CN109753604A - 群组推荐方法、装置、可读存储介质及电子设备 - Google Patents

Abstract

本公开涉及一种群组推荐方法、装置、可读存储介质及电子设备。该方法包括：获取知识社区中多个用户关注的话题；确定每个话题的出现次数及受关注程度；生成初始种群；根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，所述适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，所述目标最优个体用于表征话题对应的一条最优权重向量；根据所述目标最优个体，确定目标话题；根据所述目标话题，确定待推荐群组。由此，可以实现对知识社区中的用户进行智能化群组推荐。

Description

群组推荐方法、装置、可读存储介质及电子设备

技术领域

本公开涉及计算机领域，具体地，涉及一种群组推荐方法、装置、可读存储介质及电子设备。

背景技术

知识社区建立的目的是为了方便知识与经验的分享。知识社区中可以建立多个群组，同一群组中的用户被视为对该群组对应的话题感兴趣，并且，针对已加入群组的用户A而言，系统还可以根据同群组中其他用户感兴趣的知识，为该用户A进行知识推荐，其中，这种知识推荐技术可以称为群组性知识推荐技术。然而，对于加入知识社区的新用户，由于其尚未加入任何群组，因此，系统无法对其进行群组性知识推荐。如果想要为该新用户进行群体性知识推荐，就要求该新用户首先选择加入某个或某些群组。然而，庞大的知识社区中会存在大量群组，用户可能需要耗费很长时间才能找到其感兴趣的群组，这就为用户的群组选择带来了不便。

发明内容

本公开的目的是提供一种群组推荐方法、装置、可读存储介质及电子设备，以实现对知识社区中的用户进行智能化群组推荐。

为了实现上述目的，本公开提供一种群组推荐方法，包括：

获取知识社区中多个用户关注的话题；

确定每个话题的出现次数及受关注程度；

生成初始种群，其中，所述初始种群包括多个初始个体，每个所述初始个体分别用于表征话题对应的一条初始权重向量；

根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，所述适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，所述目标最优个体用于表征话题对应的一条最优权重向量；

根据所述目标最优个体，确定目标话题；

根据所述目标话题，确定待推荐群组。

可选地，所述根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，包括：

根据所述初始种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述初始种群中每个所述初始个体的适应度值，并根据所述适应度值确定当前最优个体X^*(t)；

将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)，其中，每个所述当前个体X(t)的更新后个体X(t+1)组成更新后的种群，所述更新过程包括：

更新鲸鱼算法中的A、C、l和p，其中，A和C是系数向量，l为[-1,1]之间的随机量，p为[0,1]之间的随机数；

若p>0.5，则从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)+D'·e^bl·cos(2πl)

其中，D'表示所述当前个体X(t)与所述当前最优个体X^*(t)之间的距离，且D'＝|X^*(t)-X(t)|，b表示定义对数螺旋线形状的常量，ε是服从方差为1均值为0的正态分布的随机数；根据所述更新后的种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述更新后的种群中每个个体的适应度值；

若根据计算出的所述更新后的种群中每个个体的适应度值，确定所述更新后的种群中存在比所述当前最优个体X^*(t)更优的个体，则将所述更新后的种群中的最优个体确定为新的当前最优个体X^*(t)，否则保持所述当前最优个体X^*(t)不变；

若当前迭代次数t尚未达到预设的迭代总次数T，则将t＝t+1、并将所述更新后的种群确定为所述当前种群后，返回所述将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)的步骤；

若当前迭代次数t达到所述预设的迭代总次数T，则将最终的所述当前最优个体X^*(t)确定为所述目标最优个体。

可选地，所述更新过程还包括：

若p≤0.5且|A|≤1，则从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)-A^*D

其中，D表示所述当前个体X(t)与所述当前最优个体X^*(t)之间的距离，且D＝|C*X^*(t)-X(t)|。

可选地，所述从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)，包括：

计算所述当前种群中除所述当前最优个体X^*(t)之外的其余个体的适应度值的平均值；

删除所述其余个体中适应度值大于所述平均值的个体，所剩个体作为候选个体；

根据如下公式确定剩余数量remainder_Num：

remainder_Num＝round(m-μ·(m-1))

