基于用戶行為的數(shù)字媒體推薦系統(tǒng)設(shè)計

溫 雪

（青島酒店管理職業(yè)技術(shù)學(xué)院 山東 青島 266100）

0 引言

由于流媒體的興起以及數(shù)字媒體的宣傳工作落實不到位，極易導(dǎo)致數(shù)字媒體的宣傳出現(xiàn)閉環(huán)。在這一過程中，對用戶給予個性化信息的主動推薦，不僅可以幫助用戶發(fā)現(xiàn)社會中更有價值的信息，還可以提高數(shù)字媒體的關(guān)注度[1-2]。本文在已有研究的基礎(chǔ)上，對該系統(tǒng)展開進一步設(shè)計，根據(jù)系統(tǒng)功能需求選擇合適的處理服務(wù)器和個性化的推薦引擎，運用大數(shù)據(jù)和關(guān)聯(lián)規(guī)則采集用戶日常行為數(shù)據(jù)，然后根據(jù)用戶的行為習慣來實現(xiàn)數(shù)字媒體主動且精準的推薦，滿足受眾群體對數(shù)字媒體資源的需求，以此解決現(xiàn)有數(shù)字媒體推薦不準確的問題，提高推薦資源與用戶需求之間的匹配度。

1 硬件設(shè)計

為確保開發(fā)的系統(tǒng)在應(yīng)用中具有主動推薦數(shù)字資源的良好性能，應(yīng)在設(shè)計系統(tǒng)功能前，進行系統(tǒng)硬件結(jié)構(gòu)的規(guī)劃[3]。具體設(shè)計見圖1。

從圖1可以看出，本次開發(fā)的系統(tǒng)主要由智能化處理端、數(shù)據(jù)源端、個性化推薦引擎、用戶端等部分構(gòu)成，并且每個終端在系統(tǒng)中發(fā)揮的作用是不同的。例如，智能化處理端主要用于處理網(wǎng)絡(luò)信息，通過網(wǎng)絡(luò)爬蟲技術(shù)獲取用戶信息并進行信息積累，當積累到一定程度后，通過對信息的集中整理，掌握用戶瀏覽數(shù)字媒體的行為習慣、用戶檢索數(shù)字媒體網(wǎng)站的偏好度等核心信息。將處理后的信息通過源端進行傳輸，使用個性化推薦引擎進行深度分析，最終實現(xiàn)為用戶推薦個性化的數(shù)字媒體資源。

1.1 處理器選型

在規(guī)劃好本文推薦系統(tǒng)的硬件結(jié)構(gòu)后，為了確保系統(tǒng)穩(wěn)定運行，所以選用ST584-89640型號的處理器，該型號處理服務(wù)器的性能參數(shù)見表1。

表1 ST584-89640型號處理器性能參數(shù)對照表

ST584-89640型號處理器不僅空間占用量小，而且運行狀態(tài)下噪音低，非常適用于本文設(shè)計的推薦系統(tǒng)。ST584-89640型號處理器中的CPU采用G5420雙核四線程3.8 G hz，內(nèi)部含有4個內(nèi)存插槽，并且支持DDR4 ECC/8 GB/16 GB，其中DDR4 ECC內(nèi)存能夠在標準的工作負載下有效降低功耗，提升系統(tǒng)整體能效，實現(xiàn)對更多數(shù)字媒體信息的高效存儲[4]。ST584-89640型號處理器支持機械盤和固態(tài)硬盤的多種選擇，是一種能夠適用于企業(yè)的高容量驅(qū)動裝置，同時在該型號處理器上應(yīng)用RID備份功能，能夠進一步提升本文推薦系統(tǒng)對數(shù)字媒體數(shù)據(jù)讀寫的效率和安全。

