• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    綜合社區(qū)與關(guān)聯(lián)序列挖掘的電子政務(wù)推薦算法

    2017-11-15 06:02:46黃亞坤王明星
    計(jì)算機(jī)應(yīng)用 2017年9期
    關(guān)鍵詞:電子政務(wù)辦事事項(xiàng)

    黃亞坤,王 楊,王明星

    (1.安徽師范大學(xué) 數(shù)學(xué)計(jì)算機(jī)科學(xué)學(xué)院,安徽 蕪湖 241000; 2.安徽訊飛智能科技有限公司,安徽 蕪湖 241000)(*通信作者電子郵箱hyk_it@foxmail.com)

    綜合社區(qū)與關(guān)聯(lián)序列挖掘的電子政務(wù)推薦算法

    黃亞坤1,2*,王 楊1,王明星1

    (1.安徽師范大學(xué) 數(shù)學(xué)計(jì)算機(jī)科學(xué)學(xué)院,安徽 蕪湖 241000; 2.安徽訊飛智能科技有限公司,安徽 蕪湖 241000)(*通信作者電子郵箱hyk_it@foxmail.com)

    個(gè)性化推薦作為一種有效的信息獲取手段已成功應(yīng)用于電商、音樂(lè)和電影等領(lǐng)域。已有研究多數(shù)聚焦于推薦的精度,缺乏對(duì)推薦結(jié)果的多樣性考慮,忽略了應(yīng)用領(lǐng)域中被推薦項(xiàng)目的流程特性(如“互聯(lián)網(wǎng)+政務(wù)”中辦事項(xiàng)的推薦)。為此提出一種綜合用戶社區(qū)與關(guān)聯(lián)序列挖掘(CAS-UC)的電子政務(wù)推薦算法,優(yōu)先向用戶推送利益關(guān)聯(lián)最大的辦事項(xiàng)。首先,對(duì)用戶和辦事項(xiàng)的靜態(tài)基本屬性以及動(dòng)態(tài)行為屬性分別進(jìn)行特征建模;其次,基于用戶的歷史辦事記錄和屬性相似度進(jìn)行用戶社區(qū)發(fā)現(xiàn),預(yù)篩選出與目標(biāo)用戶最為相似的用戶集,提高推薦結(jié)果的多樣性,減少核心推薦過(guò)程的計(jì)算量;最后,辦事項(xiàng)的關(guān)聯(lián)序列挖掘充分考慮了電子政務(wù)的業(yè)務(wù)特性,加入時(shí)間維度的辦事項(xiàng)序列挖掘,進(jìn)一步提高了推薦結(jié)果的精度。以蕪湖市易戶網(wǎng)為平臺(tái)載體,基于Spark計(jì)算平臺(tái)對(duì)用戶脫敏后的信息進(jìn)行仿真,實(shí)驗(yàn)結(jié)果表明,CAS-UC適用于被推薦項(xiàng)目具有序列或流程特性領(lǐng)域的推薦,與傳統(tǒng)推薦算法如協(xié)同過(guò)濾推薦、矩陣分解以及基于語(yǔ)義相似度的推薦算法相比,具有更高的推薦精度,用戶的多社區(qū)歸屬因素增加了推薦結(jié)果的多樣性。

    用戶社區(qū);關(guān)聯(lián)序列挖掘;Spark平臺(tái);多樣性;電子政務(wù)推薦

    0 引言

    隨著以互聯(lián)網(wǎng)為主的信息新技術(shù)在經(jīng)濟(jì)、社會(huì)和生活各部分的擴(kuò)散與應(yīng)用,“互聯(lián)網(wǎng)+政務(wù)”以電子政務(wù)服務(wù)平臺(tái)為基礎(chǔ),以實(shí)現(xiàn)智慧政府為目標(biāo),對(duì)政府組織結(jié)構(gòu)和辦事流程進(jìn)行優(yōu)化重組[1-2]。傳統(tǒng)電子政務(wù)系統(tǒng)缺乏面向用戶個(gè)性化需求的精準(zhǔn)服務(wù),獨(dú)立、多源、異構(gòu)的政務(wù)信息增加了用戶的辦事難度。個(gè)性化推薦系統(tǒng)作為一種有效的信息過(guò)濾手段已在多個(gè)領(lǐng)域中取得良好的反饋,如電商網(wǎng)站[3-4]、音樂(lè)和電影類網(wǎng)站[5-6],通過(guò)分析用戶的瀏覽和購(gòu)買行為,向該用戶推送符合其特征的相關(guān)項(xiàng)目,進(jìn)一步提高了用戶體驗(yàn)。傳統(tǒng)的協(xié)同過(guò)濾推薦算法,如基于內(nèi)容和項(xiàng)目的推薦、基于矩陣分解(Matrix Factorization, MF)以及由其衍生而出的具有偏好的矩陣分解(Preference MF, PMF)算法或結(jié)合上下文的MF(Context MF, CMF)推薦算法已在電商、音樂(lè)和電影等領(lǐng)域推薦取得一定成果。綜合考慮電子政務(wù)辦事項(xiàng)的序列化特征,設(shè)計(jì)出符合電子政務(wù)業(yè)務(wù)特點(diǎn)的推薦算法是構(gòu)建智慧城市的關(guān)鍵技術(shù)之一。

    國(guó)內(nèi)外相關(guān)文獻(xiàn)主要從語(yǔ)義相似度、本體理論以及多角度改進(jìn)的協(xié)同過(guò)濾算法對(duì)電子政務(wù)推薦算法進(jìn)行研究[7-14]。集成語(yǔ)義相似度與協(xié)同過(guò)濾的推薦算法提供準(zhǔn)確性和擴(kuò)展性更高的個(gè)性化推薦服務(wù)。從增強(qiáng)語(yǔ)義信息角度來(lái)看,文獻(xiàn) [7] 結(jié)合FALC模糊描述邏輯語(yǔ)言提出一種模糊語(yǔ)義的推薦服務(wù)來(lái)促進(jìn)電子政務(wù)中的資源信息利用;文獻(xiàn) [8] 設(shè)計(jì)了一種智能貿(mào)易展覽的推薦系統(tǒng),通過(guò)集成語(yǔ)義相似性和傳統(tǒng)的基于項(xiàng)目的協(xié)同過(guò)濾解決電子政務(wù)服務(wù)中唯一項(xiàng)目的推薦問(wèn)題;文獻(xiàn) [9] 基于增強(qiáng)推薦中的混合語(yǔ)義信息提出了一種項(xiàng)目語(yǔ)義相關(guān)性模型,并開(kāi)發(fā)了智能商業(yè)定位器推薦系統(tǒng)原型進(jìn)行驗(yàn)證?;诒倔w理論的相關(guān)算法提供主動(dòng)推送、動(dòng)態(tài)、差異的個(gè)性化推薦。文獻(xiàn) [10] 結(jié)合合肥市政務(wù)信息資源建設(shè)和應(yīng)用實(shí)際,基于個(gè)性化目錄模型和本體理論構(gòu)建具有個(gè)性化、動(dòng)態(tài)化和智能化的電子政務(wù)信息個(gè)性化服務(wù)系統(tǒng)。Al-Hassan等[11]不僅考慮了語(yǔ)義相似性,同時(shí)結(jié)合本體理論提出了一種新的推理本體的語(yǔ)義相似性方法(Inferential Ontology-Based Semantic Similarity, IOBSS)測(cè)量,通過(guò)其顯式分層關(guān)系、共享屬性和隱含關(guān)系來(lái)評(píng)估特定域中項(xiàng)目之間的語(yǔ)義相似性,并使用澳大利亞電子政府旅游服務(wù)的案例驗(yàn)證所提出的混合方法的有效性。此外,還有針對(duì)協(xié)同過(guò)濾進(jìn)行改進(jìn)的相關(guān)推薦算法也在一定程度上提高了電子政務(wù)推薦系統(tǒng)的準(zhǔn)確性[12-14]。Shambour等[14]開(kāi)發(fā)了混合信任增強(qiáng)的協(xié)同過(guò)濾推薦方法(Trust-enhanced Collaborative Filtering, TeCF),其集成了隱式信任過(guò)濾和增強(qiáng)的基于用戶的協(xié)同過(guò)濾(Collaborative Filtering, CF)推薦方法,適用于處理非常稀疏的數(shù)據(jù)集和冷啟動(dòng)用戶。

    電子政務(wù)辦事項(xiàng)的序列化特征難以直接應(yīng)用傳統(tǒng)個(gè)性化推薦算法。已有文獻(xiàn)主要對(duì)推薦算法進(jìn)行改進(jìn)優(yōu)化設(shè)計(jì),缺乏結(jié)合電子政務(wù)辦事項(xiàng)的業(yè)務(wù)特征,進(jìn)而向用戶推薦更精準(zhǔn)的服務(wù)。本文綜合社區(qū)與關(guān)聯(lián)序列挖掘提出了一種個(gè)性化“互聯(lián)網(wǎng)+政務(wù)”推薦算法——CAS-UC(Combining User Community and Associated Sequence mining)。首先,挖掘用戶群社區(qū),對(duì)被推薦用戶進(jìn)行社區(qū)歸屬再進(jìn)行推薦能夠有效增加推薦結(jié)果的多樣性和減少海量用戶、辦事項(xiàng)引入的計(jì)算量;其次,辦事項(xiàng)的關(guān)聯(lián)序列挖掘深入業(yè)務(wù)特點(diǎn),根據(jù)歷史辦事記錄精準(zhǔn)預(yù)測(cè)分析關(guān)聯(lián)性最大的辦事項(xiàng);最后,綜合兩者的計(jì)算結(jié)果優(yōu)化排序向用戶推薦最終結(jié)果集。

