基于信用评价机制的物业缴费模式推荐系统设计

庄银霞

(泉州信息工程学院，福建 泉州 362000)

随着人工智能技术的发展，采用人工智能的信息处理技术和自动控制技术，进行物业缴费模式推荐系统设计，提高物业缴费管理的信息化水平，研究物业缴费模式推荐系统的优化设计方法，在促进物业缴费模式的信息优化更新和网络化设计中具有重要意义[1]。在互联网应用平台(如Facebook、Google、APP等)中，进行物业缴费模式推荐系统的优化设计，建立物业缴费模式推荐的信息整合模型，采用信息化的管理模式，进行物业缴费模式推荐的数据信息处理，建立物业缴费模式推荐的个性化信息融合模型，采用数据库智能信息管理方法，实现物业缴费模式推荐和信息化建设，相关的物业缴费模式推荐系统的设计方法研究在促进物业缴费的信息管理中具有重要意义[2]。本文提出了基于信用评价机制的物业缴费模式推荐系统，构建物业缴费模式推荐的信息评价信息采集模型，进行物业缴费模式信用评价的大数据特征分析，采用关联规则分布式重构方法，实现基于信用评价机制的物业缴费模式推荐算法设计和软件开发设计，最后进行实验测试分析，得出有效性结论。

1 物业缴费模式推荐的评价指标体系和信息采集

1.1 物业缴费模式个性化推荐的评价指标体系

构建物业缴费模式个性化推荐的评价指标体系，通过自适应学习控制进行物业缴费模式信用评价机制挖掘，在云资源调度环境中，通过构建物业缴费模式资源树管理体系，在计算集群中把物业缴费模式信息提供给每台服务器[3]，在对物业缴费模式信息资源调度中，物业缴费模式个性化推荐的统计特征量描述式为：

(1)

式中Mh为物业缴费模式分布的特征，通过寻找合适站点，对物业缴费模式信息资源数据进行稀疏性调度，采用多步优化的云物业缴费模式信息资源调度方法进行物业缴费模式优化分析。执行Input操作，实现物业缴费模式信息数据的输入，根据当前物业缴费模式资源层MAC层的用户数目[4]，提取物业缴费模式推荐的信用评价的统计信息特征量，用户请求数据的资源信息流分布特征函数为：

(2)

根据上述分析，构建物业缴费模式的个性化推荐模型，得到推荐树结构模型如图1所示。

图1 物业缴费模式的个性化推荐指标评价体系

提取物业缴费模式资源信息库中的用户个性化特征，并对干扰特征量进行协同滤波，得到物业缴费模式的个性化推荐的特征挖掘模型描述如下：

(3)

(4)

(5)

对采集的物业缴费模式推荐信用评价信息比特序列流进行相空间重构，提取物业缴费模式推荐信用评价信息的关联特征量，在云计算模式下采用定量递归分析方法分析物业缴费模式推荐的规则性调度，提高物业缴费模式个性化推荐能力[5]。

1.2 物业缴费模式推荐的信息采集

在上述物业缴费模式个性化推荐的评价指标体系的基础上，进行物业缴费模式推荐的信用评价信息采集，将采集的物业缴费模式推荐信用评价信息序列映射到高维相空间中，并在数据中心网络中读取重构后的物业缴费模式推荐信用评价信息的特征集，进行物业缴费模式推荐的信息采集[6]，得到信息采集模型如图2所示。

(6)

式中H(·)表示Heavside函数，即：

(7)

式中‖xi-xj‖表示物业缴费模式推荐的空间分布函数。在最大似然约束下，结合大数据挖掘和信息融合技术进行物业缴费模式推荐的信用评价信息过滤分析，提取物业缴费模式推荐的信用评价的统计信息特征量[7]，当重构物业缴费模式推荐信用评价信息分布相空间中的关联点N足够大时，CN，m(r)≈Cm(r)，此时提取物业缴费模式推荐信用评价的关联维数D，结合模糊指向性预测方法，分析lgCN(r)～lgr的关系，求得物业缴费模式推荐信用评价的自相关统计特征量，描述如下：

图2 物业缴费模式推荐的信息采集模型

xij=[lgr]ij，yij=[lgCN(r)]ij，

(8)

式中j表示在空间嵌入维数下i的标记序列点，记为：

yij=axij-bi，

(9)

