[發(fā)明專利]一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法

在審

• 申請?zhí)枺?/td>: 202010535118.X
• 申請日: 2020-06-12
• 公開（公告）號: CN111695039A
• 公開（公告）日: 2020-09-22
• 發(fā)明（設(shè)計(jì)）人: 李慧;張舒;倪鋮鋼;張勇;楊玉;施珺;戴紅偉
• 申請（專利權(quán)）人: 江蘇海洋大學(xué);江蘇省海洋資源開發(fā)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(lián)順知識產(chǎn)權(quán)代理有限公司 11621
• 代理人: 閆超良

本發(fā)明公開了多目標(biāo)優(yōu)化技術(shù)領(lǐng)域的一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法，包括如下步驟：用戶聚類、優(yōu)化目標(biāo)的設(shè)置、個(gè)體編碼和遺傳算子，將個(gè)性化推薦任務(wù)建模為一個(gè)多目標(biāo)優(yōu)化問題，提出了一個(gè)通用的基于多目標(biāo)優(yōu)化的個(gè)性化推薦模型，以解決推薦系統(tǒng)在準(zhǔn)確度、多樣性和新穎性三個(gè)指標(biāo)之間的平衡，具體采用了先聚類再計(jì)算的模式可以在有效降低計(jì)算復(fù)雜度，同時(shí)分組也能保證結(jié)果的準(zhǔn)確性，并提出的基于MOEA的推薦方法僅一次運(yùn)行即可同時(shí)為多個(gè)用戶提供多個(gè)推薦，有效性高，可以提出更多樣化但更準(zhǔn)確的建議。

技術(shù)領(lǐng)域

本發(fā)明涉及多目標(biāo)優(yōu)化技術(shù)領(lǐng)域，具體為一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法。

背景技術(shù)

隨著互聯(lián)網(wǎng)和信息技術(shù)的飛速發(fā)展，網(wǎng)絡(luò)產(chǎn)品和互聯(lián)網(wǎng)用戶數(shù)量也在快速增長，這將人們從之前的信息匱乏時(shí)期帶入了現(xiàn)在的“信息過載”和“信息爆炸”的時(shí)代。因此，有效地找到對我們有用的信息成為緊迫的問題。推薦系統(tǒng)(RSs)使用統(tǒng)計(jì)和知識發(fā)現(xiàn)技術(shù)自動提供推薦，被認(rèn)為是減輕信息過載的最有前途的工具。

通常，傳統(tǒng)的推薦系統(tǒng)都是盡可能地提高推薦系統(tǒng)的推薦準(zhǔn)確度，這已經(jīng)無法滿足用戶的需求。其他的性能標(biāo)準(zhǔn)，例如：多樣性，新穎性也應(yīng)該被考慮，從而滿足用戶的多樣化需求。已有的多推薦方法多是以提高推薦準(zhǔn)確率為目標(biāo)，但是不能保證較好的多樣性和新穎性。例如，我們向用戶推薦物品時(shí)如果考慮了推薦多樣性，則勢必會導(dǎo)致推薦準(zhǔn)確度的下降，也就是說，多樣性的提升會導(dǎo)致推薦準(zhǔn)確度的下降。同理，如果我們向用戶推薦較新穎的物品，則新穎度自然將會提升，但一定程度上將會以犧牲準(zhǔn)確度和多樣性為代價(jià)。因此，有必要研究同時(shí)考慮推薦準(zhǔn)確度，多樣性和新穎性的個(gè)性化推薦系統(tǒng)和技術(shù)，基于此，本發(fā)明設(shè)計(jì)了一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法，以解決上述問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法，以解決上述背景技術(shù)中提出的問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種基于多目標(biāo)優(yōu)化的個(gè)性化推薦方法，包括如下步驟：

S1：用戶聚類；

S2：優(yōu)化目標(biāo)的設(shè)置；

S3：個(gè)體編碼；

S4：遺傳算子。

進(jìn)一步的，所述步驟S1的方法如下步驟：

輸入：用戶的個(gè)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(jié)果；

一：計(jì)算所有用戶的L_i和L_j之間的距離坐標(biāo)

二：按升序?qū)τ脩糁g的所有距離進(jìn)行排序，找出2％d_ij并將其定義為d_c；

三：計(jì)算每個(gè)用戶L_i的局部密度p_i＝∑j_x(d_ij-d_c)，當(dāng)(d_ij-d_c)0時(shí)，x(d_ij-d_c)＝0，否則x(d_ij-d_c)＝1；

四：計(jì)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(jīng)具有最大的局部密度，則故用戶L_i是聚類中心；

六：計(jì)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(gè)群組。