基于多目标优化的混合重排旅游推荐方法及其系统技术方案

本发明专利技术公开了一种基于多目标优化的混合重排旅游推荐方法，包括以下步骤：S1：数据集构建：收集用户的历史访问序列，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；S2：多目标优化混合重排模型的构建：包括种群初始化、目标函数的计算和种群的进化；S3：模型训练：利用训练集对多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；S4：模型预测：使用最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。还公开了一种基于多目标优化的混合重排旅游推荐系统。本发明专利技术能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。荐系统的准确度的同时提升整个系统的多样性。荐系统的准确度的同时提升整个系统的多样性。

【技术实现步骤摘要】
基于多目标优化的混合重排旅游推荐方法及其系统


[0001]本专利技术涉及优化计算领域，特别是涉及一种基于多目标优化的混合重排旅游推荐方法及其系统。

技术介绍

[0002]随着居民生活水平的提高，居民对精神文化和美好生活的要求日渐强烈，旅游成为人们休闲娱乐的重要组成部分，旅游业得以迅速的发展。面对庞大、复杂的旅游数据人们很容易淹没在大量的数据中，用户很难快速地找到自己需要的旅游景点。因此为了满足人们对高效的、智能的旅游信息越来越迫切的需求，有效地解决旅游推荐服务，给用户推荐更多心仪的景点，一个高效的旅游推荐系统是很有必要的。通常情况下，单个的推荐算法解决实际问题的效果往往并不理想，混合推荐算法可以解决这个问题，混合推荐算法中的每一个推荐技术都可以弥补彼此之间的不足。然而传统的推荐算法只关注于提高整个推荐系统的准确度，却往往忽略了整个系统的多样性，因此我们不仅要积极探索用户的兴趣同时也要注意推荐的多样性。为了解决这两个目标之间的冲突关系，可以使用多目标优化算法来处理多个冲突目标之间的优化问题。
[0003]因此亟需提供一种新型的基于多目标优化的混合重排旅游推荐方法及其系统来解决上述问题。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于多目标优化的混合重排旅游推荐方法及其系统，能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。
[0005]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种基于多目标优化的混合重排旅游推荐方法，包括以下步骤：
[0006]S1：数据集构建：收集用户的历史访问序列，并根据用户访问的ID和访问时间进行排序，将收集到的数据集进行数据筛选，最后进行数据集的划分，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；
[0007]S2：多目标优化混合重排模型的构建：包括种群初始化、目标函数的计算和种群的进化，目标函数的计算利用多目标优化结合MMR算法进行计算；
[0008]S3：模型训练：利用训练集对步骤S2构建的多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；
[0009]S4：模型预测：使用步骤S3获取的最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。
[0010]在本专利技术一个较佳实施例中，在步骤S1中，将收集到的数据集进行数据筛选包括过滤掉少于至多10个不同用户访问的地点和少于至多10个不同访问地点的用户。
[0011]在本专利技术一个较佳实施例中，步骤S2的具体步骤包括：
[0012]S201：种群初始化：将三个基线推荐算法的权重α、β、γ以及重排算法中的权重λ编码为种群中的一个个体如[α，β，γ，λ]，随机初始化个体数量为N的种群，生成在单位目标维度上均匀分布的参考点并生成邻居集；
[0013]S202：目标函数的计算：选取基于用户的协同过滤(User_CF)、基于物品的协同过滤(Item_CF)、SASRec作为混合的三个基线推荐算法，将筛选后的数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表，分别为以及R
SASRec
，将三个评分排名列表进行混合线性加权得到评分排名列表，权重分别α、β、γ，得到用户对每一个项目的得分为：再将评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表，MMR算法中的权重为λ；最后根据重排后的用户的推荐列表计算目标函数值；
[0014]S203：种群的进化：使用MOEA/D算法中的种群进化策略对个体进行优化，其中交叉算子为二进制交叉算子，变异算子为多项式变异算子，通过t代的种群进化，得到最终的推荐列表。
[0015]进一步的，在步骤S202中，计算目标函数的步骤包括：
[0016](1)准确度函数：
[0017]式中，R
u
为给用户u的推荐列表，click为用户历史访问序列的最后一个访问地点，{predictTOPN}∩{click}表示用户历史访问序列的最后一个访问地点出现在用户的推荐列表中，即为一次命中，|User|表示整个数据集中用户的数量；
[0018](2)多样性函数：
[0019]式中，|R
u
|为用户u推荐列表的长度，s(m，n)表示两个项目m和n之间的相似度；
