[發(fā)明專利]一種基于大規(guī)模進(jìn)化算法的商品推薦方法

在審

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

本發(fā)明公開了一種基于大規(guī)模進(jìn)化算法的商品推薦方法，包括：1、構(gòu)建商品推薦的多目標(biāo)優(yōu)化模型；2、初始化N個(gè)商品推薦模式作為初始種群，并給定初始參數(shù)值；3、在遺傳算法中添加受限玻爾茲曼機(jī)RBM來學(xué)習(xí)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；4、將子代種群與父種群合并后進(jìn)行環(huán)境選擇，生成新的個(gè)體種群，并自適應(yīng)調(diào)整參數(shù)，直至達(dá)到終止條件時(shí)停止迭代；5、將最終種群中處于Pareto最優(yōu)的個(gè)體作為商品推薦方案進(jìn)行推薦。本發(fā)明能降低大規(guī)模商品推薦問題的搜索空間，從而減少尋找最優(yōu)商品推薦方案所耗費(fèi)的時(shí)間，并使商品推薦方案呈現(xiàn)多樣性。

技術(shù)領(lǐng)域

本發(fā)明屬于商品推薦領(lǐng)域，具體的說是一種基于大規(guī)模進(jìn)化算法的商品推薦方法。

背景技術(shù)

近些年隨著電子商務(wù)和數(shù)據(jù)庫(kù)技術(shù)的快速發(fā)展,一方面提升了商務(wù)網(wǎng)站收集和存儲(chǔ)海量商務(wù)數(shù)據(jù)的能力；另一方面對(duì)于如何從這些海量的數(shù)據(jù)中提取出極具價(jià)值的信息成為了人們亟待解決的問題；人們?cè)絹碓蕉嗟年P(guān)注到,對(duì)用戶與商品的交互行為數(shù)據(jù)的分析能夠?yàn)樯唐吠扑]提供非常有價(jià)值的信息,從而能極大地改善商品推薦方案的質(zhì)量。當(dāng)前，現(xiàn)有的模式挖掘算法能夠在一般規(guī)模的數(shù)據(jù)庫(kù)中挖掘出優(yōu)質(zhì)的商品推薦方案，但是在挖掘大規(guī)模數(shù)據(jù)庫(kù)的商品推薦方案時(shí)，現(xiàn)有的推薦技術(shù)在解決此類大規(guī)模問題時(shí)往往需要大量的計(jì)算資源，并且隨著數(shù)據(jù)庫(kù)規(guī)模的增長(zhǎng)而急速增長(zhǎng)。顯然，在計(jì)算資源有限的情況下，算法的運(yùn)行速度通常會(huì)異常緩慢，并且推薦效果差，導(dǎo)致推薦的商品往往難以吸引用戶。

發(fā)明內(nèi)容

本發(fā)明是為了解決上述現(xiàn)有技術(shù)存在的不足之處，提出一種基于大規(guī)模進(jìn)化算法的商品推薦方法，以期能降低大規(guī)模商品推薦問題的搜索空間，從而減少尋找最優(yōu)商品推薦方案所耗費(fèi)的時(shí)間，并使商品推薦方案呈現(xiàn)多樣性。

本發(fā)明為達(dá)到上述發(fā)明目的，采用如下技術(shù)方案：

本發(fā)明一種基于大規(guī)模進(jìn)化算法的商品推薦方法的特點(diǎn)是按如下步驟進(jìn)行：

步驟一、構(gòu)建商品推薦的多目標(biāo)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(kù)Y＝{Y₁,Y₂,…,Y_i,…,Y_n}，其中，Y_i表示第i個(gè)用戶的商品交互行為，n為數(shù)據(jù)庫(kù)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(kù)Y，得到所述數(shù)據(jù)庫(kù)Y中存在的所有商品項(xiàng)的數(shù)目D；

步驟1.2、根據(jù)所述商品項(xiàng)的數(shù)目D，采用二進(jìn)制方式對(duì)數(shù)據(jù)庫(kù)Y進(jìn)行編碼，得到大規(guī)模商品項(xiàng)模式集T＝{t₁,t₂,…,t_i,…,t_n}，且T是一個(gè)n×D矩陣；其中，第i個(gè)商品項(xiàng)模式t_i通過數(shù)據(jù)庫(kù)Y中第i個(gè)用戶與所有商品項(xiàng)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(gè)用戶存在與第d個(gè)商品的交互行為，則令t_i,d＝1，表示第i個(gè)商品項(xiàng)模式中存在第d個(gè)商品項(xiàng)，否則，令t_i,d＝0，表示第i個(gè)商品項(xiàng)模式中不存在第d個(gè)商品項(xiàng)；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(gè)商品項(xiàng)被推薦；反之，x_k＝0則表示所述商品推薦方案X中第k個(gè)商品項(xiàng)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(biāo)優(yōu)化模型F(X)：

Maximize F(X)＝(f(X),O(X)) (1)