1.2 個性化推薦引擎選型

為了給不同需求的用戶推薦其合適的信息資源，需要對用戶行為進行分析，并應(yīng)用合適的推薦引擎進行信息推薦。此次選用SN74CBTLV3245ADGVR芯片作為推薦引擎。SN74CBTLV3245ADGVR芯片的導(dǎo)通電阻為7O hms；傳播延遲為250 ps；工作電源電壓為2.3～3.6 V；安裝風格為SMD/SMT；工作溫度范圍在-25～85 ℃之間；封裝/箱體為TVSOP-20；運行中的電源電流最大值為20 μA；位數(shù)為8 bit。將該芯片應(yīng)用到本文推薦系統(tǒng)當中，用于實現(xiàn)本文系統(tǒng)為不同用戶的數(shù)字媒體資源個性化推薦提供分析依據(jù)。將該芯片作為個性化推薦引擎能夠進一步提高推薦系統(tǒng)的運行效率，在保證推薦精度的同時，使系統(tǒng)的運行更具時效性。

2 軟件設(shè)計

2.1 用戶瀏覽數(shù)據(jù)導(dǎo)入

軟件部分首先進行用戶瀏覽數(shù)據(jù)的導(dǎo)入，輸入用戶的瀏覽請求，Jena API即可根據(jù)持久化功能，將本體瀏覽信息存儲在系統(tǒng)數(shù)據(jù)庫中，并記錄對應(yīng)的數(shù)據(jù)庫訪問接口，便于后期查詢與檢索。Jena API可以有效構(gòu)建語義網(wǎng)應(yīng)用程序，在Java框架下可以為RDF等提供良好的編程環(huán)境，有利于規(guī)則化推理引擎，而API則可以借助應(yīng)用代碼實現(xiàn)不同機制的轉(zhuǎn)換。根據(jù)用戶數(shù)據(jù)性質(zhì)構(gòu)建不同數(shù)據(jù)集，如member.txt、tiezi.txt、bankui.txt等，用于集合用戶的瀏覽信息。部分用戶瀏覽數(shù)據(jù)導(dǎo)入代碼見圖2。

2.2 構(gòu)建數(shù)據(jù)庫

用戶瀏覽數(shù)據(jù)導(dǎo)入后存儲至數(shù)據(jù)庫中，數(shù)據(jù)庫存儲信息不僅包括數(shù)據(jù)信息，還包括節(jié)點、圖像等信息，因此使用Cypher語言對數(shù)據(jù)庫內(nèi)的待存儲信息進行模式匹配。Cypher可以以一種標識符號給數(shù)據(jù)屬性命名，也可同時執(zhí)行查詢、創(chuàng)建、刪除節(jié)點等指令。數(shù)據(jù)庫內(nèi)數(shù)據(jù)類型見表2。

表2 數(shù)據(jù)庫數(shù)據(jù)類型

3 建立模型

3.1 數(shù)字媒體推薦項目分布信息采集模塊

為實現(xiàn)對數(shù)字媒體資源的智能化推薦，應(yīng)在完成對該系統(tǒng)硬件結(jié)構(gòu)的設(shè)計后，獲取數(shù)字媒體推薦項目分布信息，掌握數(shù)字媒體資源在網(wǎng)絡(luò)中的分布。并且可以使用大數(shù)據(jù)技術(shù)與關(guān)聯(lián)規(guī)則，進行用戶行為與特征的匹配，建立一個數(shù)字媒體資源推薦的訓(xùn)練樣本，根據(jù)樣本在網(wǎng)絡(luò)空間中的分布，將其表示為(x,y)，對應(yīng)的樣本表達式：{(x1,y1) ,(x2,y2),L ,(xn,yn)}，將現(xiàn)有資源中，與用戶偏好度較為匹配的數(shù)字媒體資源表示為(xi,yi)，用(xi,yi)∈Rn代表資源歷史推薦內(nèi)容[5]。

在此基礎(chǔ)上，根據(jù)數(shù)字媒體資源在網(wǎng)絡(luò)中的空間分布，進行資源的語義重構(gòu)，得到一個針對資源的個性化演化目標函數(shù)，函數(shù)表達式如下。

