面向用戶偏好的動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢算法

趙紅梅　肖明　白宇　王磊

摘要： 為提高網(wǎng)頁數(shù)據(jù)查詢速度、 精度及工作效率， 提出一種面向用戶偏好的動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢算法. 首先， 構(gòu)建用戶偏好模型， 增加偏好組合的演化個體適應性， 綜合計算適配值; 其次， 為防止數(shù)據(jù)冗余和重復， 基于興趣相似性， 分離相似度高的查詢數(shù)據(jù)和重復數(shù)據(jù)， 識別出網(wǎng)絡數(shù)據(jù)的性質(zhì); 最后， 利用粒子群優(yōu)化算法尋找最優(yōu)的動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢方案. 實驗結(jié)果表明： 在數(shù)據(jù)集基數(shù)影響下， 該算法的查詢結(jié)果集質(zhì)量在0.95以上； 在查詢最大維數(shù)影響下， 該算法的查詢結(jié)果集質(zhì)量在0.96以上， 表明其查詢使用時間短、 結(jié)果集精度高、 自適應能力強.

關(guān)鍵詞： 用戶偏好模型； 動態(tài)網(wǎng)頁數(shù)據(jù)； 數(shù)據(jù)交互式查詢； 粒子群優(yōu)化算法； 空間維度

中圖分類號： TP311文獻標志碼： A文章編號： 1671-5489（2024）02-0417-06

Interactive Query Algorithm for Dynamic Web Page DataBased on User Preference

ZHAO Hongmei， XIAO Ming， BAI Yu， WANG Lei

（Center of Modern Educational Technology and Information， Heilongjiang Bayi Agriculture University， Daqing 163316， Heilongjiang Province， China）

Abstract： In order to improve the speed， accuracy and efficiency of web data query， we proposed a dynamic web data interactive query algorithm based on user preferences. The user preference model was built to increase the evolutionary individual adaptability of the preference combinations， and the adaptive value was? comprehensively calculated. Secondly， in order to prevent data redundancy and duplication， based on interest similarity， query data and duplicate data with high similarity were separated to identify the properties of network data. Finally， the particle swarm optimization algorithm was used to find the optimal interactive query scheme of dynamic web page data. The experimental results show that the quality of the query result set of the proposed algorithm is above 0.95 under the influence of the dataset cardinality， under the influence of the maximum dimension of the query， the quality of the query result set of the proposed algorithm is above 0.96， indicating? that the proposed algorithm has short query time， high precision of the result set and strong adaptability.

Keywords： user preference model; dynamic web page data; interactive data query; particle swarm optimization algorithm; spatial dimension

目前， 人們的許多信息交流和查詢方式都依靠各種軟件功能實現(xiàn)， 如社會媒體信息動態(tài)更新、 在線購物、 等待客戶在線回復等［1］. 因此， 需對海量數(shù)據(jù)進行分析和查詢， 以提高系統(tǒng)的性能和效率［2］. 當服務器硬件和數(shù)據(jù)庫的配置固定時［3］， 數(shù)據(jù)量越多， 數(shù)據(jù)查詢的速度越慢， 且會導致查詢卡頓， 使網(wǎng)頁數(shù)據(jù)庫不能正常工作. 傳統(tǒng)的大數(shù)據(jù)分析和查詢方法普遍存在速度較慢的問題， 且采用的是不交互的查詢方法. 所以， 需考慮一種能對動態(tài)網(wǎng)頁數(shù)據(jù)進行分析和處理， 并能查詢到各種交互式數(shù)據(jù)的算法.

