[發明專利]一種基于粒子群算法的藝術品推薦方法

有效

• 申請號: 201810787365.1
• 申請日: 2018-07-18
• 公開（公告）號: CN109034968B
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 杜小軍
• 申請（專利權）人: 江蘇中潤普達信息技術有限公司
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06N3/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于粒子群算法的藝術品推薦方法，包括如下步驟：S1：形成用戶和藝術品屬性矩陣；S2：引入K?means算法，并根據藝術品屬性權重對傳統算法進行改進，融合用戶搜索行為的數量以及頻度的特征，構建用戶特征向量，進而通過基于屬性權重進行相關用戶聚類；S3：計算鄰居集合：(1)、類別的聚類；(2)、最近鄰搜索。本發明通過粒子群尋優過程，尋找全局最優的權重和最優的結果，自動把個性化需求信息及時提供到用戶的手里。

技術領域

本發明涉及藝術品推薦技術領域，尤其涉及一種基于粒子群算法的藝術品推薦方法。

背景技術

隨著人們收入水平的提高，藝術品消費也開始走進尋常百姓家。特別是移動互聯網的普及，藝術品市場也全面進入互聯網時代，藝術品的網上展示交易日益成為潮流。消費者面對大量的網上藝術品交易信息，常常會因此而迷失其中，出現信息膨脹也稱作信息過載的問題，往往難以發現最需要或最適合的藝術品。用戶推薦系統的出現有效地緩解了這一矛盾。但是，數據的稀疏性、冷啟動以及忽略用戶興趣遷移等問題的存在卻阻礙著推薦系統進一步的發展。對此，人們在努力尋找一種智能的服務方式，可以按照用戶的意愿為用戶選擇他感興趣的產品或服務。

為了解決這一矛盾問題，快速準確地找到所需信息，搜索引擎(SearchEngine)技術備受青睞，但是搜索引擎必須依據用戶輸入的準確信息來完成信息搜索工作，而且也沒有顧及用戶的個性化特點，只要關鍵詞一致，那么每個用戶獲得的搜索結果都是相同，所以它的智能性低，難以在知識層面理解用戶需求。

另外，搜索引擎工作的機制也決定了其只適合在用戶主動搜索時進行被動式的服務，無法提供適時的主動推薦。為使用戶得到需要而滿意的服務，推薦系統成為必然之選。為此，我們提出了一種基于粒子群算法的藝術品推薦方法。

發明內容

本發明提出了一種基于粒子群算法的藝術品推薦方法，以解決上述背景技術中提出的問題。

本發明提出了一種基于粒子群算法的藝術品推薦方法，包括如下步驟：

S1：形成用戶和藝術品屬性矩陣；

S2：引入K-means算法，并根據藝術品屬性權重對傳統算法進行改進，融合用戶搜索行為的數量以及頻度的特征，構建用戶特征向量，進而通過基于屬性權重進行相關用戶聚類；

S3：計算鄰居集合：

(1)、類別的聚類，其具體步驟如下：

Step1、初始化一群微粒，且群體規模為m；

Step2、計算每個微粒的適應度；

Step3、對每個微粒，將其適應值與其經過的最好位置pbest作比較，如果較好，則將其作為當前的最好位置pbest；

Step4、如果否，就更新粒子的位置和速度；如果是，輸出解決最優解即聚類中心；

Step5、未達到結束條件則轉Step2，迭代終止條件為最大迭代次數Gk或/和微粒群迄今為止搜索到的最優位置滿足預定最小適應閾值；

(2)、最近鄰搜索，其具體步驟如下：

在經過目標藝術品聚類后，只需要在目標相似性最高幾個聚類中就能夠找到目標藝術品的大部分鄰居，而不用在整個空間進行搜索，與目標相似性最高幾個聚類空間相對于整個空間要小得多，因此能夠大大提高在線搜索速度，讓推薦系統實時性得到保證。

優選的，在S2中的K-means算法的處理流程如下：

(1)、從n個數據對象任意選擇k個對象作為初始聚類中心；

(2)、根據每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的距離；并根據最小距離重新對相應對象進行劃分；