【技术实现步骤摘要】
本专利技术涉及推荐方法，具体是一种改进的多目标遗传算法的推荐方法。
技术介绍
1、随着互联网的蓬勃发展，信息以几何级增长，从而人们处在一个信息爆炸的时代中，进而人们每日都会接触大量甚至海量的信息。如何在大量信息中发现人们所感兴趣的内容，并将其推荐给用户，无疑成了一个值得研究的问题。目前推荐系统的设计和实现，一定程度上解决了信息时代中遇到的这些推荐问题。
2、专利cn114547446a中公开了一种订单推送方法，通过获取用户对电子产品的个性化需求，确定电子产品cto订单推荐的指标，建立电子产品功能定位目标贴近度函数，建立电子产品cto订单推荐的单目标优化模型，将单目标优化模型中的条件设为优化目标，建立电子产品cto订单推荐的多目标优化模型，从公开的互联网电商平台集电子产品bom相关数据集，并对数据集进行预处理以得到有效数据，根据多目标优化模型使用nsga算法的快速非支配排序法获得pareto最优前沿点集，根据用户偏好对pareto最优前沿点集进行排序，择优向用户推荐电子产品cto订单。降低了算法陷入局部最优的可能性，一定程度上提升了订单推荐的精确度和用户体验。上述现有技术通常需要获取海量的数据，并从这些海量数据中生成推荐结果。但是在实际使用的过程中，处理海量的数据会产生以下主要问题：
3、1、庞大的数据量需要处理性能更为优越的处理硬件，而往往这种处理硬件都是比较昂贵的，会增加数据处理的成本。
4、2、海量的数据中极有可能会存在一定的噪声数据，这些噪声数据能够影响数据处理的精度，进而导致推荐结果的
5、3、在使用过程中，面向准确性的单个目标进行推荐，对于低暴露的长尾电影很难得到推荐，对于电影来说有失公平，而且也会导致用户体验不佳，感觉推荐的电影没有新颖性。
6、基于上述存在的技术问题，可知现阶段推荐方法的准确性还有很大的提升空间。
技术实现思路
1、为了避免和克服现有技术中存在的技术问题，本专利技术提供了一种主题。本专利技术通过。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种改进的多目标遗传算法的推荐方法，包括以下步骤：
4、s1、使用lightgcn算法计算，通过加权的方式获得各个个体的综合评分，按照综合评分由大到小的方式对各个个体进行排序，并将排序后的个体依次存放在候选集中；
5、s2、从候选集中选取设定数量的个体组成父种群p，对父种群p进行进化迁移操作，以形成新的父种群p0，并对父种群p0进行交叉操作和突变操作，以形成种群p2；
6、s3、对种群p2进行非支配排序，同时计算种群p2中各个个体的拥挤度；根据排序结果和计算结果，选取对应数量的个体并存放在父种群p3中；
7、s4、用父种群p3中的个体替换父种群p0中的个体，并按照步骤s2到步骤s3的内容进行循环迭代处理，在达到迭代停止条件后，停止迭代，输出推荐结果。
8、步骤s1的具体步骤如下：
9、s11、获取设定数量的用户历史浏览的个体，并对各个用户中的各个个体依次进行编号，将各个用户编号后的个体存放在对应的编号排序集中；
10、s12、使用lightgcn算法计算编号排序集中各个个体的准确度分值，并根据准确度分值按照由大到小的顺序对编号排序集中的各个个体进行排序，以使编号排序集构成准确度排序集；
11、s13、根据各个个体的被浏览次数，计算各个个体的暴露公平性指标，依照个体的准确指标数值和暴露公平性指标数值计算综合评分；
12、综合评分计算公式如下：
13、ri,j＝θi*xi,j+(1-θi)*zj；
14、其中，ri,j表示第i个用户中的第j个个体的综合评分；xi,j表示第i个用户中第j个个体通过lightgcn算法计算出的准确度分值；zj表示第j个个体的暴露公平性指标分值；θi表示第i个用户的综合评分权重参数，是一个0到1的值。
15、作为本专利技术的再进一步方案：步骤s2的具体步骤如下：
16、s21、从候选集中随机选取设定数量的个体构成染色体，各个染色体组成父种群p；将父种群p划分成种群p1和种群p2，对种群p1和种群p2分别进行进化操作；当种群p1和种群p2每进化m代时，互相迁移种群p1和种群p2之间的n个染色体；
