应用于电商推荐系统的动态多目标优化方法以及装置制造方法及图纸

本公开的实施例提供了一种应用于电商推荐系统的动态多目标优化方法以及装置。该方法包括：获取电商推荐系统的电商推荐约束条件、电商推荐目标函数；将电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，并将电商推荐系统的电商推荐目标函数表征为电商推荐目标网络；将电商推荐约束网络与电商推荐目标网络并联，构成仿真器；基于仿真器进行电商推荐系统的动态多目标优化，从而可以利用有限的计算资源，提高电商推荐系统的动态多目标优化效率。率。率。

【技术实现步骤摘要】
应用于电商推荐系统的动态多目标优化方法以及装置


[0001]本公开涉及计算机
，尤其涉及一种应用于电商推荐系统的动态多目标优化方法以及装置。

技术介绍

[0002]在电商推荐系统中存在多目标优化问题(Multi
‑
objective Optimization Problem，MOP)，这种类型的问题有多个需要优化的目标函数，同时多个目标函数之间彼此互相制约，一个目标函数的提升，可能会引起其它目标函数的恶化。在众多的多目标优化问题中，存在一种特殊的多目标优化问题
‑
动态多目标优化问题(Dynamic Multi
‑
objective Optimization Problem，DMOP)，这种优化问题不仅目标函数之间彼此相互制约，并且问题会随着时间的变化而改变，除此之外数据的维度很高，这就导致传统的优化方案需要占用更多的计算资源和优化时间，优化效率较低。因此，如何提高电商推荐系统的动态多目标优化效率就成为了目前亟待解决的技术问题。