    1 CAS-UC 推薦模型

    圖1描述了CAS-UC算法的推薦流程。推薦主要綜合了用戶社區(qū)的預(yù)選推薦集和辦事項(xiàng)的關(guān)聯(lián)挖掘推薦集。數(shù)據(jù)預(yù)處理階段主要是對(duì)用戶和辦事項(xiàng)的原始數(shù)據(jù)進(jìn)行清洗和建模,并根據(jù)用戶的辦事記錄進(jìn)行用戶社區(qū)發(fā)現(xiàn)。對(duì)于輸入的任意目標(biāo)用戶,首先對(duì)其進(jìn)行社區(qū)歸屬計(jì)算,然后根據(jù)基本靜態(tài)屬性和動(dòng)態(tài)行為屬性篩選最相似的K個(gè)關(guān)聯(lián)用戶,與其關(guān)聯(lián)性不大(即使處于同一社區(qū))的用戶辦事記錄不會(huì)入選待推薦辦事項(xiàng)集合中,從這K個(gè)關(guān)聯(lián)用戶預(yù)選出目標(biāo)用戶的待推薦辦事項(xiàng)集合,最后,基于用戶的協(xié)同過(guò)濾算法建立目標(biāo)用戶與K個(gè)關(guān)聯(lián)用戶的推薦模型。此外,基于Apriori序列模式挖掘在辦事項(xiàng)中產(chǎn)生關(guān)聯(lián)序列推薦集合,基于兩部分推薦集獲得最終的推薦集。

    圖1 CAS-UC推薦流程

    用戶模型描述了用戶的靜態(tài)基本屬性和動(dòng)態(tài)行為屬性,包括結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)信息。靜態(tài)屬性通常有ID、性別、年齡、婚姻、學(xué)歷等,同時(shí)也包含社保、公積金、醫(yī)保等個(gè)人隱私的靜態(tài)屬性;動(dòng)態(tài)行為屬性主要指用戶的歷史行為信息(已辦理事項(xiàng)或?yàn)g覽行為記錄)和用戶反饋信息(對(duì)推送內(nèi)容反饋的信息)?;谙蛄靠臻g模型定義四元組User_M=〈BIU,SI,FB,AA〉。其中,用戶的基本信息用BIU={uid,age,sex}表示;SI={ss,hi,pf,ho,li,ca}代表社保、公積金、醫(yī)保等個(gè)人隱私的靜態(tài)屬性;FB={as,af}表示用戶的評(píng)價(jià)和行為反饋信息,主要用于模型的調(diào)優(yōu)與校準(zhǔn);n維特征向量AA={a1,a2,…,an}表示行為特征,其中,ai=(kei,wei,τi)為用戶的第i個(gè)行為;kei為行為信息;wei為行為信息的權(quán)重,權(quán)值為1或0,表示辦理或未辦理記錄;τi為行為更新的時(shí)間戳。

    用戶模型為用戶社區(qū)的劃分和準(zhǔn)確推薦提供計(jì)算基礎(chǔ),用戶的靜態(tài)和動(dòng)態(tài)屬性是計(jì)算用戶之間相似程度的主要根據(jù)。用戶社區(qū)劃分依據(jù)用戶自身屬性特征,包括BIU,SI有效屬性特征向量組合。用戶樣本可以表示為包含上述屬性的n維向量u=(age,sex,ss,hi,pf,sa,ho,li,ca),所有維度的取值范圍為0或1,當(dāng)ss,hi,pf,ho,li,ca取值為1時(shí),表示用戶擁有社保、醫(yī)保、公積金、房產(chǎn)、駕照和車輛;sex取值1表示性別相同;age和sa指計(jì)算兩個(gè)不同用戶相似度時(shí),考慮年齡或工資等級(jí)是否是同一年齡段或工資等級(jí),如age取值為1表示任意兩條用戶記錄的年齡屬于同等級(jí),0為否;sa取值為1則表示兩條用戶記錄的工資等級(jí)相同,0為否。如存在用戶樣本A與樣本B,其基本屬性向量uA=(1,0,1,1,1,0,1,1,0)和uB=(1,0,1,1,1,0,0,1,1)分別表示A和B的年齡、性別、社保、醫(yī)保、公積金、房產(chǎn)、駕照和車輛的相關(guān)狀態(tài),向量uA和uB中第一位均為1表示A和B處于同一年齡段,而向量中第六位為0則表示A和B工資等級(jí)不同;其他位置的1和0分別表示是否擁有改屬性?;谏鲜鲇脩粝蛄?,若用M00代表向量A和向量B都是0的維度個(gè)數(shù);M01代表向量A是0而向量B是1的維度個(gè)數(shù);M10代表向量A是1而向量B是0的維度個(gè)數(shù);M11代表向量A和向量B都是1的維度個(gè)數(shù),n維向量的每一維都會(huì)落入上述向量中的某一類,給出利用Jaccard相似系數(shù)計(jì)算二者的相似性:

    Jaccard系數(shù)可定義如下:

    Jac(A,B)=M11/(M01+M10+M11)

    (1)

    根據(jù)式(1)計(jì)算出用戶在基礎(chǔ)屬性BIU和隱私屬性SI的相似度,屬性的類別區(qū)分主要解決不同屬性對(duì)相似度結(jié)果的偏好影響。式(2)給出融合兩種相似度的計(jì)算公式:

    sim(ui,uj)=(1-α)·b_sim(ui,uj)+

    α·s_sim(ui,uj)

    (2)

    其中:b_sim(ui,uj)代表用戶ui與uj在基礎(chǔ)屬性上的相似度,s_sim(ui,uj)是用戶ui與ui在隱私屬性相似度;α是調(diào)節(jié)兩種相似度的偏好影響,控制不同類別屬性在用戶相似度所占的比重初始化為0.5,仿真實(shí)驗(yàn)表明當(dāng)α=0.63時(shí),取得最優(yōu)表現(xiàn)。

    用戶辦事關(guān)系網(wǎng)絡(luò)反映用戶辦事行為間關(guān)聯(lián)的緊密程度。現(xiàn)實(shí)的用戶好友關(guān)系能夠直接表明兩者的關(guān)系,然而電子政務(wù)類的服務(wù)型應(yīng)用難以直接獲取用戶的好友關(guān)系,用戶的辦事行為記錄則提供了隱式的用戶關(guān)系網(wǎng)絡(luò)。定義G為無(wú)向圖表示用戶的隱式辦事關(guān)系網(wǎng),G中的節(jié)點(diǎn)表示擁有不同辦事記錄的用戶,用戶之間的鏈接表示存在辦事記錄交集,鏈接上的權(quán)值反映用戶之間關(guān)系強(qiáng)弱,計(jì)算方式主要是基于用戶的屬性相似度和辦事行為交集程度。對(duì)G的存儲(chǔ)采用壓縮優(yōu)化的鄰接矩陣V存儲(chǔ)。

    (3)

    其中:vi, j表示用戶ui與uj鏈接之間的關(guān)系權(quán)值,反映用戶之間的相似程度,權(quán)值越大表明用戶相似關(guān)系越緊密。下文使用的電子政務(wù)用戶辦事數(shù)據(jù)集中,用戶辦事關(guān)系的權(quán)值設(shè)定不僅僅與辦事行為有關(guān),還與用戶的基本屬性有關(guān),即用戶之間的相似程度,對(duì)用戶的相似度已進(jìn)行歸一化處理,相關(guān)規(guī)則如下:

    1) 用戶之間無(wú)任何辦事行為交集,且用戶基礎(chǔ)屬性相似度低,則判定為無(wú)鏈接行為;

    2) 用戶間存在辦事行為交集,且用戶基礎(chǔ)屬性相似度低,則鏈接權(quán)值為辦事記錄的相似系數(shù);

    3) 用戶間存在辦事行為交集,且用戶基礎(chǔ)屬性相似度高,則鏈接權(quán)值為兩種相似度之和。

    為了更好地描述劃分社區(qū)結(jié)構(gòu)的合理性,式(4)描述了Newman[15]基于Jaccrad距離模塊度:

    (4)

    其中:Aij為連接節(jié)點(diǎn)i和j邊的權(quán)值,該矩陣元素主要表示不同用戶鏈接之間的權(quán)值,綜合用戶辦事記錄的相似性與用戶自身屬性的相似性進(jìn)行計(jì)算,具體的構(gòu)造基于上述三條基本規(guī)則;m為網(wǎng)絡(luò)中邊的數(shù)量;ki為節(jié)點(diǎn)i的度;kj為節(jié)點(diǎn)j的度;Ci為i所屬的社區(qū)。δ(Ci,Cj)表示節(jié)點(diǎn)i與節(jié)點(diǎn)j是否為同一個(gè)社區(qū),是為1,否為0。

