CN107169029B - 一种推荐方法及装置 - Google Patents

一种推荐方法及装置 Download PDF

Info

Publication number
CN107169029B
CN107169029B CN201710240405.6A CN201710240405A CN107169029B CN 107169029 B CN107169029 B CN 107169029B CN 201710240405 A CN201710240405 A CN 201710240405A CN 107169029 B CN107169029 B CN 107169029B
Authority
CN
China
Prior art keywords
recommendation
population
current
evolution
preference data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710240405.6A
Other languages
English (en)
Other versions
CN107169029A (zh
Inventor
林秋镇
胡碧山
唐亚
陈剑勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201710240405.6A priority Critical patent/CN107169029B/zh
Publication of CN107169029A publication Critical patent/CN107169029A/zh
Application granted granted Critical
Publication of CN107169029B publication Critical patent/CN107169029B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用计算机技术领域，提供了一种推荐方法及装置，该方法包括：接收历史推荐偏好数据，获取推荐目标的极值点，生成对应的当前种群，计算当前种群的目标函数值，根据目标函数值从当前种群中选择预设数量个个体，组成父代种群，对父代种群执行进化操作，生成子代种群，当当前进化代数未超过预设的进化代数阈值时，合并父代种群和子代种群，生成下一代进化种群，将下一代进化种群设置为当前种群，对当前进化代数进行加1操作，再次计算当前种群的目标函数值，如此循环直至当前进化代数达到进化代数阈值，此时，将父代种群设置为推荐结果，从而实现即准确又新颖又全面地个性化推荐，提高了推荐的采纳率。

Description

一种推荐方法及装置
技术领域
本发明属于计算机技术领域，尤其涉及一种推荐方法及装置。
背景技术
在信息过载的时代，用户很难从海量的信息中选择出他们感兴趣的内容来，促使很多学者投入到推荐技术的研究中来。推荐技术是一种基于统计学和知识发现来向用户推荐他们感兴趣内容的技术，旨在帮助用户找到自己感兴趣的信息，减少用户定位搜索信息所使用的时间。例如，电子商务网站根据用户的购买记录向用户推荐商品，社交网站分析我们的通讯目录来帮助我们认识新的朋友，电子教育机构帮助学习者选择他们感兴趣的课程、课题或学习材料等。
目前，现有的推荐技术都是尽可能地提高推荐的准确度，但是不能保证较好的多样性和新颖性，这已经无法满足用户的当前需求。例如，如果向用户推荐多样性较好的物品给用户，就会导致推荐准确度的下降，也就是说，多样性的提升会导致推荐准确度的下降，同理，如果推荐较新颖的物品，则新颖性自然就会提升，但是会导致推荐准确度和多样性的下降。因此，很有必要研究同时考虑推荐准确度、多样性和新颖性的个性化推荐技术。
发明内容
本发明的目的在于提供一种推荐方法及装置，旨在解决现有技术难以进行即准确又新颖又全面地个性化推荐，导致推荐的采纳率不高的问题。
一方面，本发明提供了一种推荐方法，所述方法包括下述步骤：
接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点，所述推荐目标包括准确度、覆盖面和多样性；
根据所述历史推荐偏好数据和所述推荐目标的极值点，生成对应的当前种群，并将所述当前种群的当前进化代数设置为第一代；
计算所述当前种群的目标函数值；
根据所述目标函数值从所述当前种群中选择预设数量个个体，组成父代种群，对所述父代种群执行进化操作，生成子代种群；
当所述当前进化代数未超过预设的进化代数阈值时，合并所述父代种群和所述子代种群，生成下一代进化种群，将所述下一代进化种群设置为所述当前种群，对所述当前进化代数进行加1操作，跳转至计算所述当前种群的目标函数值的操作；
