiàng)信息的標(biāo)簽為xj，根據(jù)上述公式融合特征項(xiàng)標(biāo)簽，得到對應(yīng)的權(quán)重為：

式中：xfij代表標(biāo)簽xj被使用的次數(shù)；M表示總數(shù)據(jù)量；m表示觸發(fā)過標(biāo)簽的數(shù)據(jù)量；Wi表示標(biāo)簽集合。標(biāo)簽的權(quán)重取值范圍在[0，1]內(nèi)，當(dāng)標(biāo)簽被頻繁觸發(fā)，說明傳感器傳輸過大量同類內(nèi)容，對于該標(biāo)簽下的數(shù)據(jù)相當(dāng)熟悉。但在整個(gè)網(wǎng)絡(luò)大環(huán)境中，傳感器還會(huì)面對即時(shí)性的信息，此類信息傳感器接觸的相對較少，甚至有的沒有接觸過，那么無線傳感器網(wǎng)絡(luò)中的節(jié)點(diǎn)，對于此類數(shù)據(jù)沒有對應(yīng)的鄰居關(guān)系，無法接收鄰居消息，增大鄰居發(fā)現(xiàn)延遲，所以針對即時(shí)數(shù)據(jù)也需要計(jì)算對應(yīng)的權(quán)重，加快對所有節(jié)點(diǎn)的喚醒速度，快速建立鄰居關(guān)系從而減少推薦延遲[3]。根據(jù)傳感器產(chǎn)生的瀏覽行為，針對收藏頁面、保存頁面、打印頁面、停留時(shí)間四項(xiàng)內(nèi)容建立行為函數(shù)，公式為：

公式中：p表示傳感器接觸過的網(wǎng)絡(luò)頁面；其他函數(shù)與上述四項(xiàng)內(nèi)容按順序一一對應(yīng)。當(dāng)這些函數(shù)的值為0時(shí)，說明沒有對該頁面執(zhí)行數(shù)據(jù)記錄，反之則記錄了該頁面的數(shù)據(jù)。結(jié)合以上公式，得到特征項(xiàng)xj的權(quán)重為：

公式中：P表示包含特征項(xiàng)xj的頁面集合。將權(quán)重標(biāo)簽的大小控制在[0，1]內(nèi)，歸一化處理后的特征項(xiàng)標(biāo)簽對應(yīng)的權(quán)重為：

公式中：X表示特征項(xiàng)的集合。通過上述方法對穩(wěn)定性數(shù)據(jù)與即時(shí)性數(shù)據(jù)建立標(biāo)簽，讓傳感器通信范圍內(nèi)的節(jié)點(diǎn)間快速建立鄰居關(guān)系，從而為個(gè)性化推薦提供更大的主動(dòng)性。

1.2 云計(jì)算模式融合與實(shí)時(shí)更新標(biāo)簽

無線傳感器網(wǎng)絡(luò)執(zhí)行龐大的數(shù)據(jù)傳輸工作，盡管設(shè)置了不同的特征項(xiàng)標(biāo)簽，也還是會(huì)影響節(jié)點(diǎn)之間建立鄰居關(guān)系的速度，利用云計(jì)算模式融合同屬性標(biāo)簽并實(shí)時(shí)更新。已知云數(shù)據(jù)信息交互過程中，每一個(gè)簇頭節(jié)點(diǎn)具備初始數(shù)據(jù)感知能力，根據(jù)標(biāo)簽實(shí)施分派，而后通過數(shù)據(jù)采集、相鄰節(jié)點(diǎn)身份認(rèn)證、多通道通信等步驟實(shí)現(xiàn)數(shù)據(jù)的傳輸工作。假設(shè)簇頭節(jié)點(diǎn)的信息導(dǎo)碼通過下列公式獲得：