    考慮到本文的核心是辦事項(xiàng)推薦,基于辦事項(xiàng)的特征分析,快速挖掘出基本的用戶社區(qū)即可滿足后續(xù)推薦需求,基于文獻(xiàn)[16]提出的一種線性時(shí)間內(nèi)的大規(guī)模網(wǎng)絡(luò)下的社區(qū)劃分算法,主要采用層次貪心策略進(jìn)行社區(qū)發(fā)現(xiàn),篩選出K個(gè)與目標(biāo)用戶相似度最大的用戶集合。算法主要包括兩個(gè)階段,第一階段合并社區(qū),初始狀態(tài)將每個(gè)節(jié)點(diǎn)視為獨(dú)立社區(qū),基于最近鄰居相似度最大標(biāo)準(zhǔn)決定哪些社區(qū)應(yīng)該被合并;第二階段,將第一階段發(fā)現(xiàn)的社區(qū)重新視為獨(dú)立節(jié)點(diǎn)社區(qū),重復(fù)構(gòu)建。這兩個(gè)階段重復(fù)進(jìn)行,直到網(wǎng)絡(luò)社區(qū)劃分的模塊度趨于穩(wěn)定。

    區(qū)別于傳統(tǒng)音樂(lè)、電影類的評(píng)分推薦,用戶與辦事項(xiàng)之間不存在評(píng)分,僅具有辦理或未辦理的狀態(tài)值。如表1表示了用戶-辦事項(xiàng)的行為記錄,1表示用戶辦理或?yàn)g覽辦事項(xiàng),狀態(tài)0表示對(duì)辦事項(xiàng)無(wú)行為記錄。

    表1 用戶辦事行為關(guān)系矩陣

    令ri,j={0,1}表示第i個(gè)用戶對(duì)第j個(gè)項(xiàng)目的辦事記錄行為,由于ri, j取值的特殊性,計(jì)算公式采用Jaccard相似度。通常,大多數(shù)用戶都會(huì)辦理基礎(chǔ)的熱門(mén)辦事項(xiàng),造成用戶的相似度差異較小。考慮在計(jì)算行為相似度時(shí),對(duì)熱門(mén)事項(xiàng)進(jìn)行懲罰,計(jì)算公式如下:

    (5)

    因此,式(6)度量了用戶u關(guān)注辦事項(xiàng)i的可能性:

    (6)

    其中:S(u,K)是用戶u最相似最高的K個(gè)用戶,式(5)中N(u)和N(v)分別表示用戶u和v的辦事記錄集合,N(i)是用戶u和v的共同辦事項(xiàng)i存在辦事記錄的所有用戶集合,通過(guò)1/log(1+N(i))懲罰了用戶u和v共同熱門(mén)辦事項(xiàng)記錄對(duì)相似度計(jì)算的影響。通過(guò)給定K值,即可獲取用戶可能性最高的待辦事項(xiàng)集合,表示為RSU。

    算法1 基于用戶社區(qū)的辦事項(xiàng)推薦算法。

    1)

    ut

    //target user

    2)

    UC

    //Pre-process user communities

    3)

    begin

    4)

    Ct←UC{Ci|i∈N}

    //Select the community

    5)

    for eachutinCtthen

    6)

    USt←UC{Ci|i∈N}

    //Select the items

    7)

    end for

    8)

    k,α

    //Initialization of parameters

    9)

    for eachutinUStthen

    //Calculate the similarity

    10)

    sim(ut,uj) ← Formula(4);

    11)

    SelectRes←uj;

    12)

    end for

    13)

    for eachutinUStthen

    //Select the Pre-result

    14)

    RSu←ut

    15)

    end for

    16)

    for each itemiinRSUthen

    //Recommendation indexes

    17)

    PS←p(u,i)

    18)

    end for

    19)

    Res← Rank(PS,k)

    //Results

    20)

    end

    二元組Item_M=〈BII,AI〉表示辦事項(xiàng)特征模型,包括辦事項(xiàng)屬性和辦事記錄屬性。BII={mid,fm,t,c}描述辦事項(xiàng)的編號(hào)、所屬機(jī)構(gòu)、時(shí)間以及類別信息;AI=〈uid,mid〉表示用戶產(chǎn)生的辦事項(xiàng)行為記錄。用戶的辦事行為記錄中包含辦理或?yàn)g覽的時(shí)間點(diǎn)可用于標(biāo)記并挖掘出辦事項(xiàng)之間的流程信息。辦事項(xiàng)序列模式挖掘能夠有效識(shí)別出電子政務(wù)系統(tǒng)中的動(dòng)態(tài)系統(tǒng)特征,預(yù)測(cè)用戶在未來(lái)一段時(shí)間內(nèi)可能的辦事項(xiàng)序列信息。

    設(shè)D是包含一個(gè)或多個(gè)辦事項(xiàng)序列,即與單個(gè)用戶相關(guān)聯(lián)的辦事項(xiàng)有序集合。規(guī)定IA?IB在有序辦事項(xiàng)集合中成立,改序列具有的支持度為s,其中s是D中包含辦事項(xiàng)IA∪IB(即包含辦事項(xiàng)IA和IB的并)的百分比。它是概率P(IA∪IB),表示D中序列包含辦事項(xiàng)IA和IB的并(即序列中包含辦事項(xiàng)IA和IB)概率。若S的支持度大于或等于閾值minsup,則S即為一個(gè)序列模式。序列模式的挖掘可以枚舉所有可能的序列,再進(jìn)行支持度計(jì)算,如對(duì)于n個(gè)辦事項(xiàng),依次對(duì)1個(gè)辦事項(xiàng),2個(gè)辦事項(xiàng),3個(gè)辦事項(xiàng)直到n個(gè)辦事項(xiàng)進(jìn)行枚舉。由于先驗(yàn)原理對(duì)序列數(shù)據(jù)成立,因此包含特定k個(gè)辦事項(xiàng)的任何序列必然包括該k個(gè)辦事項(xiàng)的所有k-1個(gè)辦事項(xiàng)的子序列?;贏priori算法給出挖掘用戶辦事項(xiàng)記錄中的序列模式偽代碼描述。

    算法2 序列模式挖掘的類Apriori算法。

    1)

    k=1

    2)

    Fk={i|i∈I∧σ(i)/N≥minsup}

    //find out all of 1-sequence

    3)

    do

    4)

    k=k+1

    5)

    Ck=Apriori-generate(Fk-1)

    //generatek-sequence

    6)

    for each sequencek=k+1 then

    7)

    Ct=Sub(Ck,t)

    //identify the subsequence int

    8)

    for eachk-sequence inc∈Ctthen

    9)

    σ(c)=σ(c)+1

    //calculate the support value

    10)

    end for

    11)

    end for

    12)

    Fk={c|c∈Ck∧σ(c)/N≥minsup}

    //extractk-sequence

    13)

    whileFk≠?

    14)

    ResultSet=∪Fk

    算法2迭代產(chǎn)生k-序列,通過(guò)剪枝(k-1)-序列的非序列模式完成對(duì)候選序列的篩選,對(duì)留下的候選序列進(jìn)行支持度計(jì)算,最終根據(jù)支持度提取序列模式。具體而言,為了避免重復(fù)產(chǎn)生候選序列,傳統(tǒng)Apriori算法僅當(dāng)前k-1項(xiàng)相同時(shí)才合并一對(duì)序列k-項(xiàng)集,類似的思想同樣適用于產(chǎn)生候選k-序列(即一對(duì)頻繁(k-1)-序列合并產(chǎn)生候選k-序列)。對(duì)于序列的合并主要步驟如下:假定序列s1與s2進(jìn)行合并,且從s1去除第一項(xiàng)辦事項(xiàng)編號(hào)獲得的子序列與從s2中去除最后一項(xiàng)辦事項(xiàng)編號(hào)得到的子序列相同。候選結(jié)果集是對(duì)s1和s2中最后一項(xiàng)辦事項(xiàng)編號(hào)進(jìn)行連接。s2中最后一項(xiàng)辦事項(xiàng)編號(hào)可以合并至s1中的最后一項(xiàng)辦事項(xiàng)中,或者作為一項(xiàng)不同的辦事項(xiàng)。此外,若候選k-序列的(k-1)-序列至少有一個(gè)非頻繁項(xiàng),那么需要進(jìn)行剪枝操作。在計(jì)算支持度時(shí),可以枚舉屬于某個(gè)特定序列的所有候選k-序列,同時(shí)增加選擇的支持度值。在此之后,算法將識(shí)別出k-序列,并且丟棄其支持度小于最小支持度閾值minsup的候選序列集合。

    在完成用戶社區(qū)挖掘及相似用戶預(yù)選推薦辦事項(xiàng)集合RSU和序列模式的關(guān)聯(lián)挖掘預(yù)選推薦辦事項(xiàng)集合RSA之后,需要根據(jù)兩部分結(jié)果的重疊程度進(jìn)行優(yōu)化篩選,形成最終的辦事項(xiàng)推薦結(jié)果集合。如圖2所示給出兩種集合的3種覆蓋情況示例。

    圖2 RSU與RSA集合覆蓋示意圖

    若假定推送給目標(biāo)用戶的辦事項(xiàng)數(shù)目為K,對(duì)于RSU和RSA兩種結(jié)果集的覆蓋結(jié)果篩選,可細(xì)分為圖2所示的三種情況:1)覆蓋結(jié)果集能夠滿足N(RSA∩RSU)≥K,Top(RSA)被選擇作為最終推薦結(jié)果集合;2)當(dāng)N(RSA∩RSU)