当所述当前进化代数达到所述进化代数阈值时，将所述父代种群设置为推荐结果。
另一方面，本发明提供了一种推荐装置，所述装置包括：
极值点获取单元，用于接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点，所述推荐目标包括准确度、覆盖面和多样性；
种群生成单元，用于根据所述历史推荐偏好数据和所述推荐目标的极值点，生成对应的当前种群，并将所述当前种群的当前进化代数设置为第一代；
目标计算单元，用于计算所述当前种群的目标函数值；
种群进化单元，用于根据所述目标函数值从所述当前种群中选择预设数量个个体，组成父代种群，对所述父代种群执行进化操作，生成子代种群；
循环进化单元，用于当所述当前进化代数未超过预设的进化代数阈值时，合并所述父代种群和所述子代种群，生成下一代进化种群，将所述下一代进化种群设置为所述当前种群，对所述当前进化代数进行加1操作，再次计算所述当前种群的目标函数值，对所述当前种群进行进化，直至所述当前进化代数达到所述进化代数阈值；以及
结果推荐单元，用于当所述当前进化代数达到所述进化代数阈值时，将所述父代种群设置为推荐结果。
本发明接收历史推荐偏好数据，根据历史推荐偏好数据获取推荐目标的极值点，推荐目标包括准确度、覆盖面和多样性，根据历史推荐偏好数据和推荐目标的极值点，生成对应的当前种群，并将当前种群的当前进化代数设置为第一代，计算当前种群的目标函数值，根据目标函数值从当前种群中选择预设数量个个体，组成父代种群，对父代种群执行进化操作，生成子代种群，当当前进化代数未超过预设的进化代数阈值时，合并父代种群和子代种群，生成下一代进化种群，将下一代进化种群设置为当前种群，对当前进化代数进行加1操作，再次计算当前种群的目标函数值，如此循环直至当前进化代数达到进化代数阈值，当当前进化代数达到进化代数阈值时，将父代种群设置为推荐结果，从而实现即准确又新颖又全面地个性化推荐，提高了推荐的采纳率。
附图说明
图1是本发明实施例一提供的推荐方法的实现流程图；
图2是本发明实施例二提供的推荐装置的结构示意图；以及
图3是本发明实施例三提供的推荐装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的推荐方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，接收历史推荐偏好数据，根据历史推荐偏好数据获取推荐目标的极值点，其中，推荐目标包括准确度、覆盖面和多样性。
在本发明实施例中，推荐目标指的是获取向用户推荐的商品时需要达到的要求，这些要求包括准确度、覆盖面和多样性，即给用户推荐的商品需要满足准确度、覆盖面和多样性的要求。预先提供所有用户对物品(例如，商品)的历史偏好数据，即历史推荐偏好数据，在接收到历史推荐偏好数据之后，根据历史推荐偏好数据获取推荐目标的极值点。优选地，将所有用户对商品的历史偏好数据中的偏好程度转化为数字评分，从而降低接收的历史推荐偏好数据的数据量，便于后续的计算或处理。具体地，评分可以采用1到5分之间的整数评分制度，若用户对某个商品没有偏好数据，则评分为0，若用户对某个商品的偏好达到最大程度，则评分为5，其他偏好程度的评分可以依次类推。
优选地，接收到历史推荐偏好数据后，对推荐参数进行初始化操作，对历史推荐偏好数据进行预处理，得到一个二进制矩阵R，R中的元素表示用户对推荐项的偏好情况，根据用户对推荐项的偏好情况对历史推荐偏好数据中的所有用户进行聚类分簇，以用于按照用户簇对用户进行推荐，然后依次获取只具有最优准确度、覆盖面或多样性时的推荐集，将这三个推荐集分别设置为准确度的极值点、覆盖面的极值点和多样性的极值点，以得到只考虑单个推荐目标时的最好推荐集。
在步骤S102中，根据历史推荐偏好数据和推荐目标的极值点，生成对应的当前种群，并将当前种群的当前进化代数设置为第一代。
在本发明实施例中，将推荐目标的极值点(即只考虑单个推荐目标时的最好推荐集)引入到多目标进化的第一代进化种群，从而有效地引导进化方向往需要的方向进化，以在一定程度上同时提高推荐的准确度、多样性和新颖性，提高推荐的速率。
在步骤S103中，计算当前种群的目标函数值。
在本发明实施例中，得到当前种群之后，计算当前种群的准确度、覆盖面和多样性这三个目标函数值。
优选地，在计算当前种群的准确度目标函数值时，根据公式
Figure BDA0001269227770000051
计算用户簇C中的所有用户的预测评分值之和，准确度与计算得到的预测评分值之和成正比，预测评分值之和越大则当前种群的准确度目标函数值越大，其中，C代表用户簇，|C|表示用户簇C中的用户数量，RL表示推荐列表中推荐项的数量，Su表示推荐给用户u的推荐项的集合，
Figure BDA0001269227770000052