鄧斌等［3］提出了一種基于元數(shù)據(jù)關(guān)聯(lián)特征的交互式數(shù)據(jù)快速查詢方法， 通過建立Map Reduce編程模型， 利用該模型處理元數(shù)據(jù)， 獲取元數(shù)據(jù)關(guān)聯(lián)結(jié)果， 并建立高維相空間， 實現(xiàn)交互式數(shù)據(jù)快速查詢. 周雨佳等［4］使用遞歸神經(jīng)網(wǎng)絡建立用戶的個性化偏好以及用戶興趣的動力學模型， 然后通過注意力機制， 查詢用戶的歷史行為動態(tài)權(quán)重， 與以往的用戶興趣模型相比， 該模型能更多地滿足目前的用戶需求， 最后根據(jù)評分顯示文檔查詢結(jié)果. 唐運樂等［5］提出了通過動態(tài)分布式聚類算法實現(xiàn)大數(shù)據(jù)的查詢， 將輸入的數(shù)據(jù)分成若干個子集， 以RR的形式存于一套計算機節(jié)點中， 在Apache Spark平臺上， 利用劃分和層次動態(tài)聚類方法實現(xiàn)數(shù)據(jù)的分布式聚類， 根據(jù)K-近鄰查詢法， 得到查詢結(jié)果. 雖然上述方法能實現(xiàn)數(shù)據(jù)查詢目標， 但存在數(shù)據(jù)查詢精準度較低的問題， 會出現(xiàn)結(jié)果冗余的情況， 影響用戶滿意度.

為解決上述問題， 本文提出一種面向用戶偏好的動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢算法. 該算法首先構(gòu)建用戶偏好模型， 使數(shù)據(jù)查詢結(jié)果更符合用戶需求， 不僅能解決傳統(tǒng)方法的數(shù)據(jù)丟失問題， 而且能提高用戶滿意度; 然后通過粒子群優(yōu)化算法提高搜索能力， 實現(xiàn)動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢.

1 構(gòu)建用戶偏好模型

4 實驗分析

下面通過實驗驗證本文算法的有效性， 將本文算法與遞歸神經(jīng)網(wǎng)絡算法和動態(tài)分布聚類算法進行對比. 實驗數(shù)據(jù)來自數(shù)據(jù)集data.gov（http：//www.data.gov/）， 在該數(shù)據(jù)集中抽取部分用戶相關(guān)數(shù)據(jù)形成實驗數(shù)據(jù)集.

通常情況下， 用戶會根據(jù)自己對數(shù)據(jù)集的理解不斷調(diào)整自己的偏好， 單憑一次查詢很難獲得高質(zhì)量的結(jié)果集. 因此， 根據(jù)數(shù)據(jù)的維數(shù)關(guān)系， 將數(shù)據(jù)分為正相關(guān)、 獨立和負相關(guān)3種類型. 其中正相關(guān)數(shù)據(jù)集為同時增加或減少的偏好閾值， 獨立數(shù)據(jù)集為訓練數(shù)據(jù)和測試數(shù)據(jù)分布情況一致的閾值， 負相關(guān)數(shù)據(jù)集為增大特定維度和閾值而減小特定維度的閾值. 在查詢時， 可按用戶的交互動態(tài)調(diào)節(jié)偏好閾值.

4.1 交互次數(shù)對結(jié)果集質(zhì)量的影響

首先， 驗證交互次數(shù)對結(jié)果集質(zhì)量的影響， 結(jié)果如圖1所示. 由圖1可見， 本文方法處理下的3個數(shù)據(jù)集中， 結(jié)果集質(zhì)量交互超過0.85的順序依次為正相關(guān)數(shù)據(jù)集、 獨立數(shù)據(jù)集、 負相關(guān)數(shù)據(jù)集；

4輪互動后， 正相關(guān)數(shù)據(jù)的交互結(jié)果集質(zhì)量為0.97， 后9輪正相關(guān)的交互結(jié)果集合質(zhì)量均在0.90以上， 表明本文方法在早期的交互中， 可通過調(diào)節(jié)閾值快速減小結(jié)果集合與期望結(jié)果集合尺寸之間的偏差， 從而快速使結(jié)果質(zhì)量提高到0.85.

4.2 數(shù)據(jù)集基數(shù)對算法性能的影響

基數(shù)在實驗中用于表示查詢信息集的大小， 實驗設置3種算法結(jié)果集的基數(shù)在200～2 600內(nèi)變化， 理想結(jié)果集不變， 數(shù)據(jù)集基數(shù)越大， 結(jié)果質(zhì)量越高， 則表示查詢情況越好. 數(shù)據(jù)集基數(shù)對各算法性能的影響如圖2所示.