技术实现思路

[0003]本公开的实施例提供了一种应用于电商推荐系统的动态多目标优化方法以及装置。
[0004]第一方面，本公开的实施例提供了一种应用于电商推荐系统的动态多目标优化方法，该方法包括：
[0005]获取电商推荐系统的电商推荐约束条件、电商推荐目标函数；
[0006]将电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，并将电商推荐系统的电商推荐目标函数表征为电商推荐目标网络；r/>[0007]将电商推荐约束网络与电商推荐目标网络并联，构成仿真器；
[0008]基于仿真器进行电商推荐系统的动态多目标优化。
[0009]在第一方面的一些可实现方式中，获取电商推荐系统的电商推荐约束条件、电商推荐目标函数，包括：
[0010]获取电商推荐系统的设计场景；
[0011]基于电商推荐系统的设计场景进行分析，获取电商推荐约束条件、电商推荐目标函数。
[0012]在第一方面的一些可实现方式中，将电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，包括：
[0013]在决策变量取值空间的约束边界周边进行抽样，得到两类样本点，其中，一类样本点是满足电商推荐约束条件的负样本，另外一类样本点是不满足电商推荐约束条件的正样本；
[0014]基于正样本、负样本训练深度神经网络，得到约束空间的神经网络拟合模型，并将其记为电商推荐约束网络。
[0015]在第一方面的一些可实现方式中，抽样所采用的算法为拉丁超立方抽样算法。
[0016]在第一方面的一些可实现方式中，将电商推荐系统的电商推荐目标函数表征为电商推荐目标网络，包括：
[0017]根据电商推荐目标函数，构建决策变量的网络描述形式，并将其记为电商推荐目标网络。
[0018]在第一方面的一些可实现方式中，基于仿真器进行电商推荐系统的动态多目标优化，包括：
[0019]随机生成第一代个体集合，将第一代个体的决策变量输入到仿真器，得到对应的性能指标和约束损失，并以此为基础，基于快速非支配排序算法，获得可行解集和不可行解集中的支配关系，使用可达性算法从可行解集与不可行解集的非支配前沿中挑选出优质个体集合；
[0020]针对优质个体集合，采用误差反传算法分析决策变量对于性能指标和约束损失的梯度方向，并基于梯度下降算法生成下一代个体集合，不断迭代，直到迭代次数超过预设迭代次数，停止迭代，将最新的优质个体集作为动态多目标优化结果；
[0021]在迭代期间，若检测到当前的目标函数发生改变，则根据改变后的目标函数更新仿真器中的电商推荐目标网络，否则继续使用已有的仿真器。
[0022]在第一方面的一些可实现方式中，该方法还包括：
[0023]根据动态多目标优化结果，对电商推荐系统进行优化调整。
[0024]第二方面，本公开的实施例提供了一种应用于电商推荐系统的动态多目标优化装置，该装置包括：
[0025]获取模块，用于获取电商推荐系统的电商推荐约束条件、电商推荐目标函数；
[0026]表征模块，用于将电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，并将电商推荐系统的电商推荐目标函数表征为电商推荐目标网络；
[0027]并联模块，用于将电商推荐约束网络与电商推荐目标网络并联，构成仿真器；
[0028]优化模块，用于基于仿真器进行电商推荐系统的动态多目标优化。
[0029]第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
[0030]第四方面，本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如上所述的方法。
[0031]在本公开的实施例中，可以获取电商推荐系统的电商推荐约束条件、电商推荐目标函数；将电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，并将电商推荐系统的电商推荐目标函数表征为电商推荐目标网络；将电商推荐约束网络与电商推荐目标网络并联，构成仿真器；基于仿真器进行电商推荐系统的动态多目标优化，从而可以利用有限的计算资源，提高电商推荐系统的动态多目标优化效率。
[0032]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
[0033]结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
[0034]图1示出了本公开的实施例提供的一种应用于电商推荐系统的动态多目标优化方法的流程图；
[0035]图2示出了本公开的实施例提供的一种应用于电商推荐系统的动态多目标优化装置的结构图；
[0036]图3示出了一种能够实施本公开的实施例的示例性电子设备的结构图。
具体实施方式
[0037]为使本公开的实施例的目的、技术方案和优点更加清楚，下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0038]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0039]针对
技术介绍
中出现的问题，本公本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于电商推荐系统的动态多目标优化方法，其特征在于，所述方法包括：获取电商推荐系统的电商推荐约束条件、电商推荐目标函数；将所述电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，并将所述电商推荐系统的电商推荐目标函数表征为电商推荐目标网络；将所述电商推荐约束网络与所述电商推荐目标网络并联，构成仿真器；基于所述仿真器进行所述电商推荐系统的动态多目标优化。2.根据权利要求1所述的方法，其特征在于，所述获取电商推荐系统的电商推荐约束条件、电商推荐目标函数，包括：获取所述电商推荐系统的设计场景；基于所述电商推荐系统的设计场景进行分析，获取电商推荐约束条件、电商推荐目标函数。3.根据权利要求1所述的方法，其特征在于，所述将所述电商推荐系统的电商推荐约束条件表征为电商推荐约束网络，包括：在决策变量取值空间的约束边界周边进行抽样，得到两类样本点，其中，一类样本点是满足电商推荐约束条件的负样本，另外一类样本点是不满足电商推荐约束条件的正样本；基于正样本、负样本训练深度神经网络，得到约束空间的神经网络拟合模型，并将其记为电商推荐约束网络。4.根据权利要求3所述的方法，其特征在于，抽样所采用的算法为拉丁超立方抽样算法。5.根据权利要求1所述的方法，其特征在于，所述将所述电商推荐系统的电商推荐目标函数表征为电商推荐目标网络，包括：根据电商推荐目标函数，构建决策变量的网络描述形式，并将其记为电商推荐目标网络。6.根据权利要求1所述的方法，其特征在于，所述基于所述仿真器进行所述电商推荐系统的动态多目标优化，包括：随机生成第一代个体集合，将第一代个体的决策变量输入到所述仿真器，得到对应的性能指标和约束损失，并以此为基础，基于快速非支配排序算法，...

【专利技术属性】
技术研发人员：李莉，祁斌川，龚炜，许佳，
申请(专利权)人：同济大学，
类型：发明
国别省市：