表示用户u对推荐项i的预测评分值，
Figure BDA0001269227770000053
的计算公式为
Figure BDA0001269227770000054
suv表示用户u和用户v之间的相似度，rvi为历史推荐偏好数据中用户v对推荐项i的评分，S(u，K)表示与用户u最相似的K个用户。
优选地，根据公式
Figure BDA0001269227770000055
计算当前种群的覆盖面的目标函数值，其中，cov表示推荐结果的覆盖面，N表示历史推荐偏好数据中推荐项的总数量，Nu表示从同一用户簇中的所有用户的推荐项的集合中去除重复的推荐项之后剩余推荐项的数量。
优选地，根据公式
Figure BDA0001269227770000056
计算当前种群的多样性的目标函数值，其中，su表示向用户u推荐的推荐列表，M为历史推荐偏好数据中的用户总数量，RL表示推荐列表中推荐项的数量，Ni为推荐项i的自信息，反映用户选择推荐项i的概率大小，自信息的计算公式为
Figure BDA0001269227770000057
di反映推荐项i的流行程度，di/M为用户选择推荐项i的概率。
在步骤S104中，根据目标函数值从当前种群中选择预设数量个个体，组成父代种群，对父代种群执行进化操作，生成子代种群。
在本发明实施例中，计算得到当前种群的准确度、覆盖面和多样性这三个目标函数值之后，首先根据目标函数值从当前种群中选择预设数量个优秀个体，将这些优秀个体组成父代种群，然后对父代种群进行进化，进化得到的种群为子代种群。
优选地，在根据目标函数值从当前种群中选择预设数量个优秀个体，将这些优秀个体组成父代种群时，首先根据目标函数值对当前种群进行非支配排序，根据非支配排序的先后顺序当前种群中的个体被分为多个等级，然后根据非支配排序的先后顺序从当前种群中选择预设数量个优秀的非支配个体，最后将这些被选中的预设数量个优秀的非支配个体组成父代种群。优选地，在得到父代种群之后，对父代种群进行交叉和变异，以生成新的个体，将新的个体设置为子代种群的个体，从而得到子代种群。
在步骤S105中，判断当前进化代数是否超过预设的进化代数阈值。
在步骤S106中，当当前进化代数未超过预设的进化代数阈值时，合并父代种群和子代种群，生成下一代进化种群，将下一代进化种群设置为当前种群，对当前进化代数进行加1操作，跳转至计算当前种群的目标函数值的操作。
在本发明实施例中，若当前进化代数未超过预设的进化代数阈值(即最大进化代数)，则合并父代种群和子代种群，生成下一代进化种群，然后将下一代进化种群设置为下一代进化时的当前种群，对当前进化代数进行加1操作，跳转至步骤S103计算当前种群的目标函数值的操作，如此循环直至当前进化代数达到进化代数阈值。
在步骤S107中，当当前进化代数达到进化代数阈值时，将父代种群设置为推荐结果。
在本发明实施例中，接收历史推荐偏好数据，根据历史推荐偏好数据获取推荐目标的极值点，根据历史推荐偏好数据和推荐目标的极值点，生成对应的当前种群，并将当前种群的当前进化代数设置为第一代，从而通过在当前种群中引入推荐目标的极值点提高推荐的速率，然后计算当前种群的目标函数值，根据目标函数值从当前种群中选择预设数量个个体，组成父代种群，对父代种群执行进化操作，生成子代种群，当当前进化代数未超过预设的进化代数阈值时，合并父代种群和子代种群，生成下一代进化种群，将下一代进化种群设置为当前种群，对当前进化代数进行加1操作，再次计算当前种群的目标函数值，从而不断对当前种群进行进化，直至获得准确度高、且兼具新颖性和宽覆盖面的推荐结果，提高了推荐的采纳率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
实施例二：
图2示出了本发明实施例二提供的推荐装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
极值点获取单元21，用于接收历史推荐偏好数据，根据历史推荐偏好数据获取推荐目标的极值点，其中，推荐目标包括准确度、覆盖面和多样性。
在本发明实施例中，预先提供所有用户对物品(例如，商品)的历史偏好数据，即历史推荐偏好数据，在接收到历史推荐偏好数据之后，极值点获取单元根据历史推荐偏好数据获取推荐目标的极值点。优选地，将所有用户对商品的历史偏好数据中的偏好程度转化为数字评分，从而降低接收的历史推荐偏好数据的数据量，便于后续的计算或处理。具体地，评分可以采用1到5分之间的整数评分制度，若用户对某个商品没有偏好数据，则评分为0，若用户对某个商品的偏好达到最大程度，则评分为5，其他偏好程度的评分可以依次类推。