    2 實(shí)驗(yàn)分析

    為了評(píng)估本文提出的CAS-UC推薦算法在電子政務(wù)推薦中的有效性、高效性和應(yīng)用價(jià)值,以蕪湖市電子政務(wù)綜合服務(wù)平臺(tái)易戶網(wǎng)(ewoho)為載體,從多個(gè)推薦評(píng)估指標(biāo)與傳統(tǒng)的推薦算法基于用戶的協(xié)同過(guò)濾(User-based Collaborative Filtering, User-B)、基于項(xiàng)目的協(xié)同過(guò)濾(Item-based Collaborative Filtering, Item-B)、基于語(yǔ)義的推薦算法和矩陣分解(Matrix Factorization, MF)推薦算法進(jìn)行對(duì)比。電子政務(wù)推薦數(shù)據(jù)集記錄的主要是用戶辦事的狀態(tài),單個(gè)用戶的辦事記錄較少,且用戶的辦事行為具有一定的周期性,與傳統(tǒng)的評(píng)分推薦數(shù)據(jù)集存在較大差異。實(shí)驗(yàn)采用的數(shù)據(jù)集是截止2017年3月7日蕪湖市實(shí)有人口389萬(wàn)人共計(jì)170多萬(wàn)條辦事記錄進(jìn)行驗(yàn)證。對(duì)于實(shí)驗(yàn)數(shù)據(jù)集中涉及的用戶隱私信息,均已加密處理,數(shù)據(jù)預(yù)處理后的主要形式是加密后的用戶ID對(duì)于其響應(yīng)的辦事記錄編號(hào)。

    此外,實(shí)際應(yīng)用中,數(shù)據(jù)的處理效率是影響高效推薦的重要因素。實(shí)驗(yàn)環(huán)境采用基于Spark的集群計(jì)算平臺(tái),數(shù)據(jù)存儲(chǔ)形式為HDFS文件形式,CDH部署的集群環(huán)境主要為:16臺(tái)計(jì)算節(jié)點(diǎn)配置均為32 GB內(nèi)存,磁盤(pán)大小為50 GB,1臺(tái)CDH管理機(jī)節(jié)點(diǎn)配置同上,此外1臺(tái)服務(wù)器主要使用Yarn和Zookeeper進(jìn)行資源管理調(diào)度使用,物理內(nèi)存大小為32 GB,其他配置相同,所有主機(jī)的CPU配置均為32核32 GB,圖3給出具體的集群組件配置圖。

    圖3 基于CDH部署的Spark集群組件配置圖

    2.1 評(píng)估指標(biāo)

    精準(zhǔn)率和召回率通常被用于評(píng)估Top-N推薦的有效性。通過(guò)計(jì)算推薦項(xiàng)目與總項(xiàng)目集的比例得到覆蓋率,用于評(píng)估推薦結(jié)果。推薦結(jié)果的多樣性滿足了用戶的廣泛興趣,意味著推薦列表可以覆蓋用戶涉及的不同領(lǐng)域,通常計(jì)算推薦結(jié)果列表的內(nèi)相似性。相關(guān)指標(biāo)計(jì)算公式如下。

    1)精準(zhǔn)率[17]:

    (7)

    2)召回率[17]:

    (8)

    其中:R(u)和T(u)分別表示用戶在訓(xùn)練集和測(cè)試集上得到的推薦列表。此外,F(xiàn)1-Measure通過(guò)計(jì)算精準(zhǔn)率和召回率的比值描述Top-N推薦中的整體性能。

    3)覆蓋率[18]:

    (9)

    假定用戶集為U,且I表示項(xiàng)集,R(u)表示為長(zhǎng)度為N的推薦列表結(jié)果集。

    4)多樣性(Intra-list相似度)[19]:

    (10)

    其中:bf和be為推薦列表Pi中的推薦項(xiàng)目;g(bf,be)定義為bf和be的相似度。ILS(Pi)越小,則表示推薦列表Pi中的項(xiàng)目種類相似度越小,推薦的多樣性越好。

    2.2 實(shí)驗(yàn)分析

    仿真實(shí)驗(yàn)從精準(zhǔn)率(P)、召回率(R)、覆蓋率(C)以及多樣性(D)四個(gè)指標(biāo)分析CAS-UC與其他推薦算法在電子政務(wù)數(shù)據(jù)集上的性能表現(xiàn)。表2中K表示推薦算法選擇K個(gè)和目標(biāo)用戶最相似的用戶,然后推薦這K個(gè)用戶關(guān)聯(lián)的辦事項(xiàng)。實(shí)驗(yàn)中K的初始值定義為5,該值不斷倍增至80,共計(jì)5組。

    表2顯示不同推薦算法在給定實(shí)驗(yàn)數(shù)據(jù)集上的推薦結(jié)果。在Top-N推薦中,K值的選取影響最終的推薦。對(duì)于特定的數(shù)據(jù)集,不同算法的最優(yōu)K值存在差異,如CAS-UC和MF的最優(yōu)K值為20,Item-B和IOBSS算法為10,而User-B則為40,不同算法在推薦過(guò)程中的側(cè)重點(diǎn)不同導(dǎo)致最優(yōu)K值具有一定區(qū)別,K值的調(diào)整對(duì)推薦結(jié)果的各項(xiàng)評(píng)估指標(biāo)都會(huì)產(chǎn)生一定的影響。對(duì)于CAS-UC,推薦結(jié)果的精準(zhǔn)率和召回率與K值并不呈現(xiàn)出線性關(guān)系。隨著推薦辦事項(xiàng)集的增加,精準(zhǔn)率也隨之增加,當(dāng)K=20時(shí),精準(zhǔn)率達(dá)到最高點(diǎn)0.302 0,之后推薦項(xiàng)集的基數(shù)增大降低了推薦的精準(zhǔn)度,召回率在該K值處達(dá)到最大值0.111 2,兩者呈現(xiàn)出相似的變化趨勢(shì)。對(duì)于多樣性,由于K值決定了推薦算法推薦時(shí)選取的用戶數(shù),因此,用戶關(guān)聯(lián)的辦事項(xiàng)數(shù)量伴隨著K的增加而增加,當(dāng)選取的用戶越多,推薦的辦事項(xiàng)的多樣性則越大,相應(yīng)的推薦列表內(nèi)相似性intra-list值則越小,當(dāng)K=80時(shí),該值為0.190 5。對(duì)于推薦的覆蓋率,K值與CAS-UC推薦的覆蓋率呈現(xiàn)出負(fù)相關(guān),在初始K=5時(shí)達(dá)到最大0.183 9。這主要是CAS-UC逐漸傾向于推薦相對(duì)熱門(mén)的辦事項(xiàng),同時(shí)辦事項(xiàng)基數(shù)仍在增加,造成了覆蓋率降低。

    表2 不同推薦算法的實(shí)驗(yàn)結(jié)果

    從不同推薦算法對(duì)比分析可知:對(duì)于推薦精準(zhǔn)率和召回率,IOBSS和CAS-UC比User-B、Item-B和MF具有更好的精度,IOBSS結(jié)合特定域中項(xiàng)目之間的語(yǔ)義知識(shí)來(lái)增強(qiáng)推薦質(zhì)量,CAS-UC有效結(jié)合了社區(qū)和辦事項(xiàng)之間存在的關(guān)聯(lián)關(guān)系來(lái)提高推薦的精準(zhǔn)度;對(duì)于推薦的多樣性,User-B、Item-B和MF的intra-list值比其他兩種算法高,說(shuō)明推薦結(jié)果的多樣性表現(xiàn)差,這些算法在建模過(guò)程忽略了對(duì)多樣性的考慮;IOBSS中推薦項(xiàng)目之間的語(yǔ)義知識(shí)主要是針對(duì)于推薦的精度,也缺乏對(duì)多樣性的考慮;CAS-UC在建模中,優(yōu)先考慮了用戶的社區(qū)構(gòu)建,由于同一個(gè)用戶可能歸屬于多個(gè)社區(qū),推薦的結(jié)果可能來(lái)自于多個(gè)社區(qū),從而提升了推薦結(jié)果的多樣性,結(jié)合辦事項(xiàng)的關(guān)聯(lián)挖掘推薦,保障了推薦結(jié)果的精準(zhǔn)度。綜合來(lái)看,CAS-UC對(duì)于具有流程特性的推薦項(xiàng)目表現(xiàn)出更優(yōu)的性能。

    社區(qū)構(gòu)建對(duì)CAS-UC推薦結(jié)果的多樣性和計(jì)算量具有重要的影響,由于表2中相關(guān)數(shù)據(jù)結(jié)果已能夠驗(yàn)證推薦結(jié)果的多樣性,圖4主要從推薦精度,給出在不同K值下,構(gòu)建社區(qū)時(shí),訓(xùn)練集所使用的原始數(shù)據(jù)百分比對(duì)F1-Measure的影響。不同K值下的F1-Measure存在較大的差異,這主要是K值決定了推薦時(shí)選取的用戶數(shù)和關(guān)聯(lián)的辦事項(xiàng)數(shù)。從圖4中折線趨勢(shì)來(lái)看,隨著訓(xùn)練集的百分比增大,社區(qū)趨于穩(wěn)定狀態(tài),F(xiàn)1-Measure也增大至某一峰值。當(dāng)構(gòu)建社區(qū)的訓(xùn)練集百分比在70%左右,F(xiàn)1-Measure獲得最優(yōu)值,之后增加訓(xùn)練集的百分比對(duì)推薦的結(jié)果產(chǎn)生的影響較小,即在CAS-UC的推薦過(guò)程需要在構(gòu)建的社區(qū)處于穩(wěn)態(tài)時(shí)進(jìn)行。