若所述候选个体的总数大于所述剩余数量，则随机删除一部分所述候选个体以使剩余的所述候选个体的数量等于所述剩余数量；

若所述候选个体的总数不大于所述剩余数量，或者，在随机删除一部分所述候选个体之后，从当前的所述候选个体中随机选择一候选个体作为所述精英个体X_elite(t)，其中，m表示所述当前种群中的个体总数，μ表示系数，且μ＝t/T。

可选地，所述更新过程还包括：

若p≤0.5且|A|>1，则从所述当前种群中随机选择一个体作为随机个体X_rand(t)，并确定所述当前种群中所有个体的适应度值的平均值fit_avg；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

其中，D表示所述当前个体X(t)与所述随机个体X_rand(t)之间的距离，且D＝|C*X(t)-X_rand(t)|，fit(X(t))表示所述当前个体X(t)的适应度值，ω_lo_w表示第一惯性权重，ω_up表示第二惯性权重，且ω_low<ω_up，ω_low+ω_up＝1。

可选地，所述确定每个话题的受关注程度，包括：

通过以下公式，确定所述每个话题的受关注程度：

其中，user_k表示第k个用户，topic_i表示第i个话题，表示第i个话题的受关注程度；affect(user_k,topic_i)表示第i个话题受第k个用户的关注程度，K表示用户总数，并且，affect(user_k,topic_i)根据read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)中的一种或多种来确定，其中，

其中，read(user_k,topic_i)表示第k个用户阅读的文章是否包含第i个话题，publish(user_k,topic_i)表示第k个用户发表的文章是否包含第i个话题，comment(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章发表评论，thumbs_up(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章点赞。

可选地，affect(user_k,topic_i)为read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)之和。

可选地，所述适应度计算函数为：

其中，fit(X)表示个体X的适应度值，表示第i个话题的受关注程度，count_i表示第i个话题的出现次数，x_i表示个体X中对应于第i个话题的权重值。

可选地，所述目标最优个体，确定目标话题，包括：

按照权重值由大到小的顺序，将所述目标最优个体中权重值排名最高的H个权重值对应的话题确定为目标话题，其中，H为大于或等于1的正整数。

本公开还提供一种群组推荐装置，包括：

获取模块，用于获取知识社区中多个用户关注的话题；

第一确定模块，用于确定每个话题的出现次数及受关注程度；

生成模块，用于生成初始种群，其中，所述初始种群包括多个初始个体，每个所述初始个体分别用于表征话题对应的一条初始权重向量；

第二确定模块，用于根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，所述适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，所述目标最优个体用于表征话题对应的一条最优权重向量；

第三确定模块，用于根据所述目标最优个体，确定目标话题；

第四确定模块，用于根据所述目标话题，确定待推荐群组。

可选地，所述第二确定模块包括：

第一确定子模块，用于根据所述初始种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述初始种群中每个所述初始个体的适应度值，并根据所述适应度值确定当前最优个体X^*(t)；

更新子模块，用于将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行上述更新过程，获得更新后个体X(t+1)，其中，每个所述当前个体X(t)的更新后个体X(t+1)组成更新后的种群；

计算子模块，用于根据所述更新后的种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述更新后的种群中每个个体的适应度值；

第二确定子模块，用于若根据计算出的所述更新后的种群中每个个体的适应度值，确定所述更新后的种群中存在比所述当前最优个体X^*(t)更优的个体，则将所述更新后的种群中的最优个体确定为新的当前最优个体X^*(t)，否则保持所述当前最优个体X^*(t)不变；

第三确定子模块，用于若当前迭代次数t尚未达到预设的迭代总次数T，则将t＝t+1、并将所述更新后的种群确定为所述当前种群后，触发所述更新子模块重新执行所述将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)的操作；

第四确定子模块，用于若当前迭代次数t达到所述预设的迭代总次数T，则将最终的所述当前最优个体X^*(t)确定为所述目标最优个体。

可选地，所述第一确定模块用于通过以下公式，确定所述每个话题的受关注程度：

可选地，所述第三确定模块用于按照权重值由大到小的顺序，将所述目标最优个体中权重值排名最高的H个权重值对应的话题确定为目标话题，其中，H为大于或等于1的正整数。

本公开还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开提供的上述群组推荐方法的步骤。

本公开还提供一种电子设备，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现本公开提供的上述群组推荐方法的步骤。