[0020]将最终的目标函数构建为：
[0021][0022]进一步的，在步骤S202中，MMR算法的具体描述为：
[0023]MMR算法将排序结果的相关性与多样性综合于下列公式中：
[0024][0025]式中，Q表示用户，R表示输入到算法中的推荐得分排名列表，D表示推荐结果集合，S表示R中已经选中的集合，R\S表示R中未被选中的集合，λ为调节推荐结果准确性和多样性的权重系数，Sim2为物品之间的相似度，Sim1为用户对物品的一个相关性得分，计算如下式：
[0026][0027]为解决上述技术问题，本专利技术采用的另一个技术方案是：提供一种基于多目标优化的混合重排旅游推荐系统，包括：
[0028]数据集构建模块，用于从Foursquare或/和旅游网站收集用户的历史访问序列，并根据用户访问的ID和访问时间进行排序，将收集到的数据集进行数据筛选，最后进行数据集的划分，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；
[0029]多目标优化混合重排模型构建模块，用于构建多目标优化混合重排模型；
[0030]模型训练模块，用于利用训练集对构建的多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；
[0031]模型预测模块，用于使用获取的最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。
[0032]在本专利技术一个较佳实施例中，所述多目标优化混合重排模型构建模块包括种群初始化单元、目标函数计算单元、种群进化单元，目标函数计算单元利用多目标优化结合MMR算法进行计算。
[0033]进一步的，所述种群初始化单元用于种群的初始化，包括初始化种群的个体、参考点以及邻居集。
[0034]进一步的，所述目标函数计算单元用于将数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表，将三个评分排名列表进行线性加权混合，权重为种群的决策变量，再将加权后得到的评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表并计算目标函数值。
[0035]进一步的，所述种群进化单元用于使用MOEA/D中的种群进化策略引导种群的进化，最终得到用户的推荐列表。
[0036]本专利技术的有益效果是：
[0037](1)本专利技术采用多目标优化的方法对旅游推荐系统的准确性和多样性两个目标进行优化并加入重排算法，在保证推荐准确性的基础上提高了推荐的多样性，大大提高了用户的体验感；
[0038](2)本专利技术采用多目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多目标优化的混合重排旅游推荐方法，其特征在于，包括以下步骤：S1：数据集构建：收集用户的历史访问序列，并根据用户访问的ID和访问时间进行排序，将收集到的数据集进行数据筛选，最后进行数据集的划分，按照用户的时间访问顺序，将最后一个访问地点作为测试集，将倒数第二个访问地点作为验证集，其余作为训练集；S2：多目标优化混合重排模型的构建：包括种群初始化、目标函数的计算和种群的进化，目标函数的计算利用多目标优化结合MMR算法进行计算；S3：模型训练：利用训练集对步骤S2构建的多目标优化混合重排模型进行训练，利用验证集对模型参数进行调整，获取最优的模型；S4：模型预测：使用步骤S3获取的最优模型对测试集中的用户进行预测，获取其推荐给用户的旅游推荐列表。2.根据权利要求1所述的基于多目标优化的混合重排旅游推荐方法，其特征在于，在步骤S1中，将收集到的数据集进行数据筛选包括过滤掉少于至多10个不同用户访问的地点和少于至多10个不同访问地点的用户。3.根据权利要求1所述的基于多目标优化的混合重排旅游推荐方法，其特征在于，步骤S2的具体步骤包括：S201：种群初始化：将三个基线推荐算法的权重α、β、γ以及重排算法中的权重λ编码为种群中的一个个体如[α，β，γ，λ]，随机初始化个体数量为N的种群，生成在单位目标维度上均匀分布的参考点并生成邻居集；S202：目标函数的计算：选取基于用户的协同过滤(User_CF)、基于物品的协同过滤(Item_CF)、SASRec作为混合的三个基线推荐算法，将筛选后的数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表，分别为以及R
SASRec
，将三个评分排名列表进行混合线性加权得到评分排名列表，权重分别α、β、γ，得到用户对每一个项目的得分为：再将评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表，MMR算法中的权重为λ；最后根据重排后的用户的推荐列表计算目标函数值；S203：种群的进化：使用MOEA/D算法中的种群进化策略对个体进行优化，其中交叉算子为二进制交叉算子，变异算子为多项式变异算子，通过t代的种群进化，得到最终的推荐列表。4.根据权利要求3所述的基于多目标优化的混合重排旅游推荐方法，其特征在于，在步骤S202中，计算目标函数的步骤包括：(1)准确度函数：式中，R
u
为给用户u的推荐列表，click为用户历史访问序列的最后一个访问地点，{predictTOPN}∩{click}表示用户历史访问序列的最后一...

【专利技术属性】
技术研发人员：曹瑞芬，郑春厚，李子珏，张兴义，田野，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：