基于云模式的微機械傳感器個性化推薦算法研究

劉紅英

（廣州工商學院，廣州 510850）

0 引言

微電子技術不斷提高的背景下，微機械傳感器也取得了較為優秀的成果。目前微機械傳感器被深入研究，截止到目前，微機械傳感器的類型大致分為七種，分別為微機械陀螺、微氣體傳感器、微機械溫度傳感器、微機械壓力傳感器、微加速度傳感器、微流量傳感器和其他微機械傳感器[1]。這些傳感器被廣泛應用到化學以及醫學等行業當中，通過應用到材料、設備等環節上，優化數據傳輸與技術控制效果，具有極大的應用前景。為了進一步掌握微機械傳感器的應用方法，針對微機械傳感器提出不同的個性化推薦算法[2]。這些現有的推薦算法被應用到各大網絡以及設備中，盡管能夠取得一定成果，但在及時性上還不夠完善，需要進一步優化。云模式是將云計算與搜索引擎結合使用的新技術，具有一站式解決問題的綜合能力，針對云模式的特點研究全新的微機械傳感器個性化推薦算法。

1 基于云模式的微機械傳感器個性化推薦算法

1.1 設置特征項標簽

標準的特征項標簽能夠以更加全面的方式表達傳遞信息，能夠讓無線傳感器網絡中的節點之間快速識別，建立不同關聯度的鄰居關系。當微機械傳感器傳輸穩定的數據，也就是常規內容的數據時，設置常規內容與其對應的權重分別為xi和ωi，采用信息加權技術TF-IDF，衡量傳感器中數據的重要程度。其中TF用于描述詞頻，該數值越大越能說明內容出現的次數越多，有較高的重要性；IDF用于描述反文檔頻率，也就是出現次數較少導致詞頻較低的內容。通過上述分析過程，將標簽與TF-IDF方法融合，計算公式為：

式中：fij表示信息加權函數；M表示總文檔數；mi表示出現特征xi的文檔數；Wj表示文本。設置某一特征項信息的標簽為xj，根據上述公式融合特征項標簽，得到對應的權重為：

式中：xfij代表標簽xj被使用的次數；M表示總數據量；m表示觸發過標簽的數據量；Wi表示標簽集合。標簽的權重取值范圍在[0，1]內，當標簽被頻繁觸發，說明傳感器傳輸過大量同類內容，對于該標簽下的數據相當熟悉。但在整個網絡大環境中，傳感器還會面對即時性的信息，此類信息傳感器接觸的相對較少，甚至有的沒有接觸過，那么無線傳感器網絡中的節點，對于此類數據沒有對應的鄰居關系，無法接收鄰居消息，增大鄰居發現延遲，所以針對即時數據也需要計算對應的權重，加快對所有節點的喚醒速度，快速建立鄰居關系從而減少推薦延遲[3]。根據傳感器產生的瀏覽行為，針對收藏頁面、保存頁面、打印頁面、停留時間四項內容建立行為函數，公式為：

公式中：p表示傳感器接觸過的網絡頁面；其他函數與上述四項內容按順序一一對應。當這些函數的值為0時，說明沒有對該頁面執行數據記錄，反之則記錄了該頁面的數據。結合以上公式，得到特征項xj的權重為：

公式中：P表示包含特征項xj的頁面集合。將權重標簽的大小控制在[0，1]內，歸一化處理后的特征項標簽對應的權重為：

公式中：X表示特征項的集合。通過上述方法對穩定性數據與即時性數據建立標簽，讓傳感器通信范圍內的節點間快速建立鄰居關系，從而為個性化推薦提供更大的主動性。

1.2 云計算模式融合與實時更新標簽

無線傳感器網絡執行龐大的數據傳輸工作，盡管設置了不同的特征項標簽，也還是會影響節點之間建立鄰居關系的速度，利用云計算模式融合同屬性標簽并實時更新。已知云數據信息交互過程中，每一個簇頭節點具備初始數據感知能力，根據標簽實施分派，而后通過數據采集、相鄰節點身份認證、多通道通信等步驟實現數據的傳輸工作。假設簇頭節點的信息導碼通過下列公式獲得：

公式中：K表示簇頭總數；sat表示階段函數；S(ω)表示權重為ω的Sink節點；α表示鄰居標簽的特征相似度；η表示信息流特征；g1、g2分別表示穩定和即時數據數量。假設定量論域是精準的，則任意一個連通的云數據可通過G=(V，E，S)描述，其中V表示全部節點的總和；E表示期望、熵等參數的全局定義；S表示Sink節點[4]。整合云數據特征項，通過提取云數據的熵融合特征、分區預處理熵融合特征，實現云計算模式對海量標簽的融合。定義信息數據節點的信息為(ai，bi)，以空間采樣分簇重構的方式得到X的空間結構，式為：

按照間隔粒度劃分空間結構，針對分區特征集提取同一類節點的信息熵，式為：

通過上述公式得到信息熵，實現對標簽的融合。同樣根據空間結構對特征進行混合匹配，從而達到實時更顯標簽的目的。云計算模式構建的簇頭相異粒度數據矩陣為：

綜合云自身的特殊性以及數據的相似性，以模糊計算為原則，設置標簽匹配模式，實時更新標簽，幫助鄰居節點之間快速識別與關聯。式為：

通過上述融合與匹配過程，實時更新特征項標簽，加快節點之間建立關聯，強化對節點的喚醒操作。

1.3 考慮時序性的個性化推薦

在獲得實時標簽的基礎上，利用聚類技術按照位置的遠近處理標簽，將位置近的標簽和位置遠的標簽劃分到不同的簇中，這樣在個性化推薦過程中能縮減項目搜索范圍，在考慮時序性的條件下，能改進算法的推薦效率。聚類過程如圖1所示。