(10)

对式(10)取最小，采用二阶求导方法，得到特征分布函数最小时的极值点满足：

(11)

当Q达到最小时，得到海量物业缴费模式推荐的最佳关联规则统计特征计算为：

(12)

2 物业缴费模式推荐模型优化

2.1 物业缴费模式推荐的信息评价及过滤分析

在上述构建物业缴费模式推荐的信用评价信息采集模型的基础上，进行物业缴费模式推荐模型的优化设计[9]，本文提出基于信用评价机制的物业缴费模式推荐系统，进行物业缴费模式与用户个性化特征配对，用户之间的间接信任关系表示为A→B，B→C，物业缴费模式与用户信用评价的映射关系为：

(13)

式中MSDa→b为提取的物业缴费模式推荐信用评价的统计信息特征量，在关联规则约束下，物业缴费模式推荐的信用评价统计信息分布计算模型为：

(14)

式(14)表示t+1时刻物业缴费模式推荐的自相关信息。式中：Ia为物业缴费用户A的信用度；Ib为用户B的信用度评价信息；|Ia，b|为物业缴费模式下用户A和用户B之间的信用评价差异值。此时物业缴费模式推荐的规则性特征分布模型为：

(15)

式中CPCa，b表示物业缴费模式推荐的自相关特征分量，根据上述分析进行物业缴费模式推荐的信用评价及过滤分析。

2.2 物业缴费模式信用评价的大数据挖掘

xn=(xn，xn-τ，…，xn-(m-1)τ)，

(16)

通过相空间重构，进行关联规则细节提取，实现物业缴费模式推荐的信用评价预测，得到模糊度为：

(17)

(18)

式中〈g(n)〉代表对g(n)取均值：

(19)

在重构的高维相空间中对海量物业缴费模式推荐模型进行特征重组，进行输出物业缴费模式推荐的信用评价，采用关联规则分布式重构方法，由此实现基于信用评价机制的物业缴费模式推荐算法设计[10]。

3 系统的软件开发设计

采用TCP/IP以太网技术构建物业缴费模式推荐的信息组网结构模型，采用SQL(Structured Query Language)即结构化查询语言来进行物业缴费模式推荐系统的数据库访问设计，使用ADO.NET构建中断服务程序，主要包括16K的指令Cache和16K的数据Cache，利用socket函数创建套接字，进行物业缴费模式推荐系统的多线程总线开发设计，采用层次结构模型完成物业缴费模式推荐系统的读写和数据访问，构建物业缴费模式推荐模型的软件开发流程如图3所示。

4 仿真实验与结果分析

为了测试该方法在实现物业缴费模式推荐中的应用性能，进行实验测试，以TMS320VC5409A作为数字信息处理终端，物业缴费模式推荐的信用评价特征信息采集数据规模为2 000，训练集规模为120，样本数分别为120、200、220、240、400、500、189、432、134。把各类物业缴费模式推荐的信用评价特征样本集合随机分为3份，结合相似度特征分析和关联规则挖掘方法，进行物业缴费模式推荐的样本信息采集和信用评价，在相等的子集Sij(j=1，2，3)中进行物业缴费管理推荐性能测试，得到测试的召回率测试结果如图4所示，查准率测试结果如图5所示。

图3 物业缴费模式推荐系统的软件开发实现流程

图4 召回率测试

图5 查准率测试结果

分析图4和图5结果得知，采用本文方法进行物业缴费模式推荐模型设计，召回率和查准率较高，说明对物业缴费管理和信用评价的准确性较高，信用评价的可靠度较高，提高了物业缴费模式推荐的自动化水平。

5 结语

本文提出基于信用评价机制的物业缴费模式推荐系统，构建物业缴费模式推荐的信用评价信息采集模型，结合大数据挖掘和信息融合技术进行物业缴费模式推荐的信用评价信息过滤分析，提取物业缴费模式推荐的信用评价的统计信息特征量，结合大数据分析和聚类特征检测方法，进行物业缴费模式信用评价的大数据特征分析，采用关联规则分布式重构方法，实现基于信用评价机制的物业缴费模式推荐算法设计，在嵌入式平台中进行系统的软件开发。研究得知，采用本文方法进行物业缴费模式推荐的智能性较好，信用评价的可靠度较高，提高了物业缴费模式推荐的自动化水平。