基于協同過濾算法的室內設計推薦技術

李智君

摘? 要： 為了縮短室內設計推薦的時間，為用戶快速推薦感興趣的室內設計，提出基于協同過濾算法的室內設計推薦技術。通過計算室內設計分詞，分析室內設計協同過濾的權重分布。基于對室內設計的內容進行關鍵詞特征的選擇和計算，確定室內設計特征提取流程，完成基于協同過濾的室內設計特征提取。根據用戶的室內設計初始評分，計算出室內設計的權重，通過權重向量值預測用戶室內設計的最終評分，利用室內設計推薦算法流程確定推薦算法的實現步驟，完成室內設計推薦算法的設計。最后通過室內設計協同過濾推薦模型，實現基于協同過濾算法的室內設計推薦。實驗結果表明，基于協同過濾算法的推薦技術相比于傳統推薦技術，室內設計的推薦時間縮短了70.3%。

關鍵詞： 協同過濾算法; 室內設計; 推薦技術; 特征提取; 算法設計; 預測評分; 權重矩陣; 推薦模型

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）13?0176?04

Interior design recommendation technology based on collaborative filtering algorithm

LI Zhijun

（Institute of Information Technology of GUET， Guilin 541001， China）

Abstract： An interior design recommendation technology based on the collaborative filtering algorithm is proposed to shorten the recommendation duration of interior design and quickly recommend interested interior designs for users. The weight distribution of collaborative filtering of interior design is analyzed by calculating the word segmentation of interior design. On the basis of the keyword feature selection and calculation for the content of interior design， the feature extraction process of interior design is determined and the interior design feature extraction based on collaborative filtering is completed. The weight of interior design is calculated according to the user′s initial score of interior design. The final score of user′s interior design is predicted by the value of weight vector. The flow of interior design recommendation algorithm is used to determine the implementation steps of the recommendation algorithm， so as to complete the design of interior design recommendation algorithm. In the end， the interior design recommendation based on collaborative filtering algorithm is realized by the collaborative filtering recommendation model of interior design. The experimental results show that the recommendation technology based on the collaborative filtering algorithm reduces the recommendation duration of indoor design by 70.3% in comparison with the traditional recommendation technology.

Keywords： collaborative filtering algorithm; interior design; recommendation technology; feature extraction; algorithm design; prediction score; weight matrix; recommendation model

0? 引? 言

科學技術的發展已經完全顛覆了人們的生活方式，人們日常生活的一些行為舉動都逐漸由線下轉至線上，網絡的普及和電商的發展給人們帶來方便的同時，也為人們塑造了一種極強的舒適感，無論身處何處，網絡終端都可以為人們提供感興趣的信息資源，還可以將人們的信息資源分享給外界[1]。如今用戶的線上操作、資源共享、數據的產生導致網絡數據量的增長，使人們不得不消耗大量的時間和精力去尋找更多有價值的信息，信息資源過載的現象也越來越嚴重。

傳統的室內設計推薦技術可以為用戶過濾掉更多的無用信息，但是主觀性能相對較弱[2]，并且隨著移動互聯網設備的普及，很多用戶都在室內設計鏈接中留下了自己的行為信息，也逐漸樂于留下自己的觀點評價以供其他用戶參考[3]。當網絡上的數據積累到一定量后，分析和挖掘用戶數據，可以獲得用戶的喜好信息和室內設計需求信息。針對用戶的室內設計需求為其產生相關推薦，因此推薦技術應運而生，作為解決數據信息過載問題的有效方法，室內設計推薦技術已經成為學術界關注的熱點話題[4]。

基于以上分析，本文將協同過濾算法應用到了室內設計推薦技術的設計中，通過收集用戶的歷史行為，并對其進行統計和計算，為用戶提供精準的室內設計推薦服務，室內設計推薦技術對用戶的操作性要求低，對增強用戶體驗感具有重要作用。

1? 室內設計推薦技術設計

1.1? 基于協同過濾的室內設計特征提取

在推薦室內設計時，需要將室內設計特征提取出來，并儲存記錄，以免出現推薦相似度差的問題，從而影響室內設計推薦的時間。室內設計特征提取時，根據協同過濾算法篩選并統計出室內設計的特征詞詞頻，在不同的室內設計中，特征詞的確切含義需要根據用戶歷史行為來確定[5]。對于室內設計推薦，室內設計文本中的協同過濾更能代表用戶感興趣的信息，室內設計內容的協同過濾可以直接反映出用戶的感興趣點，可以對基于協同過濾算法的室內設計文本進行推薦，通過先確定用戶感興趣的室內設計，得出用戶感興趣的室內設計列表，開始室內設計的推薦。

室內設計往往會包含大量的材料信息、生產日期、材料名稱以及生產地等，因此室內設計特征提取通常會從室內設計方案中解析出室內設計材料信息[6]。但是相同類型的室內設計中，每一種設計方案的出現都會對用戶的興趣產生影響，而每一種設計方案出現次數的多少對用戶的興趣信息影響就會相對較弱。

