一种基于多目标优化的混合推荐系统及方法技术方案

本发明专利技术公开了一种基于多目标优化的混合推荐系统及方法，包括：获取推荐系统所需数据并建立对应数据集；用混合推荐方法按照推荐的准确率、新颖性、多样性和召回率等多个指标生成混合推荐算法候选集；将多个评价指标建模成多目标优化问题，将多个评价指标的推荐问题转化为高维多目标优化问题；改进多目标优化方法，在多个混合推荐算法候选集中选择出最符合用户需求的推荐集合。本发明专利技术将多目标优化的混合推荐方法应用到推荐系统中，能更为精准的为用户推荐多个推荐结果，更加符合用户的推荐结果的需求。果的需求。果的需求。

【技术实现步骤摘要】
一种基于多目标优化的混合推荐系统及方法


[0001]本专利技术涉及多目标优化领域，具体涉及一种基于多目标优化的混合推荐系统及其方法。

技术介绍

[0002]随着互联网技术的快速发展，网络信息的规模呈现出指数性的增长。庞杂的网络信息能让我们能够获取更加多样的信息，但是如何让用户在海量的信息中精准的获取到自己想要的信息却成为了一个难题，从信息的提供者来说，如何将信息精准的提供给对它们感兴趣的用户也是一个难题。在这种情况下，推荐系统应运而生。
[0003]推荐系统不需要用户清晰的表达自己的需求，而是通过分析用户的历史行为，将用户可能会感兴趣的一些信息呈现给用户。近年来，推荐系统通过其精准高效的特点，在电子商务网站、社交网站和新闻推送等方面表现出了良好的性能。目前主流的推荐算法为基于邻域的推荐算法、基于模型的推荐算法、基于内容的推荐算法和混合推荐算法。单个不同的推荐算法在不同的应用方面表现出了良好的性能，传统的推荐算法在给用户进行推荐时，只将推荐的准确性作为推荐结果的唯一衡量标准，虽然这种推荐方法能够精确匹配用户的兴趣需求，但是推荐的种类较为单一，容易让用户陷入单一的兴趣圈。一个好的推荐系统除了考虑推荐精准度的同时，推荐的多样性、新颖度以及召回率等指标也应该被考虑其中，而通过多目标优化算法的思想正好可以解决用户对推荐系统多样化需求的要求，给出最优的推荐列表。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多目标优化的混合推荐系统及其方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上诉目的，本专利技术提供如下技术方案：一种基于多目标优化的混合推荐系统及其方法，包括如下步骤：
[0006]S1：混合推荐模型构建；
[0007]S2：优化目标选择；
[0008]S3：多目标优化模型构建；
[0009]S4：利用权重大小对结果进行排序；
[0010]所述步骤S1具体包括以下步骤：
[0011]S1.1:采集待分析的数据集，通过数据集构建用户项目评分矩阵；
[0012]S1.2:分别采用基于内容的推荐算法和基于协同过滤的推荐算法进行推荐，生成初始的候选列表；
[0013]S1.3:将各推荐算法获取的表单项进行加权求和，生成对应的混合推荐算法候选集；
[0014]所述步骤S2中优化的目标包括推荐的准确率、多样性、新颖性和召回率，具体定义
如下：
[0015]准确率是指系统向用户推荐的所有物品中，令用户满意的物品所占的比例，准确率越高说明算法的效果越好。准确率的定义如下：其中L(u)是推荐算法为用户u产生的推荐列表，P(u)是用户u喜好的产品列表。
[0016][0017]用户的兴趣是广泛的，一个经常看动漫的用户也可以喜欢其他类型的视频。为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域，即推荐结果需要具有多样性。多样性反映了对同一个用户推荐不同种类物品的能力。多样性的定义如下：其中sim(i，j)表示物品i、j之间的相似度，||L(u)||推荐算法为用户u产生的推荐列表中的物品个数。
[0018][0019]召回率是指用户感兴趣的所有物品中，被系统发现并向其推荐的物品所占的比率，召回率越高代表推荐结果越好。召回率的定义如下：
[0020][0021]新颖度反映了推荐系统向特定用户推荐关注度较小的某些物品的能力。它的定义如下：其中k(i)表示物品i的受关注程度，即关注物品i的全部用户个数。
[0022][0023]Minimize：F＝{f1，f2，f3}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0024]f1＝1
‑
Precision
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0025]f2＝1
‑
Div
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0026]f3＝1
‑
Recal
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]所述步骤S3多目标优化模型构建采用NSGA
‑
III算法，具体步骤如下：
