基于云計算的用戶興趣建模探究
「本文立足于云計算基礎，提出了一套用戶興趣建模方法，并對該建模方法的相關路徑進行了闡述，希望可以為提高個性化服務能力提供幫助。(2023-2-25)」
關鍵詞：云計算;用戶興趣建模;神經網絡模型
中圖分類號：TP3 文獻標識碼：A 文章編號：1007-9416（2020）01-0077-02
0 引言
目前云計算對社會各方面的影響已經凸顯，與傳統技術相比，云計算不僅具有強大的數據計算能力，更是一個巨大的數據中心，其中能夠存儲大量的信息，滿足各方面信息處理的需求。而隨著居民生活水平的提高，人們對個性化服務的要求越來越高，基于云計算的用戶興趣模型則是解決上述供需矛盾的有效方法。
1 用戶興趣的QoS偏好矩陣
在云計算技術下，為了能夠更好的對用戶興趣進行預測，本文將結合建模技術進行分析，該模型可以根據用戶的位置場景、瀏覽軌跡等進行分析，具有理想的信息推薦能力。
根據互聯網的組成結構可知，在互聯網中存在大量多個自制系統AS，每個AS系統在實際上都是小型網絡單位，因此在用戶興趣建模過程中，根據不同用戶的特征，以IP地址作為AS系統的分類依據進行處理，其中的核心方法就是將用戶與服務的IP地址轉變為十進制表示，其計算公式為：
上述公式中的A、B、C、D分別代表IP地址。
通過上述方法能夠獲得用戶與服務的IP地址十進制形式，之后通過將處理后的IP地址進行映射，就能尋找到對應的AS系統[1]。在上述計算方法的基礎上，假設用戶的單位為u，則在用戶興趣的QoS偏好矩陣建設過程中，采用協同過濾的方法預測某一段用戶個性化服務p的QoS值，首先需要根據映射后的AS系統參數，按照下列公式進行驗算：
上述公式中，代表用戶u與用戶v的相似性標記;、分別代用用戶u與用戶v的服務集。
在上述計算模式下會出現以下幾種變化，具體內容見表1。
在表1的內容下，針對不同用戶的興趣特征，對于滿足“++”與“-+”的情況可以作為用戶個性化服務的關鍵，而“+-”則是要避免出現的情況。
2 蟻群神經網絡模型的引入
為確保整個模型更具有操作性，在本次研究中將引入神經網絡模型，假設一個具有m個分量的神經元j的基本結構如圖1所示。
目前在神經網絡結構下，激活函數被認為是神經網絡的中樞，對控制輸入、輸出有重要影響，常見的激活函數的類型分為很多種，其中以線性函數最為常見，其基本的表達方式為：
但是在云計算數據處理過程中需要注意的是，神經網絡模型可以用于解決用戶與基于項目這兩種不同要素的權值推薦問題，其中權值推薦度越高（如表1中的“++”），則用戶所能接收的頻率越高，這是實現用戶興趣推薦的關鍵[2]。而蟻群作為一種全局性的搜索算法，對于全局的尋優能力要明顯高于其他算法，若在云計算數據處理階段能夠與神經網絡結構相互結合，自然可以有效解決上述問題。因此在數據處理階段，則可以先采用蟻群算法完成基于用戶以及基于項目兩種算法的網絡權值尋優，這種操作方法可以有效避免傳統神經網絡算法因為反向傳播而陷入局部最優的問題;之后通過蟻群算法尋找到用戶興趣優先項目的初值，并通過神經網絡反向傳播的方法進一步尋優。
3 實踐分析
為了驗證上述方法滿足用戶興趣建模需求，本文將結合目前社會較為熱門的旅游為研究對象，分析基于云計算的用戶旅游興趣模型。
3.1 功能模塊設計思路
本次研究中借鑒興趣建模技術與云計算架構特征，提出一個面向用戶旅游興趣愛好的手機靜電服務推薦平臺，根據用戶的興趣愛好，針對性的推送各種旅游信息咨詢，滿足用戶旅行出行需求。該系統采用分布式結構，在云環境下能夠根據服務請求的數量變化而逐漸增強數據信息處理能力，并且在日常數據處理中，可以依靠云存儲模塊集中處理用戶的各種出行需求，并根據用戶設置的系統權限實時推動各種旅游咨詢信息，其概念模型的基本結構如圖2所示。