优选地，在接收到历史推荐偏好数据后，对推荐参数进行初始化操作，对历史推荐偏好数据进行预处理，得到一个二进制矩阵R，R中的元素表示用户对待推荐项的偏好情况，根据用户对推荐项的偏好情况对历史推荐偏好数据中的所有用户进行聚类分簇，以用于按照用户簇对用户进行推荐，然后依次获取只具有最优准确度、覆盖面或多样性时的推荐集，将这三个推荐集分别设置为准确度的极值点、覆盖面的极值点和多样性的极值点，以得到只考虑单个推荐目标时的最好推荐集。
种群生成单元22，用于根据历史推荐偏好数据和推荐目标的极值点，生成对应的当前种群，并将当前种群的当前进化代数设置为第一代。
在本发明实施例中，种群生成单元将推荐目标的极值点(即只考虑单个推荐目标时的最好推荐集)引入到多目标进化的第一代进化种群，从而有效地引导进化方向往需要的方向进化，以在一定程度上同时提高推荐的准确度、多样性和新颖性，提高推荐的速率。
目标计算单元23，用于计算当前种群的目标函数值。
在本发明实施例中，得到当前种群之后，目标计算单元计算当前种群的准确度、覆盖面和多样性这三个目标函数值。
优选地，在计算当前种群的准确度目标函数值时，根据公式
Figure BDA0001269227770000081
计算用户簇C中的所有用户的预测评分值之和，准确度与计算得到的预测评分值之和成正比，预测评分值之和越大则当前种群的准确度目标函数值越大，其中，C代表用户簇，|C|表示用户簇C中的用户数量，RL表示推荐列表中推荐项的数量，Su表示推荐给用户u的推荐项的集合，
Figure BDA0001269227770000082
表示用户u对推荐项i的预测评分值，
Figure BDA0001269227770000083
的计算公式为
Figure BDA0001269227770000084
suv表示用户u和用户v之间的相似度，rvi为历史推荐偏好数据中用户v对推荐项i的评分，S(u，K)表示与用户u最相似的K个用户。
优选地，根据公式
Figure BDA0001269227770000085
计算当前种群的覆盖面目标函数值，其中，cov表示推荐结果的覆盖面，N表示历史推荐偏好数据中推荐项的总数量，Nu表示从同一用户簇中的所有用户的推荐项的集合中去除重复的推荐项之后剩余推荐项的数量。
优选地，根据公式
Figure BDA0001269227770000086
计算当前种群的多样性目标函数值，其中，su表示向用户u推荐的推荐列表，M为历史推荐偏好数据中的用户总数量，RL表示推荐列表中推荐项的数量，Ni为推荐项i的自信息，反映用户选择推荐项i的概率大小，自信息的计算公式为
Figure BDA0001269227770000087
di反映推荐项i的流行程度，di/M为用户选择推荐项i的概率。
种群进化单元24，用于根据目标函数值从当前种群中选择预设数量个个体，组成父代种群，对父代种群执行进化操作，生成子代种群。
在本发明实施例中，计算得到当前种群的准确度、覆盖面和多样性这三个目标函数值之后，首先根据目标函数值从当前种群中选择预设数量个优秀个体，将这些优秀个体组成父代种群，然后种群进化单元对父代种群进行进化，进化得到的种群为子代种群。
优选地，在根据目标函数值从当前种群中选择预设数量个优秀个体，将这些优秀个体组成父代种群时，首先根据目标函数值对当前种群进行非支配排序，根据非支配排序的先后顺序当前种群中的个体被分为多个等级，然后根据非支配排序的先后顺序从当前种群中选择预设数量个优秀的非支配个体，最后将这些被选中的预设数量个优秀的非支配个体组成父代种群。优选地，在得到父代种群之后，对父代种群进行交叉和变异，以生成新的个体，将新的个体设置为子代种群的个体，从而得到子代种群。
循环进化单元25，用于当当前进化代数未超过预设的进化代数阈值时，合并父代种群和子代种群，生成下一代进化种群，将下一代进化种群设置为当前种群，对当前进化代数进行加1操作，再次计算当前种群的目标函数值，对当前种群进行进化，直至当前进化代数达到进化代数阈值。
在本发明实施例中，若当前进化代数未超过预设的进化代数阈值(即最大进化代数)，则循环进化单元合并父代种群和子代种群，生成下一代进化种群，然后将下一代进化种群设置为下一代进化时的当前种群，对当前进化代数进行加1操作，再次计算当前种群的目标函数值，然后对当前种群进行进化，如此循环直至当前进化代数达到进化代数阈值。
结果推荐单元26，用于当当前进化代数达到进化代数阈值时，将父代种群设置为推荐结果。
因此，优选地，如图3所示，极值点获取单元21包括：
初始化单元311，用于接收历史推荐偏好数据，对推荐参数进行初始化操作，对历史推荐偏好数据进行预处理，对历史推荐偏好数据中的所有用户进行聚类分簇；以及
极值点设置单元312，用于依次获取只具有最优准确度、覆盖面或多样性时的推荐集，将推荐集分别设置为准确度的极值点、覆盖面的极值点和多样性的极值点；
优选地，目标计算单元23包括：
第一计算单元331，用于根据公式
