[發明專利]一種多目標推薦優化方法及可讀介質

有效

• 申請號: 202010596428.2
• 申請日: 2020-06-28
• 公開（公告）號: CN111753215B
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 黃夢醒;翟乾皓;馮思玲;馮文龍;張雨
• 申請（專利權）人: 海南大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/958;G06K9/62
• 代理公司: 海南漢普知識產權代理有限公司 46003
• 代理人: 麥海玲

本發明提供一種多目標推薦優化方法及可讀介質，該方法包括：根據待推薦項目數量和推薦項目個數初始化多個決策向量族，構建關于決策向量族的第一目標函數、第二目標函數、第三目標函數和第四目標函數，第一目標函數用于計算決策向量的準確性，第二目標函數用于計算決策向量的多樣性，第三目標函數用于計算決策向量的新穎性，第四目標函數用于計算決策向量的覆蓋率，根據第一目標函數、第二目標函數、第三目標函數和第四目標函數構建關于決策向量族的最終目標函數，將決策向量代入最終目標函數中獲得目標函數向量，通過比較目標函數向量獲得非支配解集合，根據非支配解集合生成待推薦項目的推薦方案，根據推薦方案向目標用戶進行項目推薦。

技術領域

本發明涉及個性化推薦技術領域，尤其涉及一種多目標推薦優化方法及可讀介質。

背景技術

隨著互聯網技術的發展與成熟，互聯網在全球日益普及，使得網絡上的信息量快速增長，其增長速度達到了每天2.5×10¹⁸字節。當用戶面對海量的信息時，如何找到真正對自己有用的部分，成為了一個十分關鍵的問題。傳統的信息檢索方法已經不能夠滿足用戶的需要，個性化推薦系統應運而生，并且已經廣泛運用于電子商務、視頻網站、搜索引擎等領域，為用戶提供了人性化、智能并且便捷的服務。

現有的個性化推薦方法中，基于多目標優化算法的個性化推薦方法采用多目標的遺傳算法進行優化，而遺傳算法相較于群智能算法具有明顯的收斂速度慢、求解精度低的問題。同時，將個性化推薦系統中的向量空間離散化，在對解向量進行交叉和變異時要先將其編碼，在計算目標函數值時需要將其解碼，增加了算法的復雜度。在實際應用中，針對不同的問題選擇一個合適的編碼方式是遺傳算法的應用難點之一，提升了應用的難度。基于優化聚類的協同過濾推薦算法主要目標是改善協同過濾算法中的數據稀疏性問題，而實際上，協同過濾算法在用戶越多時越復雜，同時還存在“托攻擊”和可拓展性差等問題。基于內容的推薦方法用機器學習的方法從關于項目的特征上獲取用戶的興趣資料，然后考察用戶與待預測項目的匹配程度并給出推薦結果，對特征內容的結構性要求高，推薦結果過度規范從而喪失了新穎性，同時，當一個歷史數據較少的用戶出現時，很難給出其理想的推薦結果。基于關聯規則的推薦方法以關聯規則為基礎，把已購商品作為規則頭，規則體作為推薦對象，同時滿足最小支持度閾值和最小置信度閾值的規則，就作為知識輸出的強關聯規則，算法的第一步的關聯規則在整個過程中最關鍵并且耗時。由于關系數據庫的規模一般非常大，導致該算法復雜度異常高，尤其是當最小支持度較低時，需要生成非常多的頻繁大項集，算法的執行時間會呈指數增長，容易導致硬件的內存耗盡。

發明內容

針對現有技術存在的上述問題，本發明的目的在于提供一種多目標推薦優化方法，在與目標用戶相似的用戶集中獲取信息，對推薦方案在準確度、多樣性、新穎性、覆蓋率方面進行優化，從而得到目標用戶的最優推薦方案。

本發明第一方面提供一種多目標推薦優化方法，該方法包括以下步驟：

根據待推薦項目數量和推薦項目個數初始化多個決策向量族，構建關于決策向量族的第一目標函數、第二目標函數、第三目標函數和第四目標函數，所述第一目標函數用于計算決策向量的準確性，所述第二目標函數用于計算決策向量的多樣性，所述第三目標函數用于計算決策向量的新穎性，所述第四目標函數用于計算決策向量的覆蓋率，

根據第一目標函數、第二目標函數、第三目標函數和第四目標函數構建關于決策向量族的最終目標函數，將決策向量代入最終目標函數中獲得目標函數向量，通過比較目標函數向量獲得非支配解集合，根據非支配解集合生成待推薦項目的推薦方案，根據推薦方案向目標用戶進行項目推薦。

進一步的，所述第一目標函數的構建方式具體包括：

獲取聚類后的用戶集以及用戶集中u個用戶對待推薦的n個項目的評分矩陣A_u×n，評分矩陣中的元素a_ij表示第i個用戶對第j個待推薦項目的評分，評分為從0到1的實數，所述用戶集中的用戶為與目標用戶相似的用戶，