公式（1）中：min表示為數(shù)字媒體資源的個性化演化目標函數(shù)表達式；w′表示為資源語義偏好度；b表示為語義重構(gòu)與演化過程。

采用對演化信息進行協(xié)同過濾的方式，進行數(shù)字媒體推薦項目分布信息的關(guān)聯(lián)，檢測關(guān)聯(lián)信息的特征，建立一個數(shù)字媒體資源在網(wǎng)絡(luò)中分布的核函數(shù)，函數(shù)表達式如下。

公式（2）中：Kmin表示為數(shù)字媒體資源在網(wǎng)絡(luò)中分布的核函數(shù)表達式；β表示為演化分布特征；Kpoly表示為用戶歷史檢索行為特征；Krbf表示為用戶對該資源的下載率[6]。通過提取映射函數(shù)中關(guān)聯(lián)信息，按照關(guān)聯(lián)度進行資源類目輸出，以此實現(xiàn)對數(shù)字媒體推薦項目分布信息的采集。

3.2 建立用戶數(shù)字媒體瀏覽行為模型

目前，對用戶行為進行建模的技術(shù)已經(jīng)被應(yīng)用到了市場的各個領(lǐng)域，所獲取的用戶行為信息越多就對用戶行為模型的勾勒越清晰?？紤]到用戶個人信息中存在隱私信息，因此無法構(gòu)建與用戶100%匹配的行為模型，只能把基礎(chǔ)數(shù)據(jù)與歷史行為數(shù)據(jù)庫中的場景數(shù)據(jù)，作為用戶行為基礎(chǔ)模型的基礎(chǔ)數(shù)據(jù)，對不同渠道獲取的用戶行為信息進行匯總。這些數(shù)據(jù)大多為顯性數(shù)據(jù)，為了對用戶行為模型刻畫得更加精準，因此建立針對用戶行為的隱性數(shù)據(jù)模型，對數(shù)據(jù)進行單維度表示，表達式如下。

公式（3）中：Siuation表示為用戶行為隱性數(shù)據(jù)模型；Sxn表示為隱性行為特性。集成用戶行為數(shù)據(jù)中的隱性數(shù)據(jù)與顯性數(shù)據(jù)，對用戶行為進行畫像，按照此種方式，即可構(gòu)建用戶數(shù)字媒體瀏覽行為模型[7-9]。

4 基于LDA技術(shù)的數(shù)字媒體資源主動推薦模塊

對數(shù)字媒體資源主動推薦模塊引進LDA技術(shù)，并且采用均值聚類的方式，對用戶進行行為特征與資源的匹配。對匹配度較高的數(shù)據(jù)進行聚類，聯(lián)合信息熵值的分布時間序列，進行數(shù)字媒體資源的主動推薦[10]。計算推薦資源在空間中的聯(lián)合分布概率，函數(shù)計算表達式如下。

公式（4）中：E表示為推薦資源在空間中的聯(lián)合分cv布概率； 表示為推薦信息模糊度； 表示為資源隸屬度；Arec表示為資源與用戶行為的關(guān)聯(lián)度。按照上述計算公式，可以掌握用戶偏好資源與其行為的關(guān)聯(lián)度，根據(jù)兩者的關(guān)聯(lián)度系數(shù)，即可實現(xiàn)對媒體資源的主動推薦，當兩者的關(guān)聯(lián)度較低時，根據(jù)資源在網(wǎng)絡(luò)中的分布類目，自動進行下一資源的跳轉(zhuǎn)，以此完成基于用戶行為的數(shù)字媒體推薦系統(tǒng)設(shè)計。