Figure BDA0001269227770000101
计算用户簇C中的所有用户的预测评分值之和，根据预测评分值之和获取当前种群的准确度目标函数值，C代表用户簇，|C|表示用户簇C中的用户数量，RL表示推荐列表中推荐项的数量，Su为推荐给用户u的推荐项的集合，
Figure BDA0001269227770000102
表示用户u对推荐项i的预测评分值，
Figure BDA0001269227770000103
的计算公式为
Figure BDA0001269227770000104
suv表示用户u和用户v之间的相似度，rvi为历史推荐偏好数据中用户v对推荐项i的评分，S(u，K)为与用户u的相似度最大的K个用户；
第二计算单元332，用于根据公式
Figure BDA0001269227770000105
计算当前种群的覆盖面目标函数值，cov表示推荐结果的覆盖面，N表示历史推荐偏好数据中推荐项的总数量，Nu表示从同一用户簇中的所有用户的推荐项的集合中去除重复的推荐项之后剩余推荐项的数量；以及
第三计算单元333，用于根据公式
Figure BDA0001269227770000106
计算当前种群的多样性目标函数值，su表示向用户u推荐的推荐列表，M为历史推荐偏好数据中的用户总数量，RL表示推荐列表中推荐项的数量，Ni为推荐项i的自信息，反映用户选择推荐项i的概率大小，自信息的计算公式为
Figure BDA0001269227770000107
di反映推荐项i的流行程度，di/M为用户选择推荐项i的概率；
优选地，种群进化单元24包括：
父代组成单元341，用于根据目标函数值对当前种群进行非支配排序，根据非支配排序从当前种群中选择预设数量个个体，组成父代种群；以及
子代生成单元342，用于对父代种群执行交叉和变异操作，生成新的个体，将新的个体设置为子代种群的个体。
在本发明实施例中，推荐装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种推荐方法，其特征在于，所述方法包括下述步骤：
接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点，所述推荐目标包括准确度、覆盖面和多样性；
根据所述历史推荐偏好数据和所述推荐目标的极值点，生成对应的当前种群，并将所述当前种群的当前进化代数设置为第一代；
计算所述当前种群的目标函数值；
根据所述目标函数值从所述当前种群中选择预设数量个个体，组成父代种群，对所述父代种群执行进化操作，生成子代种群；
当所述当前进化代数未超过预设的进化代数阈值时，合并所述父代种群和所述子代种群，生成下一代进化种群，将所述下一代进化种群设置为所述当前种群，对所述当前进化代数进行加1操作，跳转至计算所述当前种群的目标函数值的操作；
当所述当前进化代数达到所述进化代数阈值时，将所述父代种群设置为推荐结果；
接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点的步骤，包括：
接收所述历史推荐偏好数据，对推荐参数进行初始化操作，对所述历史推荐偏好数据进行预处理，对所述历史推荐偏好数据中的所有用户进行聚类分簇；
依次获取只具有最优准确度、覆盖面或多样性时的推荐集，将所述推荐集分别设置为所述准确度的极值点、所述覆盖面的极值点和所述多样性的极值点；
计算所述当前种群的目标函数值的步骤，包括：
根据公式
Figure FDA0002288845260000011
计算用户簇C中的所有用户的预测评分值之和，根据所述预测评分值之和获取当前种群的所述准确度目标函数值，所述C代表用户簇，所述|C|表示用户簇C中的用户数量，所述RL表示推荐列表中推荐项的数量，所述Su为推荐给用户u的所述推荐项的集合，所述
Figure FDA0002288845260000021
表示所述用户u对推荐项i的预测评分值，所述
Figure FDA0002288845260000022
的计算公式为
Figure FDA0002288845260000023
所述suv表示所述用户u和用户v之间的相似度，所述rvi为所述历史推荐偏好数据中所述用户v对所述推荐项i的评分，所述S(u，K)为与所述用户u的相似度最大的K个用户；
根据公式
Figure FDA0002288845260000024
计算所述当前种群的所述覆盖面目标函数值，所述cov表示推荐结果的覆盖面，所述N表示所述历史推荐偏好数据中推荐项的总数量，Nu表示从同一用户簇中的所有用户的推荐项的集合中去除重复的推荐项之后剩余推荐项的数量；
根据公式
Figure FDA0002288845260000025