采用協同過濾算法進行室內設計推薦時，先完成室內設計的分詞計算，根據分詞計算的結果分析協同過濾的權重分布，協同過濾減少了室內設計內容的數據大小。根據室內設計數據集的基本內容，提取室內設計的特征點作為室內設計表示信息的主要特征，并根據室內設計表示信息的特征提取結果，分析用戶產生的興趣集合，同時產生推薦[7]。

在選擇基于協同過濾的室內設計特征時，通過使用室內設計高頻詞生成室內設計推薦集合，將詞頻值高于閾值的詞語作為室內設計推薦的關鍵詞，對室內設計的內容進行關鍵詞特征的選擇和計算，最后得到用戶的興趣模型，實現室內設計的推薦[8]。基于協同過濾的室內設計特征提取流程如圖1所示。

在室內設計特征提取過程中，先對室內設計數據集進行內容的分詞計算，得到室內設計內容分詞集合，然后對室內設計集合篩選并擴充，得到最終的室內設計集合，接著根據分詞計算結果開始匹配計算，得到室內設計特征詞向量，通過用戶瀏覽的記錄，建立興趣模型，通過相似度計算，將室內設計特征提取出來[9]。下面利用基于協同過濾的室內設計推薦算法設計為室內設計推薦提供支持。

1.2? 基于協同過濾的室內設計推薦算法設計

將室內設計通過協同過濾算法賦予一定權重，根據用戶的室內設計權重和評分，計算出室內設計的權重，并預測出未評分室內設計的大致評分結果，縮短室內設計的推薦時間。先根據用戶室內設計的歷史評分記錄，建立室內設計文檔集，采用協同過濾算法計算出用戶室內設計的權重向量[10];然后建立一個室內設計線性回歸模型和代價函數，利用協同過濾算法計算室內設計權重向量;最后根據權重向量的值，預測出用戶室內設計的評分，為用戶室內設計產生推薦[11]。室內設計推薦算法流程圖如圖2所示。

室內設計推薦算法的實現步驟如下：

輸入：用戶?室內設計?協同過濾數據集，室內設計推薦項目數[N]

輸出：用戶的室內設計推薦項目集

Step1：建立室內設計文檔集。根據用戶室內設計的歷史評分記錄，建立室內設計文檔集，統計室內設計在用戶檢索中出現的次數[12]。

Step2：計算用戶室內設計權重。根據用戶室內設計歷史評分記錄，確定用戶感興趣的室內設計種類，采用協同過濾算法計算用戶室內設計權重。

Step3：建立室內設計權重矩陣。根據室內設計權重向量建立室內設計權重矩陣，并利用矩陣的維度建立室內設計權重初始矩陣。

Step4：確定室內設計線性回歸的代價函數。根據用戶室內設計的評分記錄、矩陣及初始矩陣，采用協同過濾算法構建代價函數。

Step5：梯度下降。更新并迭代代價函數中的參數，直到代價函數的值沒有明顯變化，將此時的參數值作為室內設計權重值[13]。

Step6：預測室內設計未評分項目。根據室內設計權重，預測用戶未評分的室內設計項目的評分值。

Step7：調整室內設計預測評分。計算出預測值與實際值之間的平均偏差，調整預測結果，推薦出用戶感興趣的室內設計。

1.3? 室內設計推薦

針對傳統室內設計推薦技術面臨的問題，在協同過濾算法的基礎上，添加用戶偏置和室內設計項目偏置信息，同時融合上文的推薦算法，通過室內設計協同過濾推薦模型實現基于協同過濾算法的室內設計推薦，縮短室內設計的推薦時間。

根據用戶對室內設計的評分以及室內設計項目的特征，構建用戶與用戶之間、項目與項目之間的相似矩陣。利用相似矩陣選擇出用戶和室內設計項目中最臨近的集合，通過協同過濾算法預測出用戶已經參與過評分項目的評分值，將預測出來的評分值作為特征值，真實評分值作為目標值，將二者組合在一起生成一個新的訓練數據集[14]。將新的訓練數據集作為室內設計的線性回歸模型的輸入來訓練推薦模型，根據訓練完成的推薦模型預測室內設計的未知評分，采用協同過濾算法產生一個室內設計的推薦列表，實現基于協同過濾算法的室內設計推薦[15]。基于協同過濾算法的室內設計推薦模型框架如圖3所示。

綜上所述，由于室內設計文本中的協同過濾更可以代表用戶感興趣的信息，通過計算室內設計的分詞，分析了室內設計協同過濾的權重分布，將詞頻值高于閾值的詞語作為室內設計推薦的關鍵詞，對室內設計的內容進行關鍵詞特征的選擇和計算，確定了室內設計特征提取流程，完成了基于協同過濾的室內設計特征提取。根據用戶的室內設計初始評分，計算出室內設計的權重，通過權重向量的值預測出用戶室內設計的最終評分，利用室內設計推薦算法流程，確定推薦算法的實現步驟，完成室內設計推薦算法的設計。最后通過室內設計協同過濾推薦模型實現了基于協同過濾算法的室內設計推薦。