由圖2（A）可見： 本文算法查詢結(jié)果集的質(zhì)量高于遞歸神經(jīng)網(wǎng)絡算法和動態(tài)分布聚類算法； 遞歸神經(jīng)網(wǎng)絡算法和動態(tài)分布式聚類算法結(jié)果集質(zhì)量在0.50～0.70內(nèi)， 而本文方法查詢結(jié)果集質(zhì)量均在0.95以上. 同時， 隨著樣本基數(shù)的增加， 對比算法的結(jié)果集質(zhì)量逐漸降低， 對動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢效果較差. 由圖2（B）可見， 本文算法能有效支持查詢用戶偏好動態(tài)頁面數(shù)據(jù)的變動， 交互間隔較短， 在3種算法中的查詢優(yōu)勢明顯. 本文算法的平均時間隨數(shù)據(jù)集基數(shù)的增加而增加， 這主要是因為兩種方法每次都對全部數(shù)據(jù)進行處理， 其性能與數(shù)據(jù)基數(shù)之間的關(guān)系是線性的， 這種情況在圖2（C）中尤其明顯.

綜上可見， 本文算法適用于動態(tài)頁面的閾值變動， 每次執(zhí)行時需要處理的數(shù)據(jù)集較少， 說明該算法的性能比前兩種算法好.

4.3 查詢動態(tài)網(wǎng)頁最大維數(shù)對算法性能的影響

選擇獨立數(shù)據(jù)集作為查詢最大維數(shù)的測試對象， 查詢1～13維的變化， 結(jié)果如圖3所示. 維度的增大會使結(jié)果集包含的信息熵值增大， 用戶初始選項變多， 查詢會更困難， 需要消耗較多的時間.

由圖3可見， 本文算法查詢結(jié)果集質(zhì)量在0.96以上， 而遞歸神經(jīng)網(wǎng)絡算法在0.92以下， 動態(tài)分布式聚類算法只有在9維度時能達到0.90， 本文算法性能不受查詢最大維數(shù)影響， 系統(tǒng)自適應間隔和用戶交互間隔數(shù)值都比其他兩種算法小， 說明本文算法的查詢效果較好， 能有效適應動態(tài)網(wǎng)頁各種交互式數(shù)據(jù)類型數(shù)據(jù)集.

綜上所述， 針對在數(shù)據(jù)查詢時， 由于數(shù)據(jù)量龐大， 傳統(tǒng)查詢算法存在數(shù)據(jù)查詢精準度較低， 且會出現(xiàn)結(jié)果冗余情況， 無法滿足用戶需求的問題， 本文提出了一種面向用戶偏好的動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢算法. 首先建立用戶偏好模型， 防止產(chǎn)生數(shù)據(jù)丟失問題; 然后判斷查詢數(shù)據(jù)的相似性， 并采用粒子群優(yōu)化算法增強搜索性能， 從而完成動態(tài)網(wǎng)頁數(shù)據(jù)交互式查詢. 實驗結(jié)果表明： 在數(shù)據(jù)集基數(shù)影響下， 本文算法的查詢結(jié)果集質(zhì)量均在0.95以上； 在查詢最大維數(shù)影響下， 本文算法的查詢結(jié)果集質(zhì)量在0.96以上， 因此該算法的數(shù)據(jù)查詢效果更好.

參考文獻

［1］趙文濤， 張爍. 稀疏數(shù)據(jù)下基于用戶偏好的協(xié)同過濾算法 ［J］. 重慶郵電大學學報（自然科學版）， 2021， 33（4）： 669-674. （ZHAO W T， ZHANG S. Collaborative Filtering Algorithm Based on User Preference in Sparse Data ［J］. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2021， 33（4）： 669-674.）

［2］王衛(wèi)紅， 曾英杰. 基于聚類和用戶偏好的協(xié)同過濾推薦算法 ［J］. 計算機工程與應用， 2020， 56（3）： 68-73. （WANG W H， ZENG Y J. Collaborative Filtering Recommendation Algorithm Based on Clustering and User Preference ［J］. Computer Engineering and Applications， 2020， 56（3）： 68-73.）