计算所述当前种群的所述多样性目标函数值，所述su表示向用户u推荐的推荐列表，所述M为所述历史推荐偏好数据中的用户总数量，所述RL表示推荐列表中推荐项的数量，所述Ni为推荐项i的自信息，反映用户选择所述推荐项i的概率大小，所述自信息的计算公式为
Figure FDA0002288845260000026
所述di反映推荐项i的流行程度，所述di/M为用户选择推荐项i的概率。
2.如权利要求1所述的方法，其特征在于，根据所述目标函数值从所述当前种群中选择预设数量个个体，组成父代种群的步骤，包括：
根据所述目标函数值对所述当前种群进行非支配排序，根据所述非支配排序从所述当前种群中选择预设数量个个体，组成父代种群。
3.如权利要求1所述的方法，其特征在于，对所述父代种群执行进化操作，生成子代种群的步骤，包括：
对所述父代种群执行交叉和变异操作，生成新的个体，将所述新的个体设置为子代种群的个体。
4.一种推荐装置，其特征在于，所述装置包括：
极值点获取单元，用于接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点，所述推荐目标包括准确度、覆盖面和多样性；
种群生成单元，用于根据所述历史推荐偏好数据和所述推荐目标的极值点，生成对应的当前种群，并将所述当前种群的当前进化代数设置为第一代；
目标计算单元，用于计算所述当前种群的目标函数值；
种群进化单元，用于根据所述目标函数值从所述当前种群中选择预设数量个个体，组成父代种群，对所述父代种群执行进化操作，生成子代种群；
循环进化单元，用于当所述当前进化代数未超过预设的进化代数阈值时，合并所述父代种群和所述子代种群，生成下一代进化种群，将所述下一代进化种群设置为所述当前种群，对所述当前进化代数进行加1操作，再次计算所述当前种群的目标函数值，对所述当前种群进行进化，直至所述当前进化代数达到所述进化代数阈值；以及
结果推荐单元，用于当所述当前进化代数达到所述进化代数阈值时，将所述父代种群设置为推荐结果；
所述极值点获取单元在接收历史推荐偏好数据，根据所述历史推荐偏好数据获取推荐目标的极值点时，包括：
接收所述历史推荐偏好数据，对推荐参数进行初始化操作，对所述历史推荐偏好数据进行预处理，对所述历史推荐偏好数据中的所有用户进行聚类分簇；
依次获取只具有最优准确度、覆盖面或多样性时的推荐集，将所述推荐集分别设置为所述准确度的极值点、所述覆盖面的极值点和所述多样性的极值点；
所述目标计算单元计算所述当前种群的目标函数值时，包括：
根据公式
Figure FDA0002288845260000031
计算用户簇C中的所有用户的预测评分值之和，根据所述预测评分值之和获取当前种群的所述准确度目标函数值，所述C代表用户簇，所述|C|表示用户簇C中的用户数量，所述RL表示推荐列表中推荐项的数量，所述Su为推荐给用户u的所述推荐项的集合，所述
Figure FDA0002288845260000032
表示所述用户u对推荐项i的预测评分值，所述
Figure FDA0002288845260000033
的计算公式为
Figure FDA0002288845260000034
所述suv表示所述用户u和用户v之间的相似度，所述rvi为所述历史推荐偏好数据中所述用户v对所述推荐项i的评分，所述S(u，K)为与所述用户u的相似度最大的K个用户；
根据公式
Figure FDA0002288845260000041
计算所述当前种群的所述覆盖面目标函数值，所述cov表示推荐结果的覆盖面，所述N表示所述历史推荐偏好数据中推荐项的总数量，Nu表示从同一用户簇中的所有用户的推荐项的集合中去除重复的推荐项之后剩余推荐项的数量；
根据公式
Figure FDA0002288845260000042
计算所述当前种群的所述多样性目标函数值，所述su表示向用户u推荐的推荐列表，所述M为所述历史推荐偏好数据中的用户总数量，所述RL表示推荐列表中推荐项的数量，所述Ni为推荐项i的自信息，反映用户选择所述推荐项i的概率大小，所述自信息的计算公式为
Figure FDA0002288845260000043
所述di反映推荐项i的流行程度，所述di/M为用户选择推荐项i的概率。
5.如权利要求4所述的装置，其特征在于，所述种群进化单元包括：
父代组成单元，用于根据所述目标函数值对所述当前种群进行非支配排序，根据所述非支配排序从所述当前种群中选择预设数量个个体，组成父代种群。
6.如权利要求4所述的装置，其特征在于，所述种群进化单元还包括：
子代生成单元，用于对所述父代种群执行交叉和变异操作，生成新的个体，将所述新的个体设置为子代种群的个体。
