[發(fā)明專利]一種基于大規(guī)模進化算法的商品推薦方法

在審

• 申請?zhí)枺?/td>: 202111551750.4
• 申請日: 2021-12-17
• 公開（公告）號: CN114202387A
• 公開（公告）日: 2022-03-18
• 發(fā)明（設計）人: 田野;鄭威;張亞杰;張興義
• 申請（專利權）人: 安徽大學
• 主分類號: G06Q30/06
• 分類號: G06Q30/06;G06F9/50;G06N3/12
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 陸麗莉;何梅生

1.一種基于大規(guī)模進化算法的商品推薦方法，其特征是按如下步驟進行：

步驟一、構建商品推薦的多目標優(yōu)化模型；

步驟1.1、獲取用戶與商品的交互行為的數(shù)據(jù)庫Y＝{Y₁,Y₂,…,Y_i,…,Y_n}，其中，Y_i表示第i個用戶的商品交互行為，n為數(shù)據(jù)庫中用戶的總數(shù)；遍歷用戶與商品的交互行為的數(shù)據(jù)庫Y，得到所述數(shù)據(jù)庫Y中存在的所有商品項的數(shù)目D；

步驟1.2、根據(jù)所述商品項的數(shù)目D，采用二進制方式對數(shù)據(jù)庫Y進行編碼，得到大規(guī)模商品項模式集T＝{t₁,t₂,…,t_i,…,t_n}，且T是一個n×D矩陣；其中，第i個商品項模式t_i通過數(shù)據(jù)庫Y中第i個用戶與所有商品項的交互行為來表示；即t_i＝{t_i,1,t_i,2,…,t_i,d,…,t_i,D}，若第i個用戶存在與第d個商品的交互行為，則令t_i,d＝1，表示第i個商品項模式中存在第d個商品項，否則，令t_i,d＝0，表示第i個商品項模式中不存在第d個商品項；d∈[1,D]；

令商品推薦方案X是由{0，1}組成的向量，且X＝{x₁,x₂,…,x_k,…,x_D}；其中，若x_k＝1表示所述商品推薦方案X中第k個商品項被推薦；反之，x_k＝0則表示所述商品推薦方案X中第k個商品項未被推薦；k∈[1,D]；

步驟1.3、利用式(1)建立商品推薦方案X的多目標優(yōu)化模型F(X)：

Maximize F(X)＝(f(X),O(X)) (1)

式(1)中，f(X)表示商品推薦方案X所推薦商品項的頻繁度，并有：

式(2)中，t表示大規(guī)模商品項模式集T中商品推薦方案X的支持事務，T_X表示支持事務t的集合；|T_X|表示支持事務集合中支持事務t的數(shù)目，|T|＝n表示大規(guī)模商品項模式集T的商品項模式總數(shù)目；

式(1)中，O(X)表示商品推薦方案X所推薦商品項的占有度，并有：

式(3)中，|t|表示支持事務t所包含的商品項數(shù)目；|X|表示商品推薦方案X所推薦的商品項數(shù)目；

步驟二、初始化N個商品推薦方案作為初始種群，并給定初始參數(shù)值；

步驟2.1、定義商品推薦種群為P＝{p₁,p₂,...,p_j,...p_N}，且P是一個N×D矩陣；其中，p_j表示第j個個體，即從D個商品項中選擇不同商品項所構成的第j個商品推薦方案，且p_j＝{p_j1,p_j2,...,p_jd,...p_jD}，p_jd表示第j個商品推薦方案p_j是否選擇第d個商品項，若p_jd＝1，則表示第d個商品項選入第j個商品推薦方案，若p_jd＝0，則表示第d個商品項未選入第j個商品推薦方案；將種群中個體所在搜索空間定義為原始空間，且所述原始空間的維度為D；1≤N≤n；

步驟2.2、將初始種群P₀中每個個體的長度初始化為D，且D是由0和1構成的向量；并利用式(1)計算得到所述初始化種群P₀中的所有個體相應的頻繁度和占有度；

步驟2.3、利用非支配排序算法對所述初始化種群P₀中所有個體的頻繁度和占有度進行排序，得到具有多個前沿面的種群P₀′；

步驟2.4、根據(jù)歐式距離計算所述種群P₀′中每個個體的擁擠距離，并根據(jù)所得到的擁擠距離，對所述種群P₀′進行降序排序，得到排序后的種群P₁；

步驟2.5進化過程的參數(shù)設置；

定義并初始化迭代次數(shù)t＝1，定義并初始化第t次迭代的比率λ_t，定義并初始化第t次迭代的受限玻爾茲曼機RBM中隱層單元的數(shù)量H_t，令最大迭代次數(shù)為t_max；