在上述技术方案中，可以根据知识社区中用户已关注的话题来确定待推荐群组。由于用户已经关注的话题本身就能够体现该知识社区中大部分用户的偏好，所以根据用户已关注话题的出现次数和受关注程度，利用人工智能算法，可以快速确定出新用户可能感兴趣的群组，节省用户选择时间，提高推荐效率。此外，上述技术方案利用了群智能算法——鲸鱼算法来不断的优化推荐方案，在迭代过程中，在计算个体的适应度值时考虑了话题的出现次数和受关注程度，这样，基于该适应度值确定出的最优个体能够更加客观、真实地反映当前的热门话题，算法在迭代结束时可以产生最优推荐方案，由此可以实现高精度的群组推荐。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据本公开一示例性实施例的一种群组推荐方法的流程图。

图2是根据本公开一示例性实施例的一种群组推荐装置的框图。

图3是根据本公开一示例性实施例的一种电子设备的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

图1是根据本公开一示例性实施例的一种群组推荐方法的流程图。如图1所示，该方法可以包括步骤101至步骤106。

在步骤101中，获取知识社区中多个用户关注的话题。

群组的生成与推荐的关键是群组的命名，因为用户大多都是判断群组的命名是否是本人所关注的内容，从而决定是否加入该群组。本公开中，构成群组命名的关键词是从用户的关注话题中提取组合而成的。因此，方法首先通过步骤101，获取知识社区中多个用户关注的话题。可选地，在步骤101中，可以获取知识社区中所有用户关注的话题。

在步骤102中，确定每个话题的出现次数及受关注程度。

话题的出现次数及受关注程度可以反映话题的热门程度。

在步骤103中，生成初始种群，其中，该初始种群包括多个初始个体，每个初始个体分别用于表征话题对应的一条初始权重向量。

在步骤104中，根据该初始种群、每个话题的出现次数及受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，该适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，该目标最优个体用于表征话题对应的一条最优权重向量。

在步骤105中，根据该目标最优个体，确定目标话题。其中，目标话题可以为目标最优个体所表征的最优权重向量中，较大权重值对应的话题。

在步骤106中，根据该目标话题，确定待推荐群组。

通过上述技术方案，可以根据知识社区中用户已关注的话题来确定待推荐群组。由于用户已经关注的话题本身就能够体现该知识社区中大部分用户的偏好，所以根据用户已关注话题的出现次数和受关注程度，利用人工智能算法，可以快速确定出新用户可能感兴趣的群组，节省用户选择时间，提高推荐效率。此外，上述技术方案利用了群智能算法——鲸鱼算法来不断的优化推荐方案，在迭代过程中，在计算个体的适应度值时考虑了话题的出现次数和受关注程度，这样，基于该适应度值确定出的最优个体能够更加客观、真实地反映当前的热门话题，算法在迭代结束时可以产生最优推荐方案，由此可以实现高精度的群组推荐。

下面举例描述上述方法的实现过程。

在步骤101中，获取到的知识社区中多个用户关注的话题可以表示为Topic＝(topic₁,topic₂,topic₃,…,topic_i,…,topic_n)，其中，Topic表示关注话题集合，topic_i表示关注的第i个话题，i为正整数，且1≤i≤n，n表示关注的话题总数。

接下来，确定每个话题的出现次数及受关注程度。其中，话题的出现次数可以表示为Count＝(count₁,count₂,count₃,…,count_i,…,count_n)，其中，Count表示话题出现次数集合，count_i表示第i个话题的出现次数。

在确定话题的受关注程度时，可以基于该话题对应的用户行为来确定。在本公开中，定义了如下四个用户行为影响因子：用户阅读行为、用户发表行为、用户评论行为以及用户点赞行为。因此，在本公开中，可以考虑以上四个用户行为影响因子中的一者或多者来确定话题的受关注程度。

示例地，假设在统计用户关注的话题时针对的用户的总数为K，这样，在一种实施例中，针对每个话题，可以根据每个用户对该话题的上述四种用户行为，来确定该话题受各用户的关注程度，进而确定出该话题总体的受关注程度。例如，可以通过以下等式(1)来确定每个话题的受关注程度：

其中，user_k表示第k个用户；表示第i个话题的受关注程度；affect(user_k,topic_i)表示第i个话题受第k个用户的关注程度，k为正整数，且1≤k≤K，K表示用户总数。

其中，在一个实施方式中，affect(user_k,topic_i)为read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)之和，即：affect(user_k,topic_i)＝read(user_k,topic_i)+publish(user_k,topic_i)+comment(user_k,topic_i)+thumbs_up(user_k,topic_i)