CN201710240405.6A 2017-04-13 2017-04-13 一种推荐方法及装置 Active CN107169029B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710240405.6A CN107169029B (zh) 2017-04-13 2017-04-13 一种推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710240405.6A CN107169029B (zh) 2017-04-13 2017-04-13 一种推荐方法及装置

Publications (2)

Publication Number Publication Date
CN107169029A CN107169029A (zh) 2017-09-15
CN107169029B true CN107169029B (zh) 2020-06-23

Family

ID=59848974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710240405.6A Active CN107169029B (zh) 2017-04-13 2017-04-13 一种推荐方法及装置

Country Status (1)

Country Link
CN (1) CN107169029B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108681570B (zh) * 2018-05-04 2021-09-21 安徽大学 一种基于多目标进化算法的个性化网页推荐方法
CN108733842B (zh) * 2018-05-29 2021-06-22 北京奇艺世纪科技有限公司 视频推荐方法及装置
CN109584030A (zh) * 2018-10-31 2019-04-05 平安直通咨询有限公司 机构推荐方法、装置及存储介质
CN110048945B (zh) * 2019-04-24 2021-03-02 湖南城市学院 一种节点移动性分簇方法及系统
CN111586100B (zh) * 2020-04-01 2022-04-22 富途网络科技(深圳)有限公司 目标对象消息发送装置及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100454314C (zh) * 2003-12-24 2009-01-21 雅马哈发动机株式会社 多目的最优化装置、多目的最优化方法及多目的最优化程序
JP2010152851A (ja) * 2008-12-26 2010-07-08 Yamaha Motor Co Ltd 多目的最適化装置、多目的最適化方法および多目的最適化プログラム
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN105868281A (zh) * 2016-03-23 2016-08-17 西安电子科技大学 基于非支配排序多目标方法的位置感知推荐系统
CN105913675A (zh) * 2016-07-11 2016-08-31 东南大学 一种同时面向通行效率改善与交通安全提升的多目标可变限速控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100454314C (zh) * 2003-12-24 2009-01-21 雅马哈发动机株式会社 多目的最优化装置、多目的最优化方法及多目的最优化程序
JP2010152851A (ja) * 2008-12-26 2010-07-08 Yamaha Motor Co Ltd 多目的最適化装置、多目的最適化方法および多目的最適化プログラム
CN103839261A (zh) * 2014-02-18 2014-06-04 西安电子科技大学 一种基于分解进化多目标优化和fcm的sar图像分割方法
CN105868281A (zh) * 2016-03-23 2016-08-17 西安电子科技大学 基于非支配排序多目标方法的位置感知推荐系统
CN105913675A (zh) * 2016-07-11 2016-08-31 东南大学 一种同时面向通行效率改善与交通安全提升的多目标可变限速控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A fast and elitist multi-objective genetic algorithm:NSGA-II;K. Deb等;《IEEE》;20020807;第6卷(第2期);第182-197页 *
Personalized recommendation based on evolutionary multi-objective optimization;Y. Zuo等;《IEEE》;20150114;第10卷(第1期);第52-62页 *

