基于改進(jìn)蟻群算法的多媒體圖像個(gè)性化推薦模型

陳釗，沈舒海

基于改進(jìn)蟻群算法的多媒體圖像個(gè)性化推薦模型

陳釗，沈舒海

（安徽職業(yè)技術(shù)學(xué)院，安徽 合肥 230011）

為了提高多媒體圖像個(gè)性化推薦能力，提出基于改進(jìn)蟻群算法的多媒體圖像個(gè)性化推薦模型。構(gòu)建多媒體圖像的邊緣像素特征解析模型，采用特征空間重組實(shí)現(xiàn)對(duì)多媒體圖像的像素結(jié)構(gòu)重組，采用多級(jí)語(yǔ)義特征分析方法進(jìn)行多媒體圖像個(gè)性化信息融合和特征圖融合處理，采用淺層特征圖組合控制方法實(shí)現(xiàn)對(duì)多媒體圖像個(gè)性化特征提取，對(duì)提取的多媒體圖像個(gè)性化特征采用蟻群算法進(jìn)行尋優(yōu)參數(shù)識(shí)別，構(gòu)建多媒體圖像個(gè)性化推薦的多層次特征解析模型，結(jié)合多媒體圖像的深層特征信息分布進(jìn)行個(gè)性化推薦。仿真結(jié)果表明，采用該方法進(jìn)行多媒體圖像個(gè)性化推薦的使用度水平較高，推薦精度較好，提高了多媒體圖像個(gè)性化融合和特征辨識(shí)能力。

改進(jìn)蟻群算法；多媒體圖像；個(gè)性化；推薦；特征融合

隨著智能大數(shù)據(jù)庫(kù)的發(fā)展，采用大數(shù)據(jù)信息分布式存儲(chǔ)技術(shù)實(shí)現(xiàn)對(duì)多媒體圖像存儲(chǔ)，提高圖像的實(shí)時(shí)調(diào)度和傳輸控制能力，在多媒體圖像的數(shù)據(jù)庫(kù)檢索過(guò)程中，需要結(jié)合用戶的偏好特征信息進(jìn)行多媒體圖像個(gè)性化推薦，提高圖像的檢索和信息采集控制能力，研究多媒體圖像個(gè)性化推薦算法在提高多媒體數(shù)據(jù)庫(kù)的檢索和識(shí)別能力方面具有重要意義[1]。

建立多媒體圖像推薦的用戶特征信息檢測(cè)模型，采用多維參數(shù)融合調(diào)度，進(jìn)行多媒體圖像個(gè)性化參數(shù)融合和自適應(yīng)匹配，通過(guò)空間狀態(tài)參數(shù)尋優(yōu)控制，實(shí)現(xiàn)對(duì)多媒體圖像個(gè)性化推薦[2-3]。傳統(tǒng)方法中，對(duì)多媒體圖像個(gè)性化推薦的方法主要有基于矩陣分解的多媒體圖像個(gè)性化推薦方法、基于量子粒子群優(yōu)化的多媒體圖像個(gè)性化推薦方法、基于獅群算法的多媒體圖像個(gè)性化推薦方法等[4-6]，通過(guò)建立多媒體圖像個(gè)性化推薦的特征辨識(shí)模型，采用多維空間參數(shù)尋優(yōu)控制，進(jìn)行多媒體圖像個(gè)性化推薦的模糊度檢測(cè)和信息融合，但傳統(tǒng)方法進(jìn)行多媒體圖像個(gè)性化推薦的自適應(yīng)性不好，特征辨識(shí)度水平不高，推薦的準(zhǔn)確性不強(qiáng)。

針對(duì)上述問(wèn)題，本文提出基于改進(jìn)蟻群算法的多媒體圖像個(gè)性化推薦模型，通過(guò)構(gòu)建多媒體圖像的邊緣像素特征解析模型，聯(lián)合淺層特征圖組合控制方法與蟻群算法，以多媒體圖像的深層特征信息分布結(jié)果，進(jìn)行個(gè)性化推薦信息提取，展示了本文方法在提高多媒體圖像個(gè)性化推薦能力方面的優(yōu)越性能。