在圖2的框架下，時間信息是重要因素，其表達方式如表2所示。
3.2 系統功能闡述
在圖2所介紹的系統框架下，該系統能夠實時建立用戶的興趣模型，根據AS系統所反饋的IP地址數據變化，系統首先能夠基本掌握用戶的旅行線路圖，并根據不同地區的地址參數，獲得用戶個性化服務p的QoS值。而在這個數據處理過程中，用戶的一些信息會被系統讀取，例如用戶瀏覽西湖、太湖、潘陽湖等，則系統默認該名用戶對湖泊類旅游景點的關注程度最高，則在排名上屬于“++”，有關湖泊的旅游咨詢會在第一時間發送給用戶;而根據用戶的瀏覽軌跡，也可以判斷出用戶對旅游區域其他附屬品的關注度，如用戶在游覽西湖的同時品嘗美味，但是沒有瀏覽西湖周邊的雷峰塔等古代建筑，則認為“美食”為旅游推薦的第二順位，但是與湖泊相比屬于“+-”;此時系統在基本了解用戶的旅行興趣愛好之后，會從云端數據庫中收集其他的旅游咨詢信息，并優先將其他的湖泊旅游信息推送給用戶，如青海湖、巢湖、玄武湖等，此類景點屬于“++”;而西湖等景區已經游覽過，因此屬于“-+”;上述景點周邊的美食城、地方特色小吃屬于“+-”;而周邊分古剎風景則屬于“--”。在上述旅游景觀數據處理中，為確保能夠將各種旅游咨詢快速的“抓取”出來，則需要通過蟻群神經網絡模型，將各種已知的旅游景點信息上傳到模型上，在由蟻群全局尋優之后，將關鍵旅游咨詢針對性的推送給用戶，在用戶時間條件允許的情況下，滿足用戶對旅游的需求，實現了針對性服務。
4 結論
本文所介紹的基于云計算的用戶興趣建模方法具有可行性，彰顯了云計算技術的優勢，因此值得推廣。
參考文獻
[1] 范進.基于多元混合準則模糊模型的個性化推薦算法[J].華東經濟管理，2017，21（2）：117-119.
[2] 趙曉煜，丁延玲.基于顧客交易數據的電子商務推薦方法研究[J].現代管理科學，2016（3）：93-94.
(力閱)
中圖分類號：TP3 文獻標識碼：A 文章編號：1007-9416（2020）01-0077-02
0 引言
目前云計算對社會各方面的影響已經凸顯，與傳統技術相比，云計算不僅具有強大的數據計算能力，更是一個巨大的數據中心，其中能夠存儲大量的信息，滿足各方面信息處理的需求。而隨著居民生活水平的提高，人們對個性化服務的要求越來越高，基于云計算的用戶興趣模型則是解決上述供需矛盾的有效方法。
1 用戶興趣的QoS偏好矩陣
在云計算技術下，為了能夠更好的對用戶興趣進行預測，本文將結合建模技術進行分析，該模型可以根據用戶的位置場景、瀏覽軌跡等進行分析，具有理想的信息推薦能力。
根據互聯網的組成結構可知，在互聯網中存在大量多個自制系統AS，每個AS系統在實際上都是小型網絡單位，因此在用戶興趣建模過程中，根據不同用戶的特征，以IP地址作為AS系統的分類依據進行處理，其中的核心方法就是將用戶與服務的IP地址轉變為十進制表示，其計算公式為：
上述公式中的A、B、C、D分別代表IP地址。
通過上述方法能夠獲得用戶與服務的IP地址十進制形式，之后通過將處理后的IP地址進行映射，就能尋找到對應的AS系統[1]。在上述計算方法的基礎上，假設用戶的單位為u，則在用戶興趣的QoS偏好矩陣建設過程中，采用協同過濾的方法預測某一段用戶個性化服務p的QoS值，首先需要根據映射后的AS系統參數，按照下列公式進行驗算：
上述公式中，代表用戶u與用戶v的相似性標記;、分別代用用戶u與用戶v的服務集。
在上述計算模式下會出現以下幾種變化，具體內容見表1。
在表1的內容下，針對不同用戶的興趣特征，對于滿足“++”與“-+”的情況可以作為用戶個性化服務的關鍵，而“+-”則是要避免出現的情況。