其中，

其中，read(user_k,topic_i)表示第k个用户阅读的文章是否包含第i个话题，反映了用户对话题的阅读行为；publish(user_k,topic_i)表示第k个用户发表的文章是否包含第i个话题，反映了用户对话题的发表行为；comment(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章发表评论，反映了用户对话题的评论行为；thumbs_up(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章点赞，反映了用户对话题的点赞行为。

尽管在以上实施例中描述了在确定第i个话题受第k个用户的关注程度affect(user_k,topic_i)时，综合考虑了read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)这四种因素，但是本公开并不局限于此。在其他实施方式中，在确定affect(user_k,topic_i)时，也可以只考虑read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)这四种因素中的一种、两种或三种。当只考虑其中一种因素时，affect(user_k,topic_i)可以等于该因素值，当考虑其中的两种或三种因素时，affect(user_k,topic_i)可以为这两种或三种因素值之和。

接下来，在步骤103中，生成初始种群W。示例地，假设种群规模为m，即，种群中的个体总数为m，则可以随机m个权重向量以构成初始种群W：

W₁＝(w₁₁,w₁₂,...,w_1i,...,w_1n),

W₂＝(w₂₁,w₂₂,...,w_2i,...,w_2n),

...,

W_m＝(w_m1,w_m2,...,w_mi,...,w_mn)

其中，W₁～W_m为随机生成的m个权重向量，分别表征话题对应的一条初始权重向量，向量的列数与话题总数相等，每个权重向量中的元素分别表示第i个话题的权重值，并且其中，一条权重向量中的权重值总和等于1。

在生成初始种群W后，在鲸鱼算法的迭代过程中，它们会根据适应度函数fit()的评价而不断的更新，最终产生一个赋予了各个话题不同权重的最优解，即，目标最优个体，该目标最优个体表征话题对应的最优权重向量。

在鲸鱼算法的迭代过程中，要使用适应度函数fit()计算个体的适应度值，以确定本次迭代中的最优个体，直到整个迭代过程结束，获得最终的目标最优个体。在本公开中，在计算个体适应度值时考虑了话题出现次数和受关注程度这两个影响因子，如此，可以确保所计算出的个体适应度值能够更为客观、真实地反映该个体中对话题的权重值分配的合理性，从而使得最终确定出的最优个体能够更加客观、真实地反映当前的热门话题。

示例地，在本公开中，适应度函数可以为公式(2)所示：

其中，fit(X)表示个体X的适应度值；表示第i个话题的受关注程度；count_i表示第i个话题的出现次数；x_i表示个体X中对应于第i个话题的权重值。fit(X)的值越小说明个体X的适应性越好，也就是说给这些关注话题所分配的权重更加的合理。

例如，假设针对初始种群W中的个体W₁，利用公式(2)计算出的该个体W₁的适应度值表示为

如此，在经过步骤104后，可以得到一目标最优个体。之后，在步骤105中，可以根据该目标最优个体，确定出目标话题。在本公开中，确定目标话题的一种方式可以为：按照权重值由大到小的顺序，将该目标最优个体中权重值排名最高的H个权重值对应的话题确定为目标话题，其中，H为大于或等于1的正整数。或者，确定目标话题的另一种方式可以为：将该目标最优个体中大于预设权重阈值的权重值对应的话题确定为目标话题。确定出的目标话题表征该知识社区中当前的热门话题。

之后，在步骤106中，根据确定出的目标话题，确定待推荐群组。如上所述，构成群组命名的关键词是从用户的关注话题中提取组合而成的，因此，在确定出目标话题之后，可以根据该目标话题和知识社区中已有群组的命名，确定出命名与该目标话题相匹配的群组。其中，群组命名与话题相匹配可以为：群组命名包括该话题，或者，群组命名的文本向量与话题的文本向量的相似度(例如，余弦距离、欧氏距离等)表征该群组命名与该话题相似。在找出与目标话题相匹配的群组之后，可以将该相匹配的群组确定为待推荐群组，推荐给用户。

例如，若干个用户已经关注的话题为：微服务，区块链，以太坊，深度学习，计算机视觉，数据分析，数据挖掘，大数据，Hadoop，Spark，Docker。经过算法迭代最终产生的最优权重对应的目标话题为：大数据，深度学习，计算机视觉和区块链，那么，根据该目标话题，确定出的待推荐群组可以为“大数据交流群”、“深度学习交流群”、“计算机视觉兴趣群”、“区块链论坛”。将这些群组推荐给用户，用户可以获悉知识社区中当前的热门群组，方便用户加入群组参与互动学习，加强彼此的交流，并且方便后面对用户进行群组性知识推荐。