    圖4 數(shù)據(jù)規(guī)模對(duì)推薦結(jié)果的影響分析

    本文在用戶社區(qū)發(fā)現(xiàn)階段主要采用文獻(xiàn)[16]提出的一種適用于大規(guī)模網(wǎng)絡(luò)中的快速層次社區(qū)發(fā)現(xiàn)算法,該算法能在線性時(shí)間內(nèi)完成社區(qū)發(fā)現(xiàn),其中,γ因子的含義是體現(xiàn)用戶之間相似度閾值,對(duì)于不同實(shí)驗(yàn)環(huán)境或數(shù)據(jù)集,應(yīng)當(dāng)探討社區(qū)劃分的最佳γ取值范圍。理論分析,隨著γ的增大,社區(qū)內(nèi)部節(jié)點(diǎn)的相似度也隨之增大,社區(qū)穩(wěn)定性越高,推薦結(jié)果更精準(zhǔn),即F1-measure值更高,實(shí)際結(jié)果如圖5所示,給出K=10、20、40 時(shí)的結(jié)果分析,隨著γ增加至0.6以后,在γ=0.65左右,推薦結(jié)果的F1-measure值呈現(xiàn)最佳,之后顯現(xiàn)降低趨勢(shì)。分析可知社區(qū)劃分的信息量對(duì)社區(qū)的穩(wěn)定性具有較大影響,當(dāng)閾值過(guò)高時(shí),社區(qū)內(nèi)部成員節(jié)點(diǎn)數(shù)量急劇下降,劃分結(jié)果則呈現(xiàn)出越來(lái)越多的獨(dú)立小社區(qū),若γ=1(即兩者相同),則轉(zhuǎn)化為每個(gè)節(jié)點(diǎn)用戶、項(xiàng)目單獨(dú)為一個(gè)社區(qū)的情形,此時(shí)社區(qū)內(nèi)的辦事項(xiàng)以及辦事記錄數(shù)量無(wú)法支持后續(xù)的推薦計(jì)算,推薦結(jié)果則采用Top-k的計(jì)算結(jié)果,因此,推薦結(jié)果的F1-measure值具有明顯的下降趨勢(shì)。針對(duì)不同的數(shù)據(jù)集,需要預(yù)選訓(xùn)練生成最優(yōu)閾值取值范圍,本文仿真實(shí)驗(yàn)中γ取值為0.63。

    圖5 社區(qū)劃分閾值γ參數(shù)分析

    圖6分析了CAS-UC的算法效率,探究CAS-UC在處理不同規(guī)模數(shù)據(jù)的執(zhí)行效率。圖中橫坐標(biāo)百分比是選取實(shí)有人口共計(jì)390萬(wàn)人的百分比進(jìn)行推薦,縱坐標(biāo)的時(shí)間是在相應(yīng)數(shù)據(jù)規(guī)模下平均單個(gè)用戶推薦耗費(fèi)的時(shí)間,單位為秒。結(jié)果顯示,隨著數(shù)據(jù)規(guī)模的百分比增長(zhǎng),CAS-UC產(chǎn)生單條推薦的計(jì)算代價(jià)逐漸減小,體現(xiàn)出Spark計(jì)算平臺(tái)在處理大規(guī)模數(shù)據(jù)的優(yōu)勢(shì)。因而,基于Spark平臺(tái)的CAS-UC的推薦算法更適用于大數(shù)據(jù)環(huán)境下的電子政務(wù)辦事推薦。

    圖6 CAS-UC執(zhí)行效率

    2.3 優(yōu)化討論

    考慮到基于模塊度優(yōu)化的社區(qū)發(fā)現(xiàn)以及序列模式挖掘算法在大規(guī)模數(shù)據(jù)應(yīng)用中復(fù)雜度較高,實(shí)際應(yīng)用場(chǎng)景中需要根據(jù)數(shù)據(jù)集的特點(diǎn)進(jìn)行優(yōu)化。電子政務(wù)推薦中辦事項(xiàng)與用戶當(dāng)前所處階段聯(lián)系緊密,且辦事項(xiàng)的序列特性與辦事時(shí)間的先后順序具有強(qiáng)關(guān)聯(lián)關(guān)系。此外,由于居民日常辦事的頻率與購(gòu)物、看電影以及聽(tīng)音樂(lè)的頻率差距明顯,因此,電子政務(wù)推薦中的數(shù)據(jù)稀疏性更為明顯。

    結(jié)合上述特征分析,在社區(qū)發(fā)現(xiàn)過(guò)程中,社區(qū)模塊度優(yōu)化主要基于用戶辦事記錄產(chǎn)生的鏈接關(guān)系,初始社區(qū)發(fā)現(xiàn)過(guò)程僅針對(duì)具有辦事記錄的用戶,該過(guò)程面向的用戶群體僅占總體的一部分;同時(shí),本文中采用的快速層次發(fā)現(xiàn)算法,主要適用于大規(guī)模網(wǎng)絡(luò)的社區(qū)快速發(fā)現(xiàn),實(shí)際應(yīng)用中初始社區(qū)的發(fā)現(xiàn)效率較高;對(duì)于沒(méi)有辦事記錄的用戶,根據(jù)用戶的基本屬性計(jì)算與已有社區(qū)內(nèi)任意一個(gè)非邊緣節(jié)點(diǎn)用戶的相似性來(lái)計(jì)算其社區(qū)歸屬狀態(tài);此外,由于用戶的基本屬性通常不會(huì)頻繁修改,且用戶的辦事頻率相較于購(gòu)物等其他領(lǐng)域推薦要低,因此全量社區(qū)發(fā)現(xiàn)在一段時(shí)間僅需計(jì)算一次即可,并不需要達(dá)到實(shí)時(shí)計(jì)算要求。CAS-UC結(jié)合了辦事項(xiàng)的序列特性,利用序列模式挖掘算法分析辦事項(xiàng)之間的強(qiáng)關(guān)聯(lián)關(guān)系。實(shí)際場(chǎng)景應(yīng)用中,辦事項(xiàng)總量共計(jì)2萬(wàn)多項(xiàng),通過(guò)對(duì)辦事項(xiàng)的分布熱度進(jìn)行分析,存在辦事記錄的辦事項(xiàng)大多數(shù)集中于300多項(xiàng)辦事項(xiàng)以內(nèi),結(jié)合線下相關(guān)業(yè)務(wù)人員整理的熱門(mén)辦事項(xiàng)列表,得出可能存在序列模式的辦事項(xiàng)主要集中于熱門(mén)辦事項(xiàng)內(nèi),綜上,序列模式的挖掘無(wú)需對(duì)全量的辦事項(xiàng)或辦事記錄進(jìn)行運(yùn)算,僅針對(duì)分布熱度較高的辦事記錄進(jìn)行序列模式挖掘即可達(dá)到預(yù)期效果。

    3 結(jié)語(yǔ)

    “互聯(lián)網(wǎng)+政務(wù)”是建立智慧城市的核心業(yè)務(wù)之一,考慮到電子政務(wù)辦事項(xiàng)具有的序列化特征,難以直接將傳統(tǒng)個(gè)性化推薦算法直接擴(kuò)展應(yīng)用,本文綜合考慮社區(qū)與關(guān)聯(lián)序列挖掘提出一種個(gè)性化的“互聯(lián)網(wǎng)+政務(wù)”推薦算法(CAS-UC)。CAS-UC基于用戶社區(qū)和辦事項(xiàng)內(nèi)存在的序列特征進(jìn)行建模推薦。用戶社區(qū)發(fā)現(xiàn)不僅有助于提高推薦結(jié)果的多樣性,而且減少核心推薦過(guò)程的計(jì)算量;辦事項(xiàng)關(guān)聯(lián)序列挖掘深入電子政務(wù)的業(yè)務(wù)特點(diǎn),保障推薦結(jié)果的精度。仿真實(shí)驗(yàn)從推薦的精準(zhǔn)率、召回率、覆蓋率和多樣性等指標(biāo)評(píng)估所提出的CAS-UC算法性能。CAS-UC在多樣性和推薦精度上比傳統(tǒng)推薦算法(如協(xié)同過(guò)濾推薦、矩陣分解以及基于語(yǔ)義相似度的推薦算法)推薦的精確度更高,適用于具有明顯序列或流程特性項(xiàng)目推薦;因此,CAS-UC推薦算法大數(shù)據(jù)環(huán)境下的電子政務(wù)辦事項(xiàng)推薦具有一定優(yōu)勢(shì)?;赟park集群計(jì)算平臺(tái)有效地提高CAS-UC的數(shù)據(jù)處理效率。

    References)

    [1] 鄭躍平,黃博涵. “互聯(lián)網(wǎng)+政務(wù)”報(bào)告(2016)——移動(dòng)政務(wù)的現(xiàn)狀與未來(lái)[J]. 電子政務(wù), 2016(9):16-31.(ZHENG Y P, HUANG B H. “Internet+government” report (2016)—the current situation and future of mobile government [J]. E-Government, 2016(9):16-31.)

    [2] 姜嵐.探索“互聯(lián)網(wǎng)+政務(wù)”服務(wù)新模式[J].黑龍江科技信息,2016(13):183.(JIANG L. Exploring the new mode of “Internet+Government Service” [J]. Heilongjiang Science and Technology Information, 2016(13): 183.)

    [3] ZHAO W X, LI S, HE Y, et al. Connecting social media to e-commerce: cold-start product recommendation using microblogging information [J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(5): 1147-1159.