[0028]S3.1计算混合推荐算法候选集中每个推荐表单的准确率、多样性、新颖性和召回率，将其作为个体该维度上的参考值，将推荐问题转化为高维多目标的优化问题；
[0029]S3.2将所得种群按照非支配层进行划分，利用非支配排序法将种群划分为不同的非支配级别；
[0030]S3.3对种群进行归一化，使得超平面与坐标轴交点的归一化函数之为1；
[0031]S3.4计算所有个体到参考向量的最短距离，将个体与参考点进行关联。其中一个参考点有可能关联一个或多个个体，也有可能不关联任何个体。
[0032]S3.5获取第j个参考点在新父代种群Pt+1最后一层Fl中关联的个体数π
j
，以及Fl层之前关联的个体数ρ
j
。当π
j
不为0，ρ
j
等于0时，表示在最后一层Fl层存在与j关联的个体，
而在Fl层之前不存在与j关联的个体，则在Fl层中选择与参考点j关联且距离参考向量最近的个体，参考点的小生境数加1；当πj不为0，ρ
j
也不为0时，表示在最后一层Fl层存在与j关联的个体，在Fl层之前也存在与j关联的个体，则在Fl层中随机选择与参考点j关联的个体，参考点的小生境数加1；当πj为0时，表示在最后一层Fl层不存在与j关联的个体，跳转到下一参考点。重复以上操作，直到选出了所需的N个个体。
[0033]S3.6对父代种群Pt执行交叉变异操作生成子种群Qt。在进行变异时，如果迭代次数t∈[0,0.2t
max
]，执行均匀变异算子；如果迭代次数t∈[0.2t
max
,0.8t
max
]，执行改进的自适应变异算子(将个体适应度值与突变概率相联系)；如果t∈[0.8t
max
,t
max
]，执行改进的多项式变异算子(将个体适应度值与突变概率相联系)。
[0034]S3.7将父代种群和子种群进行合并，生成新的种群Rt，然后对Rt进行非支配排序。
[0035]S3.8根据基于参考点的个体选择机制选出新种群Pt+1。
[0036]S3.9判断是否满足终止条件；如果为满足，则返回S3.6，否则算法停止运行。
[0037]现有技术相比，本专利技术得有益效果是：针对单一推荐算法的局限性和推荐指标的单一化的问题，提出了基于多目标优化的混合推荐算法。并通过分析多目标优化算法在维度较高时，容易陷入局部最优解，收敛速度慢的问题，通过改进NSGA
‑
III算法中的变异算子，提高算法的求解效果。通过研究分析各类推荐算法的优缺点及其适用场景，充分利用不同推荐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标优化的混合推荐系统及方法，其特征在于，包括：获取推荐系统所需数据并建立对应数据集；用混合推荐方法按照推荐的准确率、新颖性、多样性和召回率等多个指标生成混合推荐算法候选集；将多个评价指标建模成多目标优化问题，将多个评价指标的推荐问题转化为高维多目标优化问题；改进多目标优化方法，在多个混合推荐算法候选集中选择出最符合用户需求的推荐集合。2.一种基于多目标优化的混合推荐系统及方法，其特征在于，包括如下步骤：S1：混合推荐模型构建；S2：优化目标选择；S3：多目标优化模型构建；S4：利用权重大小对结果进行排序。3.根据权利要求2所述的一种基于多目标优化的混合推荐系统及方法，其特征在于，所述步骤S1具体包括以下步骤：S1.1:采集待分析的数据集，通过数据集构建用户项目评分矩阵；S1.2:分别采用基于内容的推荐算法和基于协同过滤的推荐算法进行推荐，生成初始的候选列表；S1.3:将各推荐算法获取的表单项进行加权求和，生成对应的混合推荐算法候选集。4.根据权利要求2所述的一种基于多目标优化的混合推荐系统及方法，其特征在于：所述步骤S2中优化的目标包括推荐的准确率、多样性、新颖性和召回率，具体定义如下：准确率是指系统向用户推荐的所有物品中，令用户满意的物品所占的比例，准确率越高说明算法的效果越好；准确率的定义如下：其中L(u)是推荐算法为用户u产生的推荐列表，P(u)是用户u喜好的产品列表；用户的兴趣是广泛的，一个经常看动漫的用户也可以喜欢其他类型的视频；为了满足用户广泛的兴趣，推荐列表需要能够覆盖用户不同的兴趣领域，即推荐结果需要具有多样性；多样性反映了对同一个用户推荐不同种类物品的能力；多样性的定义如下：其中sim(i,j)表示物品i、j之间的相似度，||L(u)||推荐算法为用户u产生的推荐列表中的物品个数；召回率是指用户感兴趣的所有物品中，被系统发现并向其推荐的物品所占的比率，召回率越高代表推荐结果越好；召回率的定义如下：新颖度反映了推荐系统向特定用户推荐关注度较小的某些物品的能力；它的定义如下：
Minimize：F＝{f1，f2，f3}
ꢀꢀꢀꢀꢀꢀꢀ
(5)f1＝1
‑
Precision
ꢀꢀꢀꢀ
(6)f2＝1
‑
Div
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)f3＝1
‑
Recall
ꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：陈基漓，徐荣安，谢晓兰，王丽，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：