17、结合q-learning算法，使得群p1和种群p2可以自适应的选择m值、n值，找到父种群对应用户up的最相近用户ups,将用户up的种群p与用户ups的种群ps之间进行染色体迁移，互相迁移的染色体数量为l；给定m值、n值和l值作为强化学习的动作，当每进化一个动作里的参数值时，计算种群的各个解的间距指标s，指标s计算公式如下：
18、
19、其中，|d|代表的是一次进化时解的个数，代表个体间距离的均值，sa代表的是相邻两个解之间的距离的值；
20、如果当前轮的s值相对于上一轮的s值变小，奖励值加1，如果当前轮的s值等于上一轮的s值，奖励值不变；如果当前轮的s值相对于上一轮的s值变大，则奖励值减1；
21、在进化过程中通过动作和奖励值更新q表，自适应的选择动作，选择合适的m和n值和l值；
22、设定代数进化阈值t，当种群p1和种群p2均进化了t代时，合并种群p1和种群p2，以继续完成设定代数的进化，并形成新的父种群p0；
23、s22、对父种群p0中的染色体进行交叉操作，交叉操作具体如下：
24、s221、采用多父类概率交叉的方式，从父种群p0中随机选择预定数量的染色体作为待交叉父种群，并计算待交叉父种群中各个个体被选择的概率p，pj＝(nj-1)/m，其中，pj表示在待交叉父种群中第j个个体被选择的概率；nj表示在待交叉父种群中第j个个体的数量；m表示待交叉父种群中染色体的数量；
25、s222、待交叉父种群中的第j个个体随机生成一个0到1的随机数numj，并比较numj和pj的大小；当numj小于等于pj时，将该个体存放在子染色体中，反之，将该个体保存在备选库中；
26、s223、遍历待交叉父种群中所有的个体后，若形成的子染色体中个体的数量达到设定数量，则将该子染色体保存在子种群p1中；反之，则从备选库中按照概率p从大到小的方式进行选择，并将被选择的个体补充到该子染色体中，直到该子染色体中的个体数量达到设定数量；
27、s224、按照步骤s221到步骤s223的内容循环操作，直到子种群p1中子染色体的数量与父种群p0中染色体的数量相同；
28、s23、采用强化学习对子种群p1中的各个子染色体进行突变操作，以得到突变后的突变染色体；
29、在突变操作中，通过q-learning算法选取三个不同的突变算子进行突变操作，根据染色体中基因突变数量的概率不同，设置三个不同的突变算子：
30、算子一：随机选择多个候选突变基因，计算各本文档来自技高网...
【技术保护点】
1.一种改进的多目标遗传算法的推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤S1的具体步骤如下：
3.根据权利要求2所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤S2的具体步骤如下：
4.根据权利要求3所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤S3的具体步骤如下：
5.根据权利要求4所述的一种改进的多目标遗传算法的推荐方法，其特征在于，计算备选集合中各个个体的拥挤度距离，按照拥挤度距离由大到小的顺序对备选集合中的各个个体进行重新排序，以获得重新排序后的备选集合；
6.根据权利要求5所述的一种改进的多目标遗传算法的推荐方法，其特征在于，令重新排序后的备选集合为父种群P，按照步骤S22到步骤S35的内容进行循环迭代操作，直到达到迭代停止条件，迭代停止，得到备选集合中的个体，即为推荐结果。
7.根据权利要求6所述的一种改进的多目标遗传算法的推荐方法，其特征在于，目标函数包括准确度目标函数和公平性目标函数；
8
...【技术特征摘要】
1.一种改进的多目标遗传算法的推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤s1的具体步骤如下：
3.根据权利要求2所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤s2的具体步骤如下：
4.根据权利要求3所述的一种改进的多目标遗传算法的推荐方法，其特征在于，步骤s3的具体步骤如下：
5.根据权利要求4所述的一种改进的多目标遗传算法的推荐方法，其特征在于，计算备选集合中各个个体的拥挤度距离，按照拥挤度距离由大到小的顺序对备选集合中的各个个体进行重新排序，以...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。