    [4] SCHOLZ M, DORNER V, SCHRYEN G, et al. A configuration-based recommender system for supporting e-commerce decisions [J]. European Journal of Operational Research, 2017, 259(1): 205-215.

    [5] GUO C. Feature generation and selection on the heterogeneous graph for music recommendation [C] // Proceedings of the 9th ACM International Conference on Web Search and Data Mining. New York: ACM, 2016: 715.

    [6] ABDOLLAHI B, NASRAOUI O. Explainable matrix factorization for collaborative filtering [C]// Proceedings of the 25th International Conference Companion on World Wide Web. Republic and Canton of Geneva, Switzerland: International World Wide Web Conferences Steering Committee, 2016: 5-6.

    [7] 牟向偉.模糊語(yǔ)義個(gè)性化推薦系統(tǒng)在電子政務(wù)中的應(yīng)用研究[D].大連:大連海事大學(xué),2010:13-20.(MOU X W. Fuzzy semantic personalized recommendation system and application to e-government [D]. Dalian: Dalian Maritime University, 2010: 13-20.)

    [8] GUO X, LU J. Intelligent e-government services with personalized recommendation techniques [J]. International Journal of Intelligent Systems, 2007, 22(5): 401-417.

    [9] XU Y, SHAMBOUR Q, LIN Q, et al. BizSeeker: a hybrid semantic recommendation system for personalized government-to-business e-services [J]. Internet Research, 2010, 20(3): 342-365.

    [10] 楊大寨.基于本體理論的政務(wù)信息資源個(gè)性化應(yīng)用研究[D].合肥:合肥工業(yè)大學(xué),2014:15-40.(YANG D Z. Research on personalized applications of government information resource based on ontological theory [D]. Hefei: Hefei University of Technology, 2014: 15-40.)

    [11] AL-HASSAN M, LU H, LU J. A semantic enhanced hybrid recommendation approach: a case study of e-government tourism service recommendation system [J]. Decision Support Systems, 2015, 72: 97-109.

    [12] ZHU Y, ZHANG S, WANG Y, et al. A social network-based expertise-enhanced collaborative filtering method for e-government service recommendation [J]. Advances in Information Sciences & Service Sciences, 2013, 5(10): 724-735.

    [13] AYACHI R, BOUKHRIS I, MELLOULI S, et al. Proactive and reactive e-government services recommendation [J]. Universal Access in the Information Society, 2016, 15(4): 681-697.

    [14] SHAMBOUR Q, LU J. A hybrid trust-enhanced collaborative filtering recommendation approach for personalized government-to-business e-services [J]. International Journal of Intelligent Systems, 2011, 26(9): 814-843.

    [15] NEWMAN M E J. Detecting community structure in networks [J]. The European Physical Journal B, 2004, 38(2): 321-330.

    [16] BLONDEL V D, GUILLAUME J L, LAMBIOTTE R, et al. Fast unfolding of community hierarchies in large networks [J]. Journal of Statistical Mechanics, 2008, 3(1): 1-7.

    [17] SARWAR B, KARYPIS G, KONSTAN J, et al. Analysis of recommendation algorithm for e-commerce [C]// Proceedings of the 2nd ACM Conference on Electronic commerce. New York: ACM, 2000: 158-167.

    [18] HAMMAR M, KARLSSON R, NILSSON B J. Using maximum coverage to optimize recommendation systems in e-commerce [EB/OL]. [2016- 11- 26]. http://muep.mah.se/bitstream/handle/2043/16856/paper-theoneused.pdf?sequence=2&isAllowed=y.

    [19] ZIEGLER C N, MCNEE S M, KONSTAN J A, et al. Improving recommendation lists through topic diversification [C] // Proceedings of the 14th International Conference on World Wide Web. New York: ACM, 2005: 22-32.

    E-governmentrecommendationalgorithmcombiningcommunityandassociationsequencemining

    HUANG Yakun1,2*, WANG Yang1, WANG Mingxing1

    (1.SchoolofMathematics&ComputerScience,AnhuiNormalUniversity,WuhuAnhui241000,China;2.AnhuiIFLYTEKIntelligentTechnologyCorporation,WuhuAnhui241000,China)

    Personalized recommendation as an effective means of information gathering has been successfully applied to e-commerce, music and film and other fields. Most of the studies have focused on the recommended accuracy, lack of consideration of the diversity of recommended results, and neglected the process characteristics of the recommended items in the application area (e. g. “Internet of Things plus E-government”). Aiming at this problem, an e-government recommendation algorithm Combining User Community and Associated Sequence mining (CAS-UC) was proposed to recommend the items most associated with users. Firstly, the static basic attributes and dynamic behavior attributes of the users and items were modeled separately. Secondly, based on the user’s historical record and attribute similarity for user community discovery, the user set most similar to the target user was pre-filtered to improve the diversity of the recommended results and reduce the computational amount of the core recommendation process. Finally, the associated sequence mining of the items was taken full account of the business characteristics of e-government, and the item sequence mining with time dimension was added to further improve the accuracy of the recommended results. The simulation experiments were carried out with the information after desensitization of users on the Spark platform of ewoho.com in Wuhu. The experimental results show that CAS-UC is suitable for the recommendation of items with sequence or process characteristics, and has higher recommendation accuracy compared with traditional recommendation algorithms such as cooperative filtering recommendation, matrix factorization and recommendation algorithm based on semantic similarity. The multi-community attribution factor of the user increases the diversity of the recommended results.

    user community; associated sequence mining; Spark framework; diversity; e-government recommendation

    2017- 04- 19;

    2017- 07- 16。

    國(guó)家自然科學(xué)基金資助項(xiàng)目(61572036); 安徽省人文社科重大專項(xiàng)(SK2014ZD033)。

    黃亞坤(1992—),男,安徽合肥人,碩士研究生,CCF會(huì)員,主要研究方向:個(gè)性化推薦、數(shù)據(jù)挖掘; 王楊(1971—),男,安徽靈璧人,教授,博士,主要研究方向:數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、智能Agent; 王明星(1992—) ,男,安徽合肥人,碩士研究生,CCF會(huì)員,主要研究方向:數(shù)據(jù)挖掘,社交網(wǎng)絡(luò)。

    1001- 9081(2017)09- 2671- 07

    10.11772/j.issn.1001- 9081.2017.09.2671

    TP393

    A

    This work is partially supported by the National Natural Science Foundation of China (61572036), the Key Grant Project of Humanities and Social Sciences of Anhui Province (SK2014ZD033).

    HUANGYakun, born in 1992, M. S. candidate. His research interests include personalized recommendation, data mining.

    WANGYang, born in 1971, Ph. D., professor. His research interests include data mining, machine learning, intelligent Agent.

    WANGMingxing, born in 1992, M. S. candidate. His research interests include data mining, social network.