公式中：K表示簇頭總數(shù)；sat表示階段函數(shù)；S(ω)表示權(quán)重為ω的Sink節(jié)點(diǎn)；α表示鄰居標(biāo)簽的特征相似度；η表示信息流特征；g1、g2分別表示穩(wěn)定和即時(shí)數(shù)據(jù)數(shù)量。假設(shè)定量論域是精準(zhǔn)的，則任意一個(gè)連通的云數(shù)據(jù)可通過G=(V，E，S)描述，其中V表示全部節(jié)點(diǎn)的總和；E表示期望、熵等參數(shù)的全局定義；S表示Sink節(jié)點(diǎn)[4]。整合云數(shù)據(jù)特征項(xiàng)，通過提取云數(shù)據(jù)的熵融合特征、分區(qū)預(yù)處理熵融合特征，實(shí)現(xiàn)云計(jì)算模式對海量標(biāo)簽的融合。定義信息數(shù)據(jù)節(jié)點(diǎn)的信息為(ai，bi)，以空間采樣分簇重構(gòu)的方式得到X的空間結(jié)構(gòu)，式為：

按照間隔粒度劃分空間結(jié)構(gòu)，針對分區(qū)特征集提取同一類節(jié)點(diǎn)的信息熵，式為：

通過上述公式得到信息熵，實(shí)現(xiàn)對標(biāo)簽的融合。同樣根據(jù)空間結(jié)構(gòu)對特征進(jìn)行混合匹配，從而達(dá)到實(shí)時(shí)更顯標(biāo)簽的目的。云計(jì)算模式構(gòu)建的簇頭相異粒度數(shù)據(jù)矩陣為：

綜合云自身的特殊性以及數(shù)據(jù)的相似性，以模糊計(jì)算為原則，設(shè)置標(biāo)簽匹配模式，實(shí)時(shí)更新標(biāo)簽，幫助鄰居節(jié)點(diǎn)之間快速識(shí)別與關(guān)聯(lián)。式為：

通過上述融合與匹配過程，實(shí)時(shí)更新特征項(xiàng)標(biāo)簽，加快節(jié)點(diǎn)之間建立關(guān)聯(lián)，強(qiáng)化對節(jié)點(diǎn)的喚醒操作。

1.3 考慮時(shí)序性的個(gè)性化推薦

在獲得實(shí)時(shí)標(biāo)簽的基礎(chǔ)上，利用聚類技術(shù)按照位置的遠(yuǎn)近處理標(biāo)簽，將位置近的標(biāo)簽和位置遠(yuǎn)的標(biāo)簽劃分到不同的簇中，這樣在個(gè)性化推薦過程中能縮減項(xiàng)目搜索范圍，在考慮時(shí)序性的條件下，能改進(jìn)算法的推薦效率。聚類過程如圖1所示。

圖1 聚類流程

根據(jù)實(shí)時(shí)標(biāo)簽的聚類結(jié)果，將BP模型與RNN模型融合使用，解決個(gè)性化推薦過程中產(chǎn)生的時(shí)間序列問題。假設(shè)用戶行為在短期內(nèi)發(fā)生頻繁變化，此時(shí)的特征項(xiàng)標(biāo)簽也隨之改變，利用反向傳播算法（BP）在接收輸入數(shù)據(jù)與產(chǎn)生輸出數(shù)據(jù)之間，根據(jù)一定程度的誤差反向傳播，更新網(wǎng)絡(luò)內(nèi)部的各種參數(shù)，該誤差值為：

公式中：J表示損失函數(shù)，用來描述誤差；R表示隱藏層；c表示神經(jīng)元的偏置。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）具有可多次交互數(shù)據(jù)的能力，可以根據(jù)交互次數(shù)設(shè)置網(wǎng)絡(luò)空間層次，每一空間層代表一次交互過程。將二者融合使用，建立混合推薦模型。已知網(wǎng)絡(luò)的輸入是實(shí)際值，輸出是預(yù)測值，輸入向量的長度等于項(xiàng)目總數(shù)，所以讓BP與RNN分享相同的輸出層，合并輸出層后產(chǎn)生單一結(jié)果。則存在：

式中：b(J)i、b(J)0i分別表示合并輸出層和隨機(jī)輸出層的產(chǎn)出結(jié)果[5]。假設(shè)RNN的單元數(shù)為E，則傳感器推薦某一內(nèi)容的概率為：