步驟三、在遺傳算法中添加受限玻爾茲曼機RBM來學習Pareto最優(yōu)子空間，將在Pareto最優(yōu)子空間中產(chǎn)生的子代與采用NSGA-II算法產(chǎn)生的子代合并形成子代種群；

步驟3.1、將第t代種群P_t中處于Pareto最優(yōu)的個體NP_t輸入受限玻爾茲曼機RBM中進行第t次訓練，得到第t次訓練后的受限玻爾茲曼機RBM；

步驟3.2、采用二元錦標賽選擇策略從第t代種群P_t中選出N個體放入交配池，并作為第t代父種群P_t′；

步驟3.3、從第t代父種群P_t′中隨機選取一對個體作為父代個體；生成第t次迭代的隨機數(shù)rand_t，若rand_t＞λ_t，則使用單點交叉和逐位突變對父代個體進行處理，得到維度為D的一個子代個體；否則，將父代個體輸入第t次訓練后的受限玻爾茲曼機RBM中，得到降維后的父代個體；使用單點交叉和逐位突變對所述降維后的父代個體進行處理，得到子代個體；將所述子代個體輸入所述過第t次訓練后的受限玻爾茲曼機RBM中，得到維度為D的一個子代個體；

步驟3.4、重復步驟3.3執(zhí)行N次，從而在原始空間中產(chǎn)生數(shù)目為N的第t代子代種群Q_t；步驟四、將第t代子代種群Q_t與第t代父種群P_t′合并后進行環(huán)境選擇，生成新的個體種群，并自適應調(diào)整參數(shù)，直至達到終止條件時停止迭代；

步驟4.1、將第t代子代種群Q_t與第t代父種群P_t'合并后刪除重復的個體，從而得到第t代新種群PQ_t；

步驟4.2、對第t代新種群PQ_t中每個個體的頻繁度和占有度進行非支配排序，得到具有多個前沿面的種群PQ′_t；

步驟4.3、計算所述種群PQ′_t中每個個體的擁擠距離，并根據(jù)所得到的擁擠距離，對所述種群PQ′_t進行降序排序，得到降序后的前N個個體作為第t+1代種群P_t+1；

步驟4.4、根據(jù)第t代父種群P_t'與第t+1代種群P_t+1自適應調(diào)整λ_t和H_t；

步驟4.4.1、利用式(1)更新第t次迭代的比率參數(shù)λ_t，得到第t+1次迭代的比率λ_t+1：

式(1)中，s_1,t+1表示當rand_t≤λ_t時，所述第t+1代種群P_t+1中屬于第t代子代種群Q_t的個體的數(shù)量，s_2,t+1表示當rand_t＞λ_t時，所述第t+1代種群P_t+1中屬于第t代子代種群Q_t的個體的數(shù)量；

步驟4.4.2、根據(jù)第t+1代種群P_t+1中處于Pareto最優(yōu)的個體NP_t+1，利用式(2)得到第t+1次迭代的受限玻爾茲曼機RBM中隱層單元的數(shù)量H_t+1：

式(2)中，h_d表示二進制向量h中第d位二進制碼；

步驟4.5、將t+1賦值給t后，判斷t＞t_max是否成立，若成立，則輸出第t代種群P_t；否則返回步驟三繼續(xù)執(zhí)行；

步驟五、將第t代種群P_t中處于Pareto最優(yōu)的個體作為商品推薦方案進行推薦。

2.根據(jù)權利要求1所述的基于大規(guī)模進化算法的商品推薦方法，其特征是，所述步驟4.4.2中的第d位二進制碼h_d是按如下過程得到：

步驟4.4.2.1、根據(jù)個體NP_t+1，利用式(3)估算第d位二進制碼h_d的值為“1”的概率P(h_d＝1|NP_t+1)：

式(3)中，|NP_t+1|表示個體NP_t+1中個體的數(shù)目；p^t+1表示NP_t+1中的任一個體；如果個體p^t+1中未選擇第d個商品項即則令|否則令

步驟4.4.2.2、將概率P(h_d＝1|NP_t+1)與[0,1]內(nèi)均勻分布的隨機值進行比較，當隨機值大于概率值P(h_d＝1|NP_t+1)，則令h_d＝0，反之令h_d＝1。