[發(fā)明專利]一種基于多目標優(yōu)化的長尾群組推薦方法有效
| 申請?zhí)枺?/td> | 201710758117.X | 申請日： | 2017-08-29 |
| 公開（公告）號： | CN107491813B | 公開（公告）日： | 2023-06-30 |
| 發(fā)明（設(shè)計）人： | 柴爭義;李亞倫;韓亞敏;王玉林 | 申請（專利權(quán)）人： | 天津工業(yè)大學 |
| 主分類號： | G06N3/126 | 分類號： | G06N3/126 |
| 代理公司： | 北京中創(chuàng)博騰知識產(chǎn)權(quán)代理事務所(普通合伙) 11636 | 代理人： | 李梅 |
| 地址： | 300387 *** | 國省代碼： | 天津;12 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 多目標 優(yōu)化 長尾 推薦 方法 | ||
1.一種基于多目標優(yōu)化的長尾群組推薦方法，其特征在于，所述基于多目標優(yōu)化的長尾群組推薦方法包括：
首先利用奇異值分解評分矩陣得到用戶和物品的特征表示；
然后隨機產(chǎn)生群組，基于相似度計算發(fā)現(xiàn)其代表群組，并結(jié)合用戶和物品的特征進行群組偏好融合；
最后以滿意度與流行度為兩個目標，采用免疫算法優(yōu)化候選列表并生成群組的最終推薦結(jié)果；
所述群組的數(shù)據(jù)預處理包括：
選用矩陣分解的一個代表：奇異值分解表示為：
其中X,Y是正交矩陣，Σ是對角矩陣；用前k大的奇異值來近似描述矩陣；SVD如下所示：
得到用戶特征矩陣M和物品特征矩陣N，如以下公式所示：
其中，k是特征空間的維度；矩陣M和N的每一行分別代表對應用戶和物品的特征向量；
所述免疫算法的優(yōu)化過程具體包括：
(1)編碼，每一個候選解是候選集R_list的子集；采用實數(shù)編碼，每一個抗體以向量的形式表示一個推薦列表，形式如下：
X＝{x1,x2,...xL}；
其中，L為推薦列表的長度；每一個xi是R_list中的一個元素，并且元素各不相同，保證同一物品在同一推薦列表中不能被推薦2次；迭代中的一組推薦列表組成抗體種群；
(2)親和力度量，群組G中用戶u和推薦列表R中物品i的相似度記為S(u,i)，則群組中用戶對推薦結(jié)果的滿意度定義為：
函數(shù)f1計算了群組對推薦列表的平均相似度以衡量推薦的滿意度；相似度越高代表物品越符合用戶的偏好；采用余弦相似度計算，公式如下：
利用物品評分的均值與方差，物品i的流行度定義如下：
其中，μi代表物品i的評分均值，σi代表物品i的評分方差；物品越流行，mi值越??；整個推薦列表中物品的流行度為：
長尾群組推薦的多目標問題設(shè)置如下：
max{f1(R),f2(R)}；
親和力是抗體的適應性度量；長尾群組推薦的多目標是max{f1(R),f2(R)}，親和力的度量就是計算max{f1(R),f2(R)}；
(3)交叉，隨機從候選集中選擇其他元素進行替換，使候選解中元素彼此不同；
(4)變異算子采用單點變異，從候選集中挑選一個不屬于X的元素隨機替換xi形成新的X。
2.如權(quán)利要求1所述的基于多目標優(yōu)化的長尾群組推薦方法，其特征在于，所述群組偏好融合的前提輸入是用戶的物品偏好序列；通過用戶和物品的特征相似性計算評估該用戶對物品的偏好喜愛程度，獲取用戶的物品偏好序列；取每個用戶最喜愛的前r個物品，組成臨時物品集；根據(jù)不同物品出現(xiàn)的頻率對該物品集劃分階級，依次加入候選集，直到候選集達到r個；最后加入的階級根據(jù)均值融合策略做截斷處理。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于天津工業(yè)大學，未經(jīng)天津工業(yè)大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710758117.X/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
