[發明專利]一種基于多目標優化的個性化推薦方法

在審

• 申請號: 202010535118.X
• 申請日: 2020-06-12
• 公開（公告）號: CN111695039A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 李慧;張舒;倪鋮鋼;張勇;楊玉;施珺;戴紅偉
• 申請（專利權）人: 江蘇海洋大學;江蘇省海洋資源開發研究院（連云港）
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/35
• 代理公司: 北京和聯順知識產權代理有限公司 11621
• 代理人: 閆超良

1.一種基于多目標優化的個性化推薦方法，其特征在于，包括如下步驟：

S1：用戶聚類；

S2：優化目標的設置；

S3：個體編碼；

S4：遺傳算子。

2.根據權利要求1所述的一種基于多目標優化的個性化推薦方法，其特征在于：所述步驟S1的方法如下步驟：

輸入：用戶的個性化特征向量是L(l₁,l₂,...,l_m)；

輸出：聚類中心和用戶的聚類結果；

一：計算所有用戶的L_i和L_j之間的距離坐標

二：按升序對用戶之間的所有距離進行排序，找出2％d_ij并將其定義為d_c；

三：計算每個用戶L_i的局部密度p_i＝∑j_x(d_ij-d_c)，當(d_ij-d_c)0時，x(d_ij-d_c)＝0，否則x(d_ij-d_c)＝1；

四：計算所有密度大于局部密度i的用戶的最小距離

五：如果用戶L_i已經具有最大的局部密度，則故用戶L_i是聚類中心；

六：計算所有用戶到集群中心的距離，然后集群中心用戶L_i和距離最短的那些用戶組成一個群組。

3.根據權利要求1所述的一種基于多目標優化的個性化推薦方法，其特征在于：所述步驟S2中優化目標包括度量推薦準確度的目標、衡量推薦多樣性的目標和度量推薦系統向用戶推薦未知物品的能力；

度量推薦準確度的目標它表示推薦系統的預測評分與用戶真實評分的接近程度，對于聚類C中的所有用戶對所有物品的預測評分可以定義為：

其中，|c|表示聚類C中的用戶數，RL表示推薦的長度，s_u表示推薦給用戶u的物品的集合；顯然地，推薦列表s_u的大小等于RL，表示用戶u對物品i的預測評分，定義如下：

其中S_uv表示用戶u和用戶v之間的相似度，r_vi為用戶v對物品i的評分，S(u,K)為與用戶u最相似的k個用戶；

衡量推薦多樣性的目標有幾種多樣性指標，例如用戶間的多樣性、用戶內的多樣性和覆蓋范圍，采用覆蓋率作為衡量推薦多樣性的指標，具體定義如下：

其中N_dif表示同一類別中用戶推薦列表中不同物品的數量，N是系統中所有物品總數；顯然，在保證一定推薦準確度的前提下，推薦多樣性的值越高，表明推薦結果越好；

度量推薦系統向用戶推薦未知物品的能力即推薦新穎性，假設給定一個物品i，d_i表示物品i的度，d_i反映了物品i的流行程度，M是訓練數據集中的用戶總數，則用戶隨機選擇該物品的概率是物品i的自信息定義如下：

認為物品的流行度越低說明該物品越新穎，因為如果一個物品被越少的用戶喜歡，說明該物品越不流行，因此，通過計算目標用戶的推薦列表中物品的自信息的均值來定義用戶相關新穎性，所有用戶的平均新穎度N(L)可以定義如下：

其中，S_u表示用戶u的推薦列表，RL表示推薦列表的長度。

4.根據權利要求1所述的一種基于多目標優化的個性化推薦方法，其特征在于：所述步驟S3中個體編碼采用現有的NSGA-II作為算法的主要框架，為了將推薦列表表示成多目標優化問題中個體的形式，首先，對每一個用戶的推薦的項被編碼成一個整型向量，該向量中的所有元素表示相應的項的編號；為了同一群組中的所有用戶提供推薦，因此染色體由矩陣編碼，假設將L個物品推薦給每個用戶，并且群組中有K個用戶，則矩陣的規模為K×L。