    猜你喜歡
    電子政務(wù)辦事事項(xiàng)
    如果要獻(xiàn)血,需注意以下事項(xiàng)
    中老年保健(2022年4期)2022-08-22 03:01:48
    宜昌“清單之外無(wú)事項(xiàng)”等
    細(xì)節(jié)指引 辦事不抓瞎
    疫情期間,這些事項(xiàng)請(qǐng)注意!
    論基于云的電子政務(wù)服務(wù)平臺(tái)構(gòu)建
    青銅器收藏10大事項(xiàng)
    各自為政
    履職盡責(zé)謀發(fā)展 為民辦事解憂難
    明天有事
    少年文摘(2016年4期)2016-08-13 17:34:22
    電子政務(wù)工程項(xiàng)目績(jī)效評(píng)價(jià)研究
    一边亲一边摸免费视频| 国产综合懂色| 国产高清不卡午夜福利| 青春草国产在线视频| 亚洲国产精品专区欧美| 97人妻精品一区二区三区麻豆| 亚洲国产精品国产精品| 美女内射精品一级片tv| 国产欧美另类精品又又久久亚洲欧美| 亚洲精品aⅴ在线观看| 亚洲图色成人| 一级毛片我不卡| 欧美性猛交黑人性爽| 久久久久精品久久久久真实原创| 日韩av在线免费看完整版不卡| 久久久久国产网址| 成人美女网站在线观看视频| 大香蕉97超碰在线| 色吧在线观看| 日韩av不卡免费在线播放| 亚洲欧美精品自产自拍| 午夜免费男女啪啪视频观看| 午夜视频国产福利| 免费看日本二区| 男插女下体视频免费在线播放| 一级二级三级毛片免费看| 久久久久久九九精品二区国产| 夜夜爽夜夜爽视频| 久久精品国产鲁丝片午夜精品| 麻豆乱淫一区二区| 久久久久九九精品影院| 性插视频无遮挡在线免费观看| 久久久久久大精品| 看非洲黑人一级黄片| 全区人妻精品视频| 久久这里有精品视频免费| 99热这里只有是精品50| 尤物成人国产欧美一区二区三区| 精品无人区乱码1区二区| 久久精品夜色国产| 男人的好看免费观看在线视频| 99国产精品一区二区蜜桃av| 天堂√8在线中文| 我的女老师完整版在线观看| 男女下面进入的视频免费午夜| 1000部很黄的大片| 天天一区二区日本电影三级| 国产伦理片在线播放av一区| 亚洲丝袜综合中文字幕| 成年av动漫网址| 桃色一区二区三区在线观看| 日本欧美国产在线视频| 岛国在线免费视频观看| 观看美女的网站| 九色成人免费人妻av| 亚洲精品乱久久久久久| 26uuu在线亚洲综合色| 亚洲自拍偷在线| 一区二区三区高清视频在线| 日本熟妇午夜| 国产精品99久久久久久久久| 亚洲在线自拍视频| 午夜精品国产一区二区电影 | 床上黄色一级片| 久久久久久久久大av| 国产一区二区三区av在线| 蜜臀久久99精品久久宅男| 国产精品人妻久久久久久| 久久精品国产99精品国产亚洲性色| 51国产日韩欧美| 一二三四中文在线观看免费高清| 国产黄a三级三级三级人| 成人漫画全彩无遮挡| 精品午夜福利在线看| 精华霜和精华液先用哪个| 久久精品久久久久久噜噜老黄 | 97在线视频观看| 亚洲精品成人久久久久久| 久久国产乱子免费精品| 蜜臀久久99精品久久宅男| 精品国产露脸久久av麻豆 | 国产一级毛片在线| 美女高潮的动态| 亚洲一区高清亚洲精品| 水蜜桃什么品种好| 日韩亚洲欧美综合| 狂野欧美激情性xxxx在线观看| 日韩欧美精品v在线| 国产成人精品久久久久久| 日韩精品青青久久久久久| 只有这里有精品99| 男女啪啪激烈高潮av片| 人人妻人人澡欧美一区二区| 1000部很黄的大片| 婷婷色麻豆天堂久久 | 国产黄色视频一区二区在线观看 | 一区二区三区高清视频在线| 日韩一本色道免费dvd| av国产免费在线观看| 久久精品国产自在天天线| 九九久久精品国产亚洲av麻豆| 久久久久久伊人网av| 久久久久久久久大av| 亚州av有码| 秋霞伦理黄片| 国产久久久一区二区三区| videos熟女内射| 国产日韩欧美在线精品| 美女被艹到高潮喷水动态| 国产午夜精品一二区理论片| 国产精品不卡视频一区二区| 三级经典国产精品| 寂寞人妻少妇视频99o| 少妇人妻一区二区三区视频| 3wmmmm亚洲av在线观看| 男女下面进入的视频免费午夜| 亚洲国产精品专区欧美| 色哟哟·www| 女人十人毛片免费观看3o分钟| 丰满少妇做爰视频| 老司机影院成人| 久久草成人影院| 中文字幕免费在线视频6| 久久久精品大字幕| 久久亚洲国产成人精品v| 波野结衣二区三区在线| 我的老师免费观看完整版| 久久精品国产自在天天线| 高清av免费在线| av在线播放精品| 国产淫片久久久久久久久| 免费看av在线观看网站| 国产精品久久电影中文字幕| 啦啦啦观看免费观看视频高清| 日韩在线高清观看一区二区三区| 成人高潮视频无遮挡免费网站| 伦精品一区二区三区| 男的添女的下面高潮视频| 亚洲精华国产精华液的使用体验| 精品人妻熟女av久视频| 99久国产av精品国产电影| 亚洲欧美日韩卡通动漫| 丰满少妇做爰视频| 国产精品伦人一区二区| 级片在线观看| 久久亚洲国产成人精品v| 国产精品久久久久久久电影| 22中文网久久字幕| eeuss影院久久| 国产国拍精品亚洲av在线观看| 亚洲av一区综合| 国产片特级美女逼逼视频| 美女高潮的动态| 国产在线一区二区三区精 | 国产av码专区亚洲av| av在线观看视频网站免费| 亚洲一级一片aⅴ在线观看| 超碰av人人做人人爽久久| 中文乱码字字幕精品一区二区三区 | 欧美极品一区二区三区四区| 精品久久久噜噜| 亚洲丝袜综合中文字幕| 别揉我奶头 嗯啊视频| 欧美高清成人免费视频www| 九九在线视频观看精品| 欧美日本亚洲视频在线播放| 久久亚洲精品不卡| 99在线人妻在线中文字幕| 偷拍熟女少妇极品色| 久久久久九九精品影院| 久久精品国产亚洲网站| av黄色大香蕉| 在线播放无遮挡| 两个人的视频大全免费| 日韩制服骚丝袜av| 亚洲最大成人av| 大香蕉97超碰在线| 免费看日本二区| 18+在线观看网站| 欧美三级亚洲精品| 看非洲黑人一级黄片| 91久久精品国产一区二区三区| 69av精品久久久久久| 日韩 亚洲 欧美在线| 别揉我奶头 嗯啊视频| 尾随美女入室| 成人毛片60女人毛片免费| 热99在线观看视频| 五月玫瑰六月丁香| 精品久久国产蜜桃| 免费大片18禁| 18禁裸乳无遮挡免费网站照片| 国产v大片淫在线免费观看| 小蜜桃在线观看免费完整版高清| 色综合色国产| 日韩av在线免费看完整版不卡| 国产成人免费观看mmmm| 18禁在线播放成人免费| 六月丁香七月| 亚洲国产成人一精品久久久| 国产精品人妻久久久久久| 亚洲经典国产精华液单| 美女大奶头视频| 舔av片在线| 国语对白做爰xxxⅹ性视频网站| 麻豆av噜噜一区二区三区| 久久精品熟女亚洲av麻豆精品 | 久久久久九九精品影院| 欧美成人午夜免费资源| 欧美97在线视频| 欧美三级亚洲精品| 久久久久精品久久久久真实原创| 听说在线观看完整版免费高清| 亚洲欧美清纯卡通| 久久精品夜色国产| 丝袜喷水一区| 国产精品国产高清国产av| 日本与韩国留学比较| 中文精品一卡2卡3卡4更新| 午夜老司机福利剧场| 国产精品蜜桃在线观看| 久久久欧美国产精品| 国产高潮美女av| 男女下面进入的视频免费午夜| 国产精品女同一区二区软件| 国产美女午夜福利| 亚洲美女搞黄在线观看| 国产探花极品一区二区| 亚洲激情五月婷婷啪啪| 欧美一区二区国产精品久久精品| 麻豆成人午夜福利视频| 天堂影院成人在线观看| 日韩,欧美,国产一区二区三区 | 插阴视频在线观看视频| 欧美另类亚洲清纯唯美| 久久久久免费精品人妻一区二区| 人体艺术视频欧美日本| 3wmmmm亚洲av在线观看| 搡老妇女老女人老熟妇| 99热6这里只有精品| 免费人成在线观看视频色| 插逼视频在线观看| 色吧在线观看| 亚洲五月天丁香| 中文字幕免费在线视频6| 久久精品国产亚洲av涩爱| ponron亚洲| 亚洲18禁久久av| 99久久精品国产国产毛片| 国产久久久一区二区三区| 少妇高潮的动态图| 在线观看一区二区三区| 舔av片在线| 日本黄色片子视频| kizo精华| 亚洲乱码一区二区免费版| 久久久久久久午夜电影| 男插女下体视频免费在线播放| 别揉我奶头 嗯啊视频| 精品酒店卫生间| 亚洲欧美精品专区久久| 乱人视频在线观看| 99热全是精品| 亚洲丝袜综合中文字幕| 三级国产精品欧美在线观看| 亚洲中文字幕一区二区三区有码在线看| 亚洲性久久影院| 久久欧美精品欧美久久欧美| 国产精品久久久久久精品电影| 免费看美女性在线毛片视频| 国产精品一二三区在线看| av专区在线播放| 亚洲av日韩在线播放| 国产男人的电影天堂91| 2021少妇久久久久久久久久久| 久久精品国产鲁丝片午夜精品| 国产成人一区二区在线| 国产av在哪里看| 国产精品三级大全| 男人的好看免费观看在线视频| 天堂网av新在线| 亚洲中文字幕一区二区三区有码在线看| 国产精品国产三级国产av玫瑰| 97热精品久久久久久| 亚洲国产成人一精品久久久| 国产毛片a区久久久久| 久久99精品国语久久久| 亚洲av电影在线观看一区二区三区 | 国产v大片淫在线免费观看| 欧美人与善性xxx| 亚洲成人精品中文字幕电影| 日韩强制内射视频| 