2 蟻群神經網絡模型的引入
為確保整個模型更具有操作性，在本次研究中將引入神經網絡模型，假設一個具有m個分量的神經元j的基本結構如圖1所示。
目前在神經網絡結構下，激活函數被認為是神經網絡的中樞，對控制輸入、輸出有重要影響，常見的激活函數的類型分為很多種，其中以線性函數最為常見，其基本的表達方式為：
但是在云計算數據處理過程中需要注意的是，神經網絡模型可以用于解決用戶與基于項目這兩種不同要素的權值推薦問題，其中權值推薦度越高（如表1中的“++”），則用戶所能接收的頻率越高，這是實現用戶興趣推薦的關鍵[2]。而蟻群作為一種全局性的搜索算法，對于全局的尋優能力要明顯高于其他算法，若在云計算數據處理階段能夠與神經網絡結構相互結合，自然可以有效解決上述問題。因此在數據處理階段，則可以先采用蟻群算法完成基于用戶以及基于項目兩種算法的網絡權值尋優，這種操作方法可以有效避免傳統神經網絡算法因為反向傳播而陷入局部最優的問題;之后通過蟻群算法尋找到用戶興趣優先項目的初值，并通過神經網絡反向傳播的方法進一步尋優。
3 實踐分析
為了驗證上述方法滿足用戶興趣建模需求，本文將結合目前社會較為熱門的旅游為研究對象，分析基于云計算的用戶旅游興趣模型。
3.1 功能模塊設計思路
本次研究中借鑒興趣建模技術與云計算架構特征，提出一個面向用戶旅游興趣愛好的手機靜電服務推薦平臺，根據用戶的興趣愛好，針對性的推送各種旅游信息咨詢，滿足用戶旅行出行需求。該系統采用分布式結構，在云環境下能夠根據服務請求的數量變化而逐漸增強數據信息處理能力，并且在日常數據處理中，可以依靠云存儲模塊集中處理用戶的各種出行需求，并根據用戶設置的系統權限實時推動各種旅游咨詢信息，其概念模型的基本結構如圖2所示。
在圖2的框架下，時間信息是重要因素，其表達方式如表2所示。
3.2 系統功能闡述
在圖2所介紹的系統框架下，該系統能夠實時建立用戶的興趣模型，根據AS系統所反饋的IP地址數據變化，系統首先能夠基本掌握用戶的旅行線路圖，并根據不同地區的地址參數，獲得用戶個性化服務p的QoS值。而在這個數據處理過程中，用戶的一些信息會被系統讀取，例如用戶瀏覽西湖、太湖、潘陽湖等，則系統默認該名用戶對湖泊類旅游景點的關注程度最高，則在排名上屬于“++”，有關湖泊的旅游咨詢會在第一時間發送給用戶;而根據用戶的瀏覽軌跡，也可以判斷出用戶對旅游區域其他附屬品的關注度，如用戶在游覽西湖的同時品嘗美味，但是沒有瀏覽西湖周邊的雷峰塔等古代建筑，則認為“美食”為旅游推薦的第二順位，但是與湖泊相比屬于“+-”;此時系統在基本了解用戶的旅行興趣愛好之后，會從云端數據庫中收集其他的旅游咨詢信息，并優先將其他的湖泊旅游信息推送給用戶，如青海湖、巢湖、玄武湖等，此類景點屬于“++”;而西湖等景區已經游覽過，因此屬于“-+”;上述景點周邊的美食城、地方特色小吃屬于“+-”;而周邊分古剎風景則屬于“--”。在上述旅游景觀數據處理中，為確保能夠將各種旅游咨詢快速的“抓取”出來，則需要通過蟻群神經網絡模型，將各種已知的旅游景點信息上傳到模型上，在由蟻群全局尋優之后，將關鍵旅游咨詢針對性的推送給用戶，在用戶時間條件允許的情況下，滿足用戶對旅游的需求，實現了針對性服務。
4 結論
本文所介紹的基于云計算的用戶興趣建模方法具有可行性，彰顯了云計算技術的優勢，因此值得推廣。
參考文獻
[1] 范進.基于多元混合準則模糊模型的個性化推薦算法[J].華東經濟管理，2017，21（2）：117-119.
[2] 趙曉煜，丁延玲.基于顧客交易數據的電子商務推薦方法研究[J].現代管理科學，2016（3）：93-94.
(力閱)