圖1 聚類流程

根據實時標簽的聚類結果，將BP模型與RNN模型融合使用，解決個性化推薦過程中產生的時間序列問題。假設用戶行為在短期內發生頻繁變化，此時的特征項標簽也隨之改變，利用反向傳播算法（BP）在接收輸入數據與產生輸出數據之間，根據一定程度的誤差反向傳播，更新網絡內部的各種參數，該誤差值為：

公式中：J表示損失函數，用來描述誤差；R表示隱藏層；c表示神經元的偏置。循環神經網絡（RNN）具有可多次交互數據的能力，可以根據交互次數設置網絡空間層次，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。已知網絡的輸入是實際值，輸出是預測值，輸入向量的長度等于項目總數，所以讓BP與RNN分享相同的輸出層，合并輸出層后產生單一結果。則存在：

式中：b(J)i、b(J)0i分別表示合并輸出層和隨機輸出層的產出結果[5]。假設RNN的單元數為E，則傳感器推薦某一內容的概率為：

上述公式無需手動操作，而是通過神經網絡訓練實現，通過網絡層對數據的不斷采集、更新、匹配，實現微機械傳感器的個性化推薦工作。

2 測試與分析

2.1 測試環境

本次測試選用的設備配置Intel Pentium 4處理器，操作系統為Windows XP，包括200G硬盤和4G內存。利用Java語言模擬實現，將帶有微機械傳感器的設備與互聯網平臺之間建立連接，檢查網絡是否穩定。利用SimPy設計一個針對離散事件的仿真框架，該軟件以生成器為基礎模擬實體，也就是將微機械傳感器的節點看作生成器，仿真個性化推薦操作。

2.2 評價標準

根據推薦質量評價結果，判斷本文算法是否具有實用性；根據響應時間評價結果，判斷本文算法是否在短時間內能喚醒網絡通信節點；根據平均發現延遲評價結果，判斷本文算法是否能夠快速建立鄰居關系；根據節點能耗評價結果，判斷本文算法是否能夠主動喚醒更多節點，將額外能量開銷降至最低。推薦質量的評價將平均絕對偏差MAE作為衡量指標，所得的值越小越能說明算法具有較高的推薦質量。該值的計算公式為：

式中：Ai、Bi分別表示用戶評分的預測集合和實際集合。響應時間用RT表示，也就是目標發出推薦請求與傳感器產生推薦的時刻差值，計算式為：

式中：t1表示發出推薦請求的時刻；t2表示產生推薦結果的時刻。平均發現延遲用RTT表示，計算公式如下：

式中：t0、t3表示客戶端的發包與收包時間；t1、t2表示節點的發包與收包時間。設置每個節點平均能耗為E，則式為：

公式中：k為常數；d表示一跳的距離；i表示節點數，且i＞2。測試設置2個對照組，分別為協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上的評價差異，根據測試結果比較不同算法的性能。

2.3 云模式的應用

本文方法根據推薦者、被推薦者和推薦目標三項參數，在特征項標簽的基礎上，利用云計算模式融合與實時更新標簽，如圖2所示。

圖2 云模式的應用

在融合同類型標簽的基礎上，通過實時更新標簽獲取實時數據，保證標簽都是不重疊的。本文研究的算法在此基礎上推薦個性化數據。

2.4 結果與分析

2.4.1 推薦質量測試

將本文算法與兩組傳統算法分別應用到同一型號的設備中，已知設備的微機械傳感器型號相同。利用該設備查詢信息，利用式(14)評價三組算法的推薦質量，結果如圖3所示。

圖3 推薦質量測試結果

根據上圖顯示的結果可知，三組方法的平均絕對偏差MAE均處于0.5以下，但本文算法的評價結果比兩組算法分別低了0.21和0.19，說明本文算法的個性化推薦質量更高。

2.4.2 響應時間測試

根據式(15)計算三組算法的響應時間，結果如圖4所示。

圖4 響應時間測試結果

根據圖4顯示的結果可知，本文算法的響應時間RT最短，面對500個通信網絡節點時，平均響應時間比協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間內，能快速喚醒更多傳感器網絡通信節點。

2.4.3 延遲對比

已知傳感器網絡的能量有限，通常情況下的網絡節點會隨時進入睡眠狀態，比較三組算法的平均發現延遲，根據式(16)得到的結果，繪制圖5所示的實驗結果。

圖5 平均延遲測試結果

根據上述評價結果可知，在同樣的測試條件下，隨著節點數量的增加，本文算法的平均發現延遲RTT穩定在31～33s之間，協同推薦算法和混合推薦算法的平均發現延遲，分別在31～38s和31～40s之間，說明本文算法在快速響應的基礎上，將通信節點之間迅速建立鄰居關系，能夠以最快速度進入到工作狀態。

2.4.4 能耗對比

利用式(17)評價節點能耗并繪制實驗圖，如圖6所示。

圖6 節點能耗測試結果

根據圖6顯示的評價結果可知，面對越來越多的節點數目，本文算法能夠將節點能耗E始終控制在2.0×103以下，而協同推薦算法和混合推薦算法的節點能耗，隨著節點數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點，將額外能量開銷降至最低。

3 結語

隨著互聯網、互聯網技術的飛速發展，網絡資源變得更加復雜、多樣，如何從海量的數據中快速獲取目標信息，滿足不同使用用戶的需求，是現階段研究的重點問題。面對信息過載這一現狀，本文算法以推薦的及時性為研究目標，利用更多智能技術實現了對現有推薦算法的優化。但此次研究還存在不足，這種算法的及時性能得到提升，但對于推薦數據的準確性還有待驗證。今后在時間充沛的情況下，可以評價推薦內容的準確性，完善該算法的其他性能。