上述公式無需手動(dòng)操作，而是通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)，通過網(wǎng)絡(luò)層對數(shù)據(jù)的不斷采集、更新、匹配，實(shí)現(xiàn)微機(jī)械傳感器的個(gè)性化推薦工作。

2 測試與分析

2.1 測試環(huán)境

本次測試選用的設(shè)備配置Intel Pentium 4處理器，操作系統(tǒng)為Windows XP，包括200G硬盤和4G內(nèi)存。利用Java語言模擬實(shí)現(xiàn)，將帶有微機(jī)械傳感器的設(shè)備與互聯(lián)網(wǎng)平臺(tái)之間建立連接，檢查網(wǎng)絡(luò)是否穩(wěn)定。利用SimPy設(shè)計(jì)一個(gè)針對離散事件的仿真框架，該軟件以生成器為基礎(chǔ)模擬實(shí)體，也就是將微機(jī)械傳感器的節(jié)點(diǎn)看作生成器，仿真?zhèn)€性化推薦操作。

2.2 評價(jià)標(biāo)準(zhǔn)

根據(jù)推薦質(zhì)量評價(jià)結(jié)果，判斷本文算法是否具有實(shí)用性；根據(jù)響應(yīng)時(shí)間評價(jià)結(jié)果，判斷本文算法是否在短時(shí)間內(nèi)能喚醒網(wǎng)絡(luò)通信節(jié)點(diǎn)；根據(jù)平均發(fā)現(xiàn)延遲評價(jià)結(jié)果，判斷本文算法是否能夠快速建立鄰居關(guān)系；根據(jù)節(jié)點(diǎn)能耗評價(jià)結(jié)果，判斷本文算法是否能夠主動(dòng)喚醒更多節(jié)點(diǎn)，將額外能量開銷降至最低。推薦質(zhì)量的評價(jià)將平均絕對偏差MAE作為衡量指標(biāo)，所得的值越小越能說明算法具有較高的推薦質(zhì)量。該值的計(jì)算公式為：

式中：Ai、Bi分別表示用戶評分的預(yù)測集合和實(shí)際集合。響應(yīng)時(shí)間用RT表示，也就是目標(biāo)發(fā)出推薦請求與傳感器產(chǎn)生推薦的時(shí)刻差值，計(jì)算式為：

式中：t1表示發(fā)出推薦請求的時(shí)刻；t2表示產(chǎn)生推薦結(jié)果的時(shí)刻。平均發(fā)現(xiàn)延遲用RTT表示，計(jì)算公式如下：

式中：t0、t3表示客戶端的發(fā)包與收包時(shí)間；t1、t2表示節(jié)點(diǎn)的發(fā)包與收包時(shí)間。設(shè)置每個(gè)節(jié)點(diǎn)平均能耗為E，則式為：

公式中：k為常數(shù)；d表示一跳的距離；i表示節(jié)點(diǎn)數(shù)，且i＞2。測試設(shè)置2個(gè)對照組，分別為協(xié)同推薦算法和混合推薦算法。以對比測試的方法比較三組方法在四組指標(biāo)上的評價(jià)差異，根據(jù)測試結(jié)果比較不同算法的性能。

2.3 云模式的應(yīng)用

本文方法根據(jù)推薦者、被推薦者和推薦目標(biāo)三項(xiàng)參數(shù)，在特征項(xiàng)標(biāo)簽的基礎(chǔ)上，利用云計(jì)算模式融合與實(shí)時(shí)更新標(biāo)簽，如圖2所示。

圖2 云模式的應(yīng)用

在融合同類型標(biāo)簽的基礎(chǔ)上，通過實(shí)時(shí)更新標(biāo)簽獲取實(shí)時(shí)數(shù)據(jù)，保證標(biāo)簽都是不重疊的。本文研究的算法在此基礎(chǔ)上推薦個(gè)性化數(shù)據(jù)。

2.4 結(jié)果與分析

2.4.1 推薦質(zhì)量測試

將本文算法與兩組傳統(tǒng)算法分別應(yīng)用到同一型號(hào)的設(shè)備中，已知設(shè)備的微機(jī)械傳感器型號(hào)相同。利用該設(shè)備查詢信息，利用式(14)評價(jià)三組算法的推薦質(zhì)量，結(jié)果如圖3所示。

圖3 推薦質(zhì)量測試結(jié)果

根據(jù)上圖顯示的結(jié)果可知，三組方法的平均絕對偏差MAE均處于0.5以下，但本文算法的評價(jià)結(jié)果比兩組算法分別低了0.21和0.19，說明本文算法的個(gè)性化推薦質(zhì)量更高。

2.4.2 響應(yīng)時(shí)間測試

根據(jù)式(15)計(jì)算三組算法的響應(yīng)時(shí)間，結(jié)果如圖4所示。

圖4 響應(yīng)時(shí)間測試結(jié)果

根據(jù)圖4顯示的結(jié)果可知，本文算法的響應(yīng)時(shí)間RT最短，面對500個(gè)通信網(wǎng)絡(luò)節(jié)點(diǎn)時(shí)，平均響應(yīng)時(shí)間比協(xié)同推薦算法和混合推薦算法分別減少了24.1s和19.8s，說明本文算法在短時(shí)間內(nèi)，能快速喚醒更多傳感器網(wǎng)絡(luò)通信節(jié)點(diǎn)。

2.4.3 延遲對比

已知傳感器網(wǎng)絡(luò)的能量有限，通常情況下的網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)隨時(shí)進(jìn)入睡眠狀態(tài)，比較三組算法的平均發(fā)現(xiàn)延遲，根據(jù)式(16)得到的結(jié)果，繪制圖5所示的實(shí)驗(yàn)結(jié)果。

圖5 平均延遲測試結(jié)果

根據(jù)上述評價(jià)結(jié)果可知，在同樣的測試條件下，隨著節(jié)點(diǎn)數(shù)量的增加，本文算法的平均發(fā)現(xiàn)延遲RTT穩(wěn)定在31～33s之間，協(xié)同推薦算法和混合推薦算法的平均發(fā)現(xiàn)延遲，分別在31～38s和31～40s之間，說明本文算法在快速響應(yīng)的基礎(chǔ)上，將通信節(jié)點(diǎn)之間迅速建立鄰居關(guān)系，能夠以最快速度進(jìn)入到工作狀態(tài)。

2.4.4 能耗對比

利用式(17)評價(jià)節(jié)點(diǎn)能耗并繪制實(shí)驗(yàn)圖，如圖6所示。

圖6 節(jié)點(diǎn)能耗測試結(jié)果

根據(jù)圖6顯示的評價(jià)結(jié)果可知，面對越來越多的節(jié)點(diǎn)數(shù)目，本文算法能夠?qū)⒐?jié)點(diǎn)能耗E始終控制在2.0×103以下，而協(xié)同推薦算法和混合推薦算法的節(jié)點(diǎn)能耗，隨著節(jié)點(diǎn)數(shù)目的增加而逐漸增多，說明本文方法能夠用最小的能耗喚醒更多的節(jié)點(diǎn)，將額外能量開銷降至最低。

3 結(jié)語

隨著互聯(lián)網(wǎng)、互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)資源變得更加復(fù)雜、多樣，如何從海量的數(shù)據(jù)中快速獲取目標(biāo)信息，滿足不同使用用戶的需求，是現(xiàn)階段研究的重點(diǎn)問題。面對信息過載這一現(xiàn)狀，本文算法以推薦的及時(shí)性為研究目標(biāo)，利用更多智能技術(shù)實(shí)現(xiàn)了對現(xiàn)有推薦算法的優(yōu)化。但此次研究還存在不足，這種算法的及時(shí)性能得到提升，但對于推薦數(shù)據(jù)的準(zhǔn)確性還有待驗(yàn)證。今后在時(shí)間充沛的情況下，可以評價(jià)推薦內(nèi)容的準(zhǔn)確性，完善該算法的其他性能。