2? 仿真實驗分析

2.1? 搭建仿真實驗環境

由于實驗室條件有限，本文采用仿真實驗進行驗證。實驗環境的各節點配置如表1所示。

2.2? 實驗方法及步驟

實驗過程中，采用推薦數量作為自變量，利用兩種推薦技術進行對比實驗，推薦數量模擬室內設計項目的數量，即室內設計項目的多少決定著推薦數量的多少，因此，在同一個室內設計方案背景下進行不同推薦數量的對比實驗，獲取到室內設計推薦的時間。實驗具體實施過程如下：

Step1：準備實驗環境，安裝并運行仿真軟件，將兩種推薦技術載入到仿真程序中。

Step2：在推薦數量為1～20個范圍內進行實驗，每推薦一個室內設計項目，記錄一次推薦時間。

Step3：在室內設計方案相同的情況下，進行不同推薦數量的對比實驗，即推薦數量為1時，模擬室內設計項目的數量也是1個，推薦數量為2時，模擬室內設計項目的數量也是2個，依此類推。

Step4：在未執行任何推薦技術時，記錄室內設計項目的推薦時間。

Step5：分別執行兩種不同的推薦技術，記錄單個室內設計項目的推薦時間，繪制實驗結果圖。

2.3? 實驗結果分析

利用上述實驗方法及步驟，獲取到了室內設計的推薦時間對比曲線，如圖4所示。

從實驗結果中可以看出：采用傳統推薦技術，隨著室內設計推薦數量的增加，室內設計推薦的時間越來越長，當室內設計推薦數量為15個時，推薦的時間已經達到了37 s，室內設計推薦的平均時間為21.8 s，減弱了用戶的體驗;而采用基于協同過濾算法的推薦技術，隨著推薦數量的增加，室內設計推薦的時間也有延長的趨勢，但是不明顯，室內設計推薦的時間最長也只有10 s左右，室內設計推薦的平均時間為4.2 s，有效縮短了室內設計推薦的時間，增強了用戶體驗。

3? 結? 語

本文提出基于協同過濾算法的室內設計推薦技術。由于室內設計文本中的協同過濾更可以代表用戶感興趣的信息，將室內設計詞頻值高于閾值的詞語作為室內設計推薦的關鍵詞，對室內設計的內容進行關鍵詞特征的選擇和計算，確定了室內設計特征提取流程，完成了基于協同過濾的室內設計特征提取。通過室內設計權重向量的值，預測出用戶室內設計的評分，確定了推薦算法的實現步驟，完成室內設計推薦算法的設計。最后通過室內設計協同過濾推薦模型，實現了基于協同過濾算法的室內設計推薦。實驗結果表明，基于協同過濾算法的推薦技術可以縮短室內設計的推薦時間，增強用戶的體驗。

參考文獻

[1] 何波，潘力.融合內容和改進協同過濾的個性化推薦算法[J].控制工程，2018，25（8）：1553?1558.

[2] 楊辰，劉婷婷，劉雷，等.融合語義和社交特征的電子文獻資源推薦方法研究[J].情報學報，2019，38（6）：632?640.

[3] 曹步清，肖巧翔，張祥平，等.融合SOM功能聚類與DeepFM質量預測的API服務推薦方法[J].計算機學報，2019，42（6）：1367?1383.

[4] 顓悅，熊錦華，程學旗.一種融合個性化與多樣性的人物標簽推薦方法[J].中文信息學報，2017，31（2）：154?162.

[5] 李吉，黃微，郭蘇琳.一種基于相似度和信任度融合的微博內容推薦方法[J].圖書情報工作，2018，62（11）：112?119.

[6] 黃濤，戴淑敏，成二麗.一種地方志資源的混合推薦模型[J].國家圖書館學刊，2018，27（2）：14?19.

[7] 徐建民，劉明艷，王苗.基于用戶擴展興趣的微博推薦方法[J].計算機應用研究，2019，36（6）：1652?1655.

[8] 袁仁進，陳剛，李鋒，等.基于VSM和Bisecting K?means聚類的新聞推薦方法[J].北京郵電大學學報，2019，42（1）：114?119.

[9] 彭宏偉，靳遠遠，呂曉強，等.一種基于矩陣分解的上下文感知POI推薦算法[J].計算機學報，2019，42（8）：1797?1811.

[10] 余永紅，高陽，王皓，等.融合用戶社會地位和矩陣分解的推薦算法[J].計算機研究與發展，2018，55（1）：113?124.

[11] 劉晴晴，羅永龍，汪逸飛，等.基于SVD填充的混合推薦算法[J].計算機科學，2019，46（z1）：468?472.

[12] 王東，薛峰，劉凱，等.基于物品融合自編碼器的協同過濾推薦算法[J].計算機應用，2019，39（z1）：84?87.

[13] 謝振平，金晨，劉淵.基于建構主義學習理論的個性化知識推薦模型[J].計算機研究與發展，2018，55（1）：125?138.

[14] 張繼東，黃媛.基于社交媒體基因圖譜的用戶推薦模型研究[J].情報雜志，2019，38（8）：188?194.

[15] 李廣麗，朱濤，袁天，等.混合分層抽樣與協同過濾的旅游景點推薦模型研究[J].數據采集與處理，2019，34（3）：566?576.