1 多媒體圖像特征分析與預(yù)處理

1.1 多媒體圖像的邊緣像素特征解析

通過(guò)提取多媒體圖像個(gè)性化特征量，采用邊緣像素信息重組和特征分布式重構(gòu)的方法，進(jìn)行多媒體圖像的語(yǔ)義信息檢測(cè)，采用深層次的圖像參數(shù)分析方法構(gòu)建特征圖模型，通過(guò)圖像分割技術(shù)，用像素特征量來(lái)豐富語(yǔ)義信息，進(jìn)行多媒體圖像的個(gè)性化推薦。采用多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)分析方法，進(jìn)行多媒體圖像的層次化分析和融合處理[6]，得到多媒體圖像的層次化推薦結(jié)構(gòu)模型如圖1所示。

圖1 多媒體圖像的層次化推薦結(jié)構(gòu)模型

采用多級(jí)語(yǔ)義特征分析方法進(jìn)行多媒體圖像個(gè)性化信息融合和特征圖融合處理，通過(guò)插值尋優(yōu)方法，進(jìn)行適應(yīng)度分析，提高圖像檢索的個(gè)性化推薦能力[10]。

1.2 多媒體圖像的多級(jí)語(yǔ)義特征空間重組

通過(guò)多媒體圖像個(gè)性化推薦的語(yǔ)義特征分析，計(jì)算多媒體圖像推薦的聯(lián)合信息熵特征，得到經(jīng)過(guò)特征提取后特征圖，表示為

采用自底向上和自頂向下路徑搜索方法，得到多媒體圖像用戶行為特征的元數(shù)據(jù)表達(dá)模型，采取逐像素加權(quán)求和，得到多媒體圖像用戶參數(shù)分布集描述為

2 多媒體圖像個(gè)性化推薦優(yōu)化

2.1 多媒體圖像個(gè)性化推薦蟻群算法尋優(yōu)

采用淺層特征圖組合控制方法實(shí)現(xiàn)對(duì)多媒體圖像個(gè)性化特征提取，對(duì)提取的多媒體圖像個(gè)性化特征采用蟻群算法進(jìn)行尋優(yōu)控制[12]，進(jìn)行多媒體圖像個(gè)性化推薦蟻群尋優(yōu)控制模型為

2.2 多媒體圖像個(gè)性化推薦

結(jié)合梯度算法進(jìn)行多媒體圖像個(gè)性化推薦的參數(shù)尋優(yōu)，構(gòu)建多媒體圖像個(gè)性化推薦的聚類(lèi)模型，輸出為

式中，為輸出的多層推薦的適應(yīng)度函數(shù)，是多媒體圖像個(gè)性化推薦的組合預(yù)測(cè)值，為當(dāng)前蟻群分布的適應(yīng)度值，為推薦模型的可靠性檢測(cè)特征量。

綜上分析，得到多媒體圖像個(gè)性化推薦的算法實(shí)現(xiàn)流程如圖2所示。

3 仿真測(cè)試

為了驗(yàn)證本文方法在實(shí)現(xiàn)多媒體圖像個(gè)性化推薦中的應(yīng)用性能，進(jìn)行仿真測(cè)試分析，得到多媒體圖像個(gè)性化特征采樣的像素點(diǎn)數(shù)為1200，圖像個(gè)性化推薦模型的預(yù)測(cè)概率為0.37，圖像數(shù)據(jù)庫(kù)的數(shù)據(jù)規(guī)模為2400，用戶數(shù)為129，根據(jù)上述參數(shù)設(shè)定，構(gòu)建多媒體圖像個(gè)性化推薦的仿真模型，得到多媒體圖像的分布樣例集如圖3所示。

圖3 多媒體圖像的分布樣例集

根據(jù)圖3的多媒體圖像采集結(jié)果進(jìn)行個(gè)性化推薦，將本文方法與傳統(tǒng)方法（文獻(xiàn)[5]方法）進(jìn)行對(duì)比分析。分別使用這兩種方法構(gòu)建多媒體圖像的融合模型，輸出最終多媒體圖像，如圖4所示。

圖4 多媒體圖像融合輸出

分析圖4得知，本文方法進(jìn)行多媒體圖像融合的輸出融合度水平較高。

圖5為不同方法的收斂性的測(cè)試結(jié)果。圖5表明，本文進(jìn)行多媒體圖像個(gè)性化推薦的收斂性較好。

4 結(jié)束語(yǔ)