久久精品夜色国产| av线在线观看网站| kizo精华| 亚洲欧美精品专区久久| 舔av片在线| 在现免费观看毛片| 国产成人aa在线观看| 午夜精品一区二区三区免费看| 99热精品在线国产| 寂寞人妻少妇视频99o| 国产黄a三级三级三级人| 最近2019中文字幕mv第一页| 大又大粗又爽又黄少妇毛片口| 亚洲第一区二区三区不卡| 免费电影在线观看免费观看| 欧美成人一区二区免费高清观看| 欧美高清性xxxxhd video| 波多野结衣巨乳人妻| 欧美日韩在线观看h| 日日摸夜夜添夜夜爱| 国产久久久一区二区三区| 欧美三级亚洲精品| 有码 亚洲区| 久久久久网色| 国产欧美日韩精品一区二区| 日韩欧美 国产精品| 中国国产av一级| 26uuu在线亚洲综合色| av卡一久久| 精品人妻一区二区三区麻豆| 国产免费一级a男人的天堂| 男女边吃奶边做爰视频| 国产成人aa在线观看| 日韩在线高清观看一区二区三区| 亚洲欧美日韩无卡精品| 99国产精品一区二区蜜桃av| videos熟女内射| 寂寞人妻少妇视频99o| 国产黄a三级三级三级人| 日韩一区二区三区影片| 日本熟妇午夜| 亚洲av男天堂| 国产老妇伦熟女老妇高清| 少妇的逼水好多| www日本黄色视频网| 久久午夜福利片| 黄色欧美视频在线观看| 久久热精品热| av在线播放精品| 国产精品永久免费网站| 人妻夜夜爽99麻豆av| av在线天堂中文字幕| 久热久热在线精品观看| 看十八女毛片水多多多| 美女国产视频在线观看| 亚洲国产色片| 久久久欧美国产精品| 久久精品国产自在天天线| 美女cb高潮喷水在线观看| 国产欧美日韩精品一区二区| 亚洲精品日韩av片在线观看| 成人无遮挡网站| 黄色欧美视频在线观看| 2022亚洲国产成人精品| 美女xxoo啪啪120秒动态图| 中文字幕制服av| 国产极品精品免费视频能看的| 最近视频中文字幕2019在线8| 免费在线观看成人毛片| 黄色一级大片看看| 日韩三级伦理在线观看| 99热这里只有是精品在线观看| 黄色一级大片看看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 久久久精品大字幕| 国产爱豆传媒在线观看| 亚洲最大成人av| 国产精品久久电影中文字幕| 成年女人看的毛片在线观看| 亚洲欧洲日产国产| 国产精品蜜桃在线观看| 亚洲av日韩在线播放| 舔av片在线| 又爽又黄a免费视频| 亚洲精品自拍成人| 一夜夜www| 国产色婷婷99| av播播在线观看一区| 亚洲四区av| 91精品一卡2卡3卡4卡| 黄片无遮挡物在线观看| 好男人视频免费观看在线| 一级毛片aaaaaa免费看小| 日本五十路高清| 岛国在线免费视频观看| 中文字幕人妻熟人妻熟丝袜美| 日日啪夜夜撸| 亚洲国产最新在线播放| 天堂av国产一区二区熟女人妻| 哪个播放器可以免费观看大片| 国产精品嫩草影院av在线观看| 亚洲在久久综合| 国产男人的电影天堂91| 欧美丝袜亚洲另类| 欧美激情久久久久久爽电影| 少妇的逼好多水| 久久久久久久国产电影| 国产精品综合久久久久久久免费| av视频在线观看入口| 青春草视频在线免费观看| 3wmmmm亚洲av在线观看| 日本一二三区视频观看| 在线播放无遮挡| 精品一区二区免费观看| 色视频www国产| 两个人的视频大全免费| 青春草亚洲视频在线观看| 高清在线视频一区二区三区 | 亚洲内射少妇av| 如何舔出高潮| 午夜福利网站1000一区二区三区| av在线播放精品| 一级爰片在线观看| 国产 一区精品| 国产精品嫩草影院av在线观看| 日韩在线高清观看一区二区三区| 亚洲av成人精品一二三区| 国产真实乱freesex| 久久久久免费精品人妻一区二区| 亚洲一级一片aⅴ在线观看| 婷婷色av中文字幕| 我的老师免费观看完整版| 亚洲aⅴ乱码一区二区在线播放| 午夜精品一区二区三区免费看| 日韩中字成人| 国产中年淑女户外野战色| 网址你懂的国产日韩在线| 淫秽高清视频在线观看| 别揉我奶头 嗯啊视频| 久久久亚洲精品成人影院| 欧美成人a在线观看| 18+在线观看网站| 在线免费观看的www视频| 18禁动态无遮挡网站| 日韩人妻高清精品专区| 国产精品久久久久久av不卡| 国产午夜精品一二区理论片| 亚洲欧洲国产日韩| 久久人人爽人人片av| 内射极品少妇av片p| 免费观看a级毛片全部| 中文乱码字字幕精品一区二区三区 | 女人被狂操c到高潮| 亚洲av日韩在线播放| av卡一久久| 国产伦在线观看视频一区| 99在线人妻在线中文字幕| 尤物成人国产欧美一区二区三区| 2022亚洲国产成人精品| 99久国产av精品国产电影| 久久久久国产网址| 久久久久久大精品| 国产高清三级在线| 26uuu在线亚洲综合色| 麻豆精品久久久久久蜜桃| 久久久久久九九精品二区国产| av国产久精品久网站免费入址| 伦精品一区二区三区| 久久久精品94久久精品| 亚洲天堂国产精品一区在线| 国产精品永久免费网站| 99热精品在线国产| 国产精品久久久久久精品电影| 国产精品久久久久久久久免| 日韩一本色道免费dvd| 免费观看的影片在线观看| 色综合色国产| 久久综合国产亚洲精品| 亚洲丝袜综合中文字幕| 国产精品,欧美在线| 久热久热在线精品观看| 亚洲av中文av极速乱| 国产精品一区www在线观看| 亚洲欧美精品自产自拍| 欧美成人一区二区免费高清观看| 亚洲在久久综合| 亚洲最大成人av| 看片在线看免费视频| 久久久久久久久久黄片| 一卡2卡三卡四卡精品乱码亚洲| 久久欧美精品欧美久久欧美| 精品一区二区三区视频在线| 高清午夜精品一区二区三区| 91精品伊人久久大香线蕉| 亚洲,欧美,日韩| 狂野欧美激情性xxxx在线观看| 美女被艹到高潮喷水动态| 99在线人妻在线中文字幕| 国产又黄又爽又无遮挡在线| 亚洲欧美成人综合另类久久久 | 国产精品国产三级专区第一集| 亚洲欧美中文字幕日韩二区| 夜夜看夜夜爽夜夜摸| 丝袜美腿在线中文| 一个人看视频在线观看www免费| 精品久久久久久久久av| 国产一区有黄有色的免费视频 | 成年女人看的毛片在线观看| 精品久久久久久久末码| 白带黄色成豆腐渣| 69人妻影院| 亚洲无线观看免费| 国产精品日韩av在线免费观看| 青春草视频在线免费观看| 免费播放大片免费观看视频在线观看 | 麻豆精品久久久久久蜜桃| 亚洲精品自拍成人| 熟女人妻精品中文字幕| 精品一区二区三区人妻视频| 国内精品宾馆在线| 日本黄大片高清| 男人的好看免费观看在线视频| 精品国产一区二区三区久久久樱花 | 大香蕉久久网| 国产黄片视频在线免费观看| 欧美日本视频| 少妇的逼好多水| 国产探花在线观看一区二区| 最近最新中文字幕免费大全7| 99久久成人亚洲精品观看| 婷婷色综合大香蕉| 国产69精品久久久久777片| 久久99精品国语久久久| 色视频www国产| 国产三级在线视频| 久久99热6这里只有精品| 欧美又色又爽又黄视频| 国产美女午夜福利| 男的添女的下面高潮视频| 国产精品美女特级片免费视频播放器| 国产精品一区二区性色av| 精品欧美国产一区二区三| 国产免费福利视频在线观看| 美女内射精品一级片tv| 国产精品1区2区在线观看.| 免费搜索国产男女视频| 亚洲最大成人中文| 嫩草影院新地址| 亚洲国产精品合色在线| 成人午夜高清在线视频| 高清视频免费观看一区二区 | 免费观看人在逋| 久久久久免费精品人妻一区二区| 亚洲最大成人av| 久久亚洲国产成人精品v| 成人漫画全彩无遮挡| 国产又色又爽无遮挡免| 亚洲最大成人av| 亚洲国产日韩欧美精品在线观看| 舔av片在线| 欧美人与善性xxx| 日本免费a在线| 精品少妇黑人巨大在线播放 | 尾随美女入室| 免费大片18禁| 久久久久国产网址| 亚洲国产精品成人综合色| 一个人看的www免费观看视频| 免费搜索国产男女视频| 黄色一级大片看看| 69av精品久久久久久| 三级经典国产精品| 一区二区三区免费毛片| 国产精品.久久久| 亚洲国产最新在线播放| 色网站视频免费| 免费观看的影片在线观看| 永久免费av网站大全| 水蜜桃什么品种好| 婷婷色麻豆天堂久久 | 午夜福利高清视频| 秋霞在线观看毛片| 国产精品无大码| 一卡2卡三卡四卡精品乱码亚洲| 国产精品av视频在线免费观看| 欧美极品一区二区三区四区| 亚洲欧洲国产日韩| 国产在视频线在精品| 日韩三级伦理在线观看| 99热精品在线国产| 国产私拍福利视频在线观看| 欧美3d第一页| 国产真实伦视频高清在线观看| 午夜精品国产一区二区电影 | 国产精品日韩av在线免费观看| 国产淫语在线视频| 国产一区二区在线av高清观看| 久久精品国产鲁丝片午夜精品| 国产真实伦视频高清在线观看| 极品教师在线视频| 精品国产三级普通话版| 亚洲天堂国产精品一区在线| АⅤ资源中文在线天堂| 成人午夜精彩视频在线观看| 观看美女的网站| 国产精品一区二区在线观看99 | 五月玫瑰六月丁香| av专区在线播放| 一级二级三级毛片免费看| 亚洲最大成人中文| 亚洲精品影视一区二区三区av| 日本黄色视频三级网站网址| 人妻少妇偷人精品九色| 久久久午夜欧美精品| 国产亚洲一区二区精品| 国产一区二区在线观看日韩| 天堂影院成人在线观看| 国产高清视频在线观看网站| 少妇的逼水好多| 日本av手机在线免费观看| 亚洲av二区三区四区| 国产精品熟女久久久久浪| 男人舔奶头视频|