Also Published As

Publication number Publication date
CN107169029A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
CN107169029B (zh) 一种推荐方法及装置
CN110969516B (zh) 一种商品推荐方法及装置
CN109741112B (zh) 一种基于移动大数据的用户购买意向预测方法
Alexandridis et al. A fast and efficient method for training categorical radial basis function networks
CN104794367B (zh) 基于隐语义模型的就医资源评分与推荐方法
CN106127506B (zh) 一种基于主动学习解决商品冷启动问题的推荐方法
Singh et al. Performance of a hybrid EA-DE-memetic algorithm on CEC 2011 real world optimization problems
CN105095494A (zh) 一种对分类数据集进行测试的方法
CN114168761B (zh) 多媒体数据的推送方法、装置、电子设备及存储介质
Ahmad et al. Predicting crowdfunding success with optimally weighted random forests
Ghatasheh et al. Modified genetic algorithm for feature selection and hyper parameter optimization: case of XGBoost in spam prediction
Deshmukh et al. Decreasing false-alarm rates in CNN-based solar flare prediction using SDO/HMI data
Solanki et al. Spam filtering using hybrid local-global Naive Bayes classifier
Liang et al. Top-N-rank: A scalable list-wise ranking method for recommender systems
CN109934681A (zh) 用户感兴趣商品的推荐方法
Salehi et al. Enhanced genetic algorithm for spam detection in email
Arram et al. Spam detection using hybrid Artificial Neural Network and Genetic algorithm
Salehi et al. Hybrid simple artificial immune system (SAIS) and particle swarm optimization (PSO) for spam detection
Fang et al. Active multi-task learning via bandits
Lacy et al. Forming classifier ensembles with multimodal evolutionary algorithms
de Sá et al. Towards a method for automatically evolving bayesian network classifiers
Zhang et al. Neural collaborative filtering recommendation algorithm based on popularity feature
Liang et al. ASE: Anomaly scoring based ensemble learning for highly imbalanced datasets
CN110162704B (zh) 基于多因子遗传算法的多规模关键用户提取方法
Ishibuchi et al. Incorporation of decision maker's preference into evolutionary multiobjective optimization algorithms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant