基于用戶行為分析和LDA模型的數字媒體推薦系統的設計與實現

李散散

摘 ?要： 為了提高數字媒體推薦能力，提出基于用戶行為分析和LDA模型的數字媒體推薦系統的設計方法。構建數字媒體推薦的大數據信息采集和項目分布模型，采用關聯規則調度的方法，提取數字媒體的用戶行為本體特征，建立數字媒體推薦的用戶行為特征檢測模型。在LDA模型中，進行數字媒體推薦的模糊決策調度和特征映射處理，結合模糊C均值聚類方法，進行數字媒體推薦中用戶行為特征的自適應聚類，計算數字媒體用戶行為的聯合信息熵，根據熵權分布進行數字媒體推薦模型的算法優化設計。在B/S構架體系下進行數字媒體推薦系統的軟件開發設計，仿真實驗結果表明，采用該方法進行數字媒體推薦的準確性較高，誤差較小，提高了數字媒體推薦的實時性和滿意度水平。

關鍵詞： 數字媒體推薦系統; 用戶行為分析; LDA模型; 行為特征提取; 信息采集; 自適應聚類

中圖分類號： TN911.1?34; TP391 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）07?0146?04

Design and implementation of digital media recommendation system

based on user behavior analysis and LDA model

LI Sansan

（Department of Computer Science and Engineering， Guangzhou College of Technology and Business， Guangzhou 510850， China）

Abstract： In order to improve the ability of digital media recommendation， a design method of digital media recommendation system based on user behavior analysis and LDA model is proposed. The big data information collection and item distribution model for digital media recommendation is constructed. The ontology features of user behavior of digital media are extracted with association rule scheduling method. The user behavior feature detection model for digital media recommendation is established. The fuzzy decision scheduling and feature mapping processing of digital media recommendation are carried out in LDA model. The adaptive clustering of user behavior feature in digital media recommendation is performed by combining fuzzy C?means clustering method. The joint information entropy of digital media user behavior is calculated. The algorithm optimization design of digital media recommendation model is conducted according to the entropy weight distribution. The software development and design of digital media recommendation system are carried out in the architecture system of B/S， and the simulation results show that the method for digital media recommendation has high accuracy and small error， which has improved the real?time performance and satisfaction level of digital media recommendation.

Keywords： digital media recommendation system; user behavior analysis; LDA model; behavior feature extraction; signal acquisition; self?adaptive clustering

0 ?引 ?言

隨著數字媒體技術的發展，大量的數字媒體信息通過網絡傳播，數字媒體中的音視頻資源以及圖像資源在傳播過程中受到用戶的偏好影響，需要進行優化調度，建立數字媒體的智能推薦模型。采用數字化的交互平臺進行數字媒體推薦系統設計，提高了數字媒體的服務質量水平[1]，研究數字媒體推薦系統的優化設計方法，結合大數據挖掘和資源的調度進行數字媒體的智能推薦，提高了數字媒體交互平臺的信息融合和自適應推薦能力。對數字媒體的信息推薦是建立在對數字媒體信息的挖掘和用戶行為特征檢測的基礎上，通過構建數字媒體的大數據信息檢測和融合模型[2]，將各類型的數字媒體信息融合到網絡空間中，形成多媒體組網下的數字媒體信息交互平臺，本文提出基于用戶行為分析和LDA模型的數字媒體推薦系統的設計方法。首先，構建數字媒體推薦的大數據信息采集模型;然后，建立數字媒體推薦的用戶行為特征檢測模型，在LDA模型中進行數字媒體推薦;最后，進行仿真實驗分析，展示了本文方法在提高數字媒體推薦能力方面的優越性能。

1 ?數字媒體推薦的大數據分析

1.1 ?數字媒體推薦的項目分布

為了實現數字媒體的智能推薦，需要首先構建數字媒體推薦的大數據信息采集模型，采用關聯規則調度的方法提取數字媒體的用戶行為特征量[3]，并對推薦結果進行評分預測。假設數字媒體的推薦訓練樣本為[{（x1，y1），（x2，y2），…，（xn，yn）}]，其中，現用戶偏好的最近鄰集合[xi∈Rn]，表示數字媒體推薦的歷史行為數據，結合用戶行為的偏好進行語義本體重建[4]，得到數字媒體的個性化推薦的演化目標函數為：

[minimize 12w2+Ci=1n（ξi+ξ*i）s.t. ? ?yi-（wΦ（xi）+b）≤ε-ξi ? ? ? ? ?（wΦ（xi）+b）-yi≤ε-ξ*i ? ? ? ? ?ξi，ξ*i≥0， ? ?i=1，2，…，n;C>0] （1）

式中：[ξi]和[ξ*i]表示用戶行為信息獲取的維度及差異特征量。

采用協同過濾算法進行用戶集合和項目集合的關聯性特征檢測，建立數字媒體推薦的混合核函數，其表達式為：

[Kmin=βKpoly+（1-β）Krbf， β∈（0，1）] （2）

式中，[Kpoly=[（x?xi）+1]2]，表示數字媒體推薦過程中的個性化演化特征分布函數。提取數字媒體的用戶行為特征量，采用模糊關聯規則調度的方法進行用戶行為分析和本體結構映射[5]，結合互信息檢測的方法進行用戶行為推薦。根據用戶在瀏覽網站時的行為特征，構建數字媒體的聯合推薦的模糊決策模型，得到模糊決策函數為：

[flg?M（z）=（flg（z），flg?x（z），flg?y（z））=（flg（z），hx?flg（z），hy?flg（z））] ? ? （3）

式中[flg（z）]表示數字媒體推薦的用戶項目評分值。根據共同評分的項目分布，進行數字媒體大數據信息采集。

1.2 ?用戶行為本體特征提取

在推薦系統中，采用相似度計算方法進行關聯規則調度，提取數字媒體的用戶行為本體特征，建立數字媒體推薦的行為特征量[6]，計算數字媒體推薦的聯合信息熵特征，表示為：

[JInTB=2JSNsincπΔfTC×i=0N-1cicos2πΔfTCnN+i+12+φj] （4）

基于標簽的個性化推薦方法，進行數字媒體的用戶行為特征檢測[7]，得到數字媒體推薦的聯合分布概率密度函數描述為：

[fT1，T2，…，Tn（t1，t2，…，tn）=cFT1（t1），FT2（t2），…，FTn（tn）i=1nfTi（ti） =2π-n2Σ-12exp-12FT（t）-μ′Σ-1FT（t）-μ?i=1nfTi（ti） ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（5）]

式中：[FTt=（F1t， F2（t），…，FNt）]，基于個性化推薦的方法，建立數字媒體用戶行為特征的元數據表達模型，采用C均值聚類方法進行用戶行為本體特征提取[8]，得到數字媒體用戶行為特征檢測的關聯規則分布集描述為：

采用協同過濾推薦的方法進行數字媒體個性化推薦過程的自適應學習，以[C]為數字媒體用戶行為推薦的融合度因子，將信任關系信息加入到推薦模型中[9]，得到數字媒體個性化推薦的語義本體函數為：

[f（x）=i=1n（αi-α*i）K（xi，xj）+b] ? ? ? （7）

式中：[αi]和[α*i]表示數字媒體個性化推薦的標簽語義特征量;[K（xi，xj）]是模糊核函數;[b]表示用戶集合和項目集合的推薦門限。根據上述分析，構建數字媒體用戶行為本體特征提取模型，根據特征提取結果進行數字媒體的調度和優化推薦[10]。

2 ?數字媒體推薦算法優化

2.1 ?用戶行為特征檢測

在上述構建數字媒體推薦的大數據信息采集和項目分布模型的基礎上，進行數字媒體推薦系統的優化設計。本文提出基于用戶行為分析和LDA模型的數字媒體推薦系統的設計方法。采用關聯規則調度的方法提取數字媒體的用戶行為本體特征，提取數字媒體的用戶行為的本體信息，采用模糊語義相關性檢測的方法[11]進行數字媒體推薦過程中的優化調度，得到用戶行為的量化評估特征集為：

[FZλt0k=pT1+T2+…+Tn≤λt0k=…ft1，t2 ，…，tnZ≤λt0k ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?dt1dt2…dtn] （8）

[FZt0k=pT1+T2+…+Tn≤t0k=…ft1，t2 ，…，tnZ≤t0k ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?dt1dt2…dtn] （9）

式中[Z=T1+T2+…+Tn]，建立數字媒體推薦的用戶行為特征檢測模型，根據用戶行為的結構特征進行數字媒體學習用戶的行為特征分析[12]，建立數字媒體推薦的判決函數為：

[f（x）=SINR-20exp-0.21Dd=1Dx2d-exp1Dd=1Dcos（2πxd）] ? ?（10）

式中[SINR]為數字媒體推薦的檢測閾值。對特征向量進行聚類，構建用戶行為特征的演化分布模型，采用相似性度量方法得到推薦的規則函數為：

[ ? Simsgt+Δt=fSAmsgt，S1msgt，…，Snmsgt，S1ctxtt，…，Snctxtt， ? ? ? ? ? ? ? ? ? ? ? ? ? ?i∈A，1，2，…，nSictxtt+Δt=fSActxtt，S1ctxtt，…，Snctxtt， ? ? ? ? ? ? ? ? ? ? ? ? ? ?i∈A，1，2，…，n]（11）

采用相似度計算的方法進行推薦過程中的用戶行為特征集的模糊調度，實現用戶行為特征檢測[13]。

2.2 ?數字媒體推薦的LDA模型

結合模糊C均值聚類方法進行數字媒體推薦中用戶行為特征的自適應聚類，計算數字媒體用戶行為的聯合信息熵，聯合信息熵分布時間序列為[x（t）]，[t=0，1，2，…，n-1]，在關聯規則約束規則下，得到數字媒體推薦的聯合概率分布函數為：

[Ecv（c1，c2）=μ?Length（C）+v?Area（inside（C））+ ? ? ? ?λ1inside（C）I-c12dxdy+λ2outside（C）I-c22dxdy] （12）

式中：[c1]和[c2]分別表示數字媒體推薦的個性化演化特征系數;[Length（C）]表示待推薦的數字媒體行為信息的長度;[Area（inside（C））]表示區域分布;第[i]個類的數字媒體推薦的模糊隸屬度特征量記為[CF=F，Q，n，RT1，RT2，RW]。在LDA模型中進行數字媒體推薦的模糊決策調度[14]，得到LDA尋優模型如圖1所示。

根據上述構建的數字媒體推薦的LDA模型，進行自適應尋優，實現數字媒體推薦的LDA模型設計，提高推薦的準確性[15]。

3 ?系統的軟件開發設計與實現

在上述進行數字媒體推薦系統的算法設計基礎上，進行數字媒體推薦系統的軟件設計。在物聯網技術環境下建立數字媒體推薦的信息調度模型，采用模糊關聯規則調度的方法進行數字媒體推薦過程匯總的信息調度。在ZigBee組網協議下建立數字媒體推薦系統的網絡中心，采用ZigBee和GPRS等網絡組網方法進行數字媒體推薦系統的網絡模塊化開發設計，基于TCP/IP進行數字媒體推薦系統的總線開發[16]，建立數字媒體推薦系統的TCP/IP服務器或UPD服務器。采用MySQL構建數字媒體管理數據庫，在B/S結構體系下進行數字媒體推薦系統的網絡設計，得到數字媒體推薦的網絡控制模塊如圖2所示。

根據網絡開發協議，采用IEEE 802.15.4協議標準進行推薦系統的B/S構架體系設計，通過VME總線或局部總線傳輸技術進行數字媒體推薦系統的軟件體系開發，實現流程如圖3所示。

4 ?仿真實驗分析

在實驗中，采用Matlab 7進行數字媒體推薦系統的測試，結合Visual C++進行數字媒體推薦算法開發，數字媒體信息的采樣時間長度設定為120 ms，數據規模集為2 000，統計樣本序列的寬度為[ρSM=50]，采樣幅值[ASM=6]，關聯維度[DSM=5]，嵌入式延遲[Cm=1]，自適應空間采樣頻率[gNa=3]，其他參數設定[gT=5]，[ENa=50]，[EK=-90]，[EL=-70]，[ET=120]。根據上述參數設定，構建數字媒體推薦的大數據信息采集和項目分布模型，得到原始的數字媒體信息采集如圖4所示。

以圖4采樣的數字媒體信息為測試對象，在LDA模型中進行數字媒體推薦的模糊決策調度和特征映射處理，結合模糊C均值聚類方法進行數字媒體推薦中用戶行為特征的自適應聚類，實現數字媒體推薦，得到推薦精度對比輸出如圖5所示。

測試推薦的召回率，得到對比結果見表1。分析得知，本文方法進行數字媒體推薦的準確性較好，召回率較高。

5 ?結 ?語

研究數字媒體推薦系統的優化設計方法，結合大數據挖掘和資源的調度，進行數字媒體的智能推薦，提高了數字媒體交互平臺的信息融合和自適應推薦能力。本文提出基于用戶行為分析和LDA模型的數字媒體推薦系統的設計方法。采用關聯規則調度的方法提取數字媒體的用戶行為本體特征，建立數字媒體推薦的用戶行為特征檢測模型。在LDA模型中進行數字媒體推薦的模糊決策調度和特征映射處理，結合模糊C均值聚類方法進行數字媒體推薦中用戶行為特征的自適應聚類，根據熵權分布進行數字媒體推薦模型的算法優化設計。采用IEEE 802.15.4協議標準進行推薦系統的B/S構架體系設計，實現推薦系統優化設計。研究得知，本文方法進行數字媒體推薦的精度較高，召回率較好。

參考文獻

[1] 楊豐瑞，鄭云俊，張昌.結合概率矩陣分解的混合型推薦算法[J].計算機應用，2018，38（3）：644?649.

[2] DURAO F， DOLOG P. Improving tag?based recommendation with the collaborative value of Wiki pages for knowledge sharing [J]. Journal of ambient intelligence humanized computing， 2014， 5（1）： 21?38.

[3] 張付志，劉賽，李忠華，等.融合用戶評論和環境信息的協同過濾推薦算法[J].小型微型計算機系統，2014，35（2）：228?232.

[4] 張永，李卓然，劉小丹.基于主動學習SMOTE的非均衡數據分類[J].計算機應用與軟件，2012，29（3）：91?93.

[5] BULUT E， SZYMANSKI B K. Friendship based routing in delay tolerant mobile social networks [C]// Proceedings of 2010 IEEE Global Telecommunications Conference. Miami， Florida， US： IEEE， 2010： 1?5.

[6] BULUT E， SZYMANSKI B K. Exploiting friendship relations for efficient routing in mobile social networks [J]. IEEE transactions on parallel and distributed systems， 2012， 23（12）： 2254?2265.

[7] 湯可宗，肖絢，賈建華，等.基于離散式多樣性評價策略的自適應粒子群優化算法[J].南京理工大學學報，2013，37（3）：344?349.

[8] 張鵬飛，王宜貴，張志軍.融合標簽和多元信息的個性化推薦算法研究[J].計算機工程與應用，2019，55（5）：159?165.

[9] 郭磊，馬軍，陳竹敏，等.一種結合推薦對象間關聯關系的社會化推薦算法[J].計算機學報，2014，37（1）：219?228.

[10] 涂丹丹，舒承椿，余海燕.基于聯合概率矩陣分解的上下文廣告推薦算法[J].軟件學報，2013，24（3）：454?464.

[11] 孟祥武，劉樹棟，張玉潔，等.社會化推薦系統研究[J].軟件學報，2015，26（6）：1356?1372.

[12] FANG H， BAO Y， ZHANG J. Leveraging decomposed trust in probabilistic matrix factorization for effective recommendation [C]// Proceedings of the 28th AAAI Conference on Artificial Intelligence. Qubec City， Canada： AAAI， 2014： 30?36.

[13] YAHYAOUI H， AL?MUTAIRI A. A feature?based trust sequence classification algorithm [J]. Information science， 2016， 328： 455?484.

[14] 吳錚，于洪濤，劉樹新，等.基于信息熵的跨社交網絡用戶身份識別方法[J].計算機應用，2017，37（8）：2374?2380.

[15] 劉東，吳泉源，韓偉紅，等.基于用戶名特征的用戶身份同一性判定方法[J].計算機學報，2015，38（10）：2028?2040.

[16] ROEDLER R， KERGL D， RODOSEK G D. Profile matching across online social networks based on Geo?tags [C]// Procee?dings of the 7th World Congress on Nature and Biologically Inspired Computing. Berlin： Springer?Verlag， 2016： 417?428.