5 對比實驗

為保證實驗測試結(jié)果的真實性與可靠性，此次所選的測試集合為國內(nèi)公開研究的Movie-Lens據(jù)庫中的基準數(shù)據(jù)信息。該數(shù)據(jù)庫中的有效存儲數(shù)據(jù)集合的網(wǎng)絡(luò)資源占比為1.0 M，最早由美國蘇達大學(xué)創(chuàng)立，庫內(nèi)的多個集成性表格中存儲了8 000.0多名數(shù)字媒體用戶信息、上萬條數(shù)字媒體行業(yè)發(fā)布的信息與數(shù)10萬條用戶評價數(shù)據(jù)。其中用戶評價數(shù)據(jù)由一星到五星構(gòu)成。實驗將數(shù)據(jù)庫中的數(shù)據(jù)集合按照數(shù)值稀疏度，劃分為5組，每組數(shù)據(jù)都可以作為此次實驗的測試集合，并將剩余數(shù)據(jù)隨機分組，作為實驗過程中的測試集合與訓(xùn)練集合。

實驗前，將本文設(shè)計系統(tǒng)安裝在Windows10系統(tǒng)中，系統(tǒng)處理器為英特爾R酷睿TMI9-8500處理器。為避免單次輸入量過大對終端設(shè)備運行造成負擔，選擇運行內(nèi)存為8.0 GB的CPU，系統(tǒng)中對應(yīng)軟件程序的編譯環(huán)境為MATLAB T2020AV9.8.0。實驗中，選擇基于Apriori改進算法的推薦系統(tǒng)作為傳統(tǒng)系統(tǒng)，對同一批用戶，分別使用兩種系統(tǒng)對其進行資源主動推薦。完成對終端用戶數(shù)字媒體資源的推薦后，使用平均絕對值差進行不同用戶群體的推薦內(nèi)容與需求內(nèi)容匹配度的計算，將絕對值平均誤差表示為MAE，對MAE的計算可用下述公式表示。

公式（5）中：MAE表示為系統(tǒng)推薦內(nèi)容與用戶需求內(nèi)容的匹配度；N表示為用戶行為維度；I表示為參與此次實驗的用戶數(shù)量；P表示為用戶對推薦數(shù)字媒體資源的評價；r表示為數(shù)字媒體資源的社會價值度。按照上述公式，計算MAE的具體結(jié)果，設(shè)定MAE的有效取值在1～10之間，MAE的取值越高，說明系統(tǒng)為用戶推薦的資源與用戶需求匹配度越高，MAE的取值越低，說明系統(tǒng)為用戶推薦的資源與用戶需求匹配度越低。

對系統(tǒng)推薦內(nèi)容與用戶需求內(nèi)容進行匹配，將匹配的結(jié)果繪制成圖3。

由圖3可知，本文系統(tǒng)為用戶推薦的數(shù)字媒體資源與用戶需求的匹配度明顯高于傳統(tǒng)系統(tǒng)。由此可以得出實驗結(jié)論：相比傳統(tǒng)系統(tǒng)，本文設(shè)計的推薦系統(tǒng)可以為用戶推薦其個人需求的資源，為數(shù)字媒體網(wǎng)站保有更多的用戶。

6 結(jié)語

現(xiàn)代化社會中，數(shù)字化技術(shù)與多媒體技術(shù)高速發(fā)展，信息資源以碎片化方式呈現(xiàn)在網(wǎng)絡(luò)中，越來越多的用戶開始通過互聯(lián)網(wǎng)獲取信息。為了給我國數(shù)字媒體行業(yè)的發(fā)展提供進一步的支撐，本文在完成了對系統(tǒng)硬件設(shè)備的規(guī)劃與部署后，從數(shù)字媒體推薦項目分布信息獲取、建立用戶數(shù)字媒體瀏覽行為模型、基于LDA技術(shù)的數(shù)字媒體資源主動推薦3個方面，對基于用戶行為的數(shù)字媒體推薦系統(tǒng)的軟件功能進行了優(yōu)化。并通過對比實驗證明了此次開發(fā)的系統(tǒng)在實際應(yīng)用中具有一定可行性，可以代替?zhèn)鹘y(tǒng)的推薦系統(tǒng)在數(shù)字媒體行業(yè)中的推廣應(yīng)用。