［3］鄧斌， 陳會平， 李凱勇. 基于元數(shù)據(jù)關(guān)聯(lián)特征的交互式數(shù)據(jù)快速查詢 ［J］. 計算機仿真， 2021， 38（7）： 371-375. （DENG B， CHEN H P， LI K Y. Interactive Data Quick Query Based on Metadata Association Characteristics ［J］. Computer Simulation， 2021， 38（7）： 371-375.）

［4］周雨佳， 竇志成， 葛松瑋， 等. 基于遞歸神經(jīng)網(wǎng)絡與注意力機制的動態(tài)個性化搜索算法 ［J］. 計算機學報， 2020， 43（5）： 812-826. （ZHOU Y J， DOU Z C， GE S W， et al. Dynamic Personalized Search Based on RNN with Attention Mechanism ［J］. Chinese Journal of Computers， 2020， 43（5）： 812-826.）

［5］唐運樂， 韋杏瓊. 基于動態(tài)分布式聚類算法的大數(shù)據(jù)查詢處理方法 ［J］. 西南師范大學學報（自然科學版）， 2021， 46（5）： 134-139. （TANG Y L， WEI X Q. Big Data Query Processing Method Based on Dynamic Distributed Clustering Algorithm ［J］. Journal of Southwest China Normal University （Natural Science Edition）， 2021， 46（5）： 134-139.）

［6］朱桂明， 賓辰忠， 古天龍， 等. 基于知識圖譜的用戶偏好神經(jīng)建?？蚣?［J］. 模式識別與人工智能， 2019， 32（7）： 661-668. （ZHU G M， BIN C Z， GU T L， et al. Neural User Preference Modeling Framework Based on Knowledge Graph ［J］. Pattern Recognition and Artificial Intelligence， 2019， 32（7）： 661-668.）

［7］SHE W， YANG X Y， TIAN Z， et al. Decentralization Configuration Method of Power Resources Based on User Preference ［J］. Automation of Electric Power Systems， 2019， 32（7）： 661-668.

［8］毛德磊， 唐雁. 基于歸因理論用戶偏好提取的協(xié)同過濾算法 ［J］. 計算機工程， 2019， 45（6）： 225-229. （MAO D L， TANG Y. Collaborative Filtering Algorithm Based on Attribution Theory for User Preference Extraction ［J］. Computer Engineering， 2019， 45（6）： 225-229.）

［9］張學旺， 付康， 葉財金， 等. 面向醫(yī)療區(qū)塊鏈的新型輕節(jié)點數(shù)據(jù)查詢方法 ［J］. 應用科學學報， 2022， 40（4）： 600-610. （ZHANG X W， FU K， YE C J， et al. New Light Node Data Query Method for Medical Blockchains ［J］. Journal of Applied Sciences， 2022， 40（4）： 600-610.）

［10］錢忠勝， 涂宇， 俞情媛， 等. 一種融合用戶動態(tài)偏好和注意力機制的跨領(lǐng)域推薦方法 ［J］. 小型微型計算機系統(tǒng)， 2022， 43（6）： 1335-1344. （QIAN Z S， TU Y， YU Q Y， et al. Approach to Cross-Domain Recommendation Fusing Users Dynamic Preferences and Attention Mechanism ［J］. Journal of Chinese Computer Systems， 2022， 43（6）： 1335-1344.）

［11］梁明玉， 蔡新紅， 趙咪. 基于改進粒子群算法的光伏系統(tǒng)MPPT控制研究 ［J］. 計算機仿真， 2021， 38（10）： 133-139. （LIANG M Y， CAI X H， ZHAO M. Research on MPPT Control of Photovoltaic System Based on Improved Particle Swarm Optimization ［J］. Computer Simulation， 2021， 38（10）： 133-139.）

（責任編輯： 韓 嘯）

收稿日期： 2023-03-23.

第一作者簡介： 趙紅梅（1979—）， 女， 漢族， 碩士， 副研究員， 從事教育數(shù)字化和數(shù)據(jù)挖掘的研究， E-mail： zhm01230@163.com.

基金項目： 黑龍江省教育廳高等教育教學改革研究項目（批準號： SJGY20200508）和大慶市社會科學界聯(lián)合會項目（批準號： DSGB2020084）.