通過(guò)空間狀態(tài)參數(shù)尋優(yōu)控制，實(shí)現(xiàn)對(duì)多媒體圖像個(gè)性化推薦。本文提出基于改進(jìn)蟻群算法的多媒體圖像個(gè)性化推薦模型，在多尺度效應(yīng)融合下，得到多媒體圖像的推薦特征量，采用多媒體圖像的推薦方法，進(jìn)行多媒體圖像個(gè)性化推薦的語(yǔ)義本體信息重建，通過(guò)插值尋優(yōu)方法，進(jìn)行適應(yīng)度分析，提高圖像檢索的個(gè)性化推薦能力。研究得知，本文方法進(jìn)行多媒體圖像個(gè)性化推薦的收斂性較好，特征融合度水平較高。

圖5 多媒體圖像個(gè)性化推薦的收斂性測(cè)試

[1] 孫英，劉忠利. 基于SIFT特征的多媒體圖像信息檢索方法研究[J]. 信息與電腦：理論版，2020, 449(7): 183-184.

[2] 冷亞軍，陸青，梁昌勇. 協(xié)同過(guò)濾推薦技術(shù)綜述[J]. 模式識(shí)別與人工智能，2014, 27(8): 720-734.

[3] 黃立威，江碧濤，呂守業(yè)，等. 基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 計(jì)算機(jī)學(xué)報(bào)，2018, 41(7): 1619-1647.

[4] 郭娣，趙海燕. 融合標(biāo)簽流行度和時(shí)間權(quán)重的矩陣分解推薦算法[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2016, 37(2): 293-297.

[5] 張藝瀛，金志剛. 一種高維多模態(tài)優(yōu)化的量子粒子群優(yōu)化算法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2018, 50(11): 50-58, 82.

[6] 劉生建，楊艷，周永權(quán). 一種群體智能算法-獅群算法[J]. 模式識(shí)別與人工智能，2018, 31(5): 431-441.

[7] Ebtehaj I, Bonakdari H, Es-Haghi M S . Design of a hybrid ANFIS-PSO model to estimate sediment transport in open channels[J]. Iranian Journal of Science & Technology Transactions of Civil Engineering, 2019, 43(4): 851-857.

[8] Ghasemi M, Akbari E, Rahimnejad A, et al. Phasor particle swarm optimization: a simple and efficient variant of PSO[J]. Soft Computing, 2019, 23(19): 9701-9718.

[9] Wang R, Cheng H K, Jiang Y, et al. A novel matrix factorization model for recommendation with LOD-based semantic similarity measure[J]. Expert Systems with Applications, 2019, 123(1): 70-81.

[10] 董立巖，王越群，賀嘉楠，等. 基于時(shí)間衰減的協(xié)同過(guò)濾推薦算法[J]. 吉林大學(xué)學(xué)報(bào)：工學(xué)版，2017, 47(4): 1268-1272.

[11] 石鴻瑗，孫天昊，李雙慶，等. 融合時(shí)間和類(lèi)型特征加權(quán)的矩陣分解推薦算法[J]. 重慶大學(xué)學(xué)報(bào)，2019, 42(1): 83-91.

[12] 鈕瑗瑗，程國(guó)振，齊超，等. 基于遺忘曲線的用戶影響力時(shí)效性度量方法[J]. 計(jì)算機(jī)應(yīng)用，2017, 37(Z1): 18-22.

Personalized recommendation model of multimedia image based on improved ant colony algorithm

CHEN Zhao，SHEN Shu-hai

(Anhui Vocational and Technical College, Hefei 230011, China)

In order to improve the personalized recommendation ability of multimedia images, a personalized recommendation model of multimedia images based on improved ant colony algorithm is proposed. The edge pixel feature analysis model of multimedia image is constructed, the pixel structure of multimedia image is reorganized by feature space reorganization, the personalized information fusion and feature map fusion of multimedia image are processed by multilevel semantic feature analysis method, the personalized feature extraction of multimedia image is realized by shallow feature map combination control method, the extracted personalized features of multimedia image are identified by ant colony algorithm, and the multi-level feature analysis model of personalized image recommendation of multimedia image is constructed. Simulation results show that this method has higher usage level and better recommendation accuracy, and improves the ability of personalized fusion and feature recognition of multimedia images.

improved ant colony algorithm；multimedia image；individualization；recommend；feature fusion

2020-12-28

陳釗（1984-），男，安徽肥東人，實(shí)驗(yàn)師，碩士，主要從事人工智能算法應(yīng)用研究，audao@163.com。

TP391.3

A

1007-984X(2021)04-0044-05