如上所述，本公开中使用鲸鱼算法寻找目标最优个体，以得到目标话题。鲸鱼算法是在2016年被提出的一种新颖的群智能优化算法，算法的数学模型是依据海洋中一种鲸鱼的觅食行为。该算法具有群智能算法的普遍优点，并且在能源、交通、经济、管理、海洋工程、基础数学等诸多领域有所应用。该算法在搜索的精度和收敛的速度方面好于一些算法，但是该算法在解决复杂的、高维度的、多峰函数时仍然存在着寻优精度低、容易陷入局部最优的问题。

对此，发明人着眼于从全局和局部两个方面改善这些问题。在全局搜索过程中使用了一种基于适应度值分类的更新方法，对个体分类引入了两种惯性权重使得全局搜索更加的细化，提高了搜索精度。在局部更新阶段使用了一种基于精英团队的局部更新策略，从精英团队中引入精英个体对最优个体产生扰动，由此，可以减少在寻优后期陷入局部最优的可能。本发明将改进后的鲸鱼算法应用到待推荐群组的生成中，减少了建模和计算的复杂度，提高了推荐的精度。

下面详细描述鲸鱼算法的迭代过程。

首先，在初始种群生成后，利用适应度函数计算该初始种群中每个初始个体的适应度值。在本公开中，可以根据生成的初始种群、每个话题的出现次数和受关注程度，利用本公开提供的适应度函数(如公式(2)所示)计算该初始种群中每个初始个体的适应度值。

接下来，根据计算出的适应度值确定当前最优个体X^*(t)。在本公开中，可以将适应度值最小的个体作为当前最优个体X^*(t)。

接下来，将当前种群中的每个个体依次作为当前个体X(t)，并针对每个当前个体X(t)执行更新过程，获得更新后个体X(t+1)，其中，每个当前个体X(t)的更新后个体X(t+1)组成更新后的种群。例如，假设当前种群中的个体为个体X₁和个体X₂，则将个体X₁作为当前个体X₁(t)，执行上述更新过程，获得更新后个体X₁(t+1)，以及，将个体X₂作为当前个体X₂(t)，执行上述更新过程，获得更新后个体X₂(t+1)，此时，个体X₁(t+1)和个体X₂(t+1)构成更新后的种群。

上述更新过程具体包括如下步骤：

步骤(1)、更新鲸鱼算法中的A、C、l和p，其中，A和C是系数向量，l为[-1,1]之间的随机量，p为[0,1]之间的随机数。A和C的计算公式如下：

A＝2a·r_a-a (3)

C＝2·r_c (4)

其中，r_a、r_c是[0,1]之间的随机向量，符号“·”是逐元素乘法，a为系数，在迭代过程中从2线性递减至0。

步骤(2)、根据p值的大小和|A|的大小，确定选择何种迭代方式，获得更新后个体X(t+1)。

首先，当p>0.5时，利用局部更新操作中的冒泡捕食行为获得更新后个体X(t+1)。

在原始鲸鱼算法中，冒泡捕食行为的数学模型为：

X(t+1)＝X^*(t)+D'·e^bl·cos(2πl) (5)

D'＝|X^*(t)-X(t)| (6)

其中，D'表示当前个体X(t)与当前最优个体X^*(t)之间的距离，b表示定义对数螺旋线形状的常量。

另外，当p≤0.5且|A|≤1时，利用局部更新操作中的包围捕食行为获得更新后个体X(t+1)。

在原始鲸鱼算法中，包围捕食行为的数学模型为：

X(t+1)＝X^*(t)-A^*D (7)

D＝|C*X^*(t)-X(t)| (8)

D表示当前个体X(t)与当前最优个体X^*(t)之间的距离。

可以看到，无论是在冒泡捕食行为中，还是在包围捕食行为中，原始鲸鱼算法的局部更新过程都是参照当前全局最优个体X^*(t)进行的，在迭代的后期种群中的其他个体都会趋向于最优个体，从而种群整体的多样性降低，容易导致局部最优。对此，本公开提供了一种基于精英团队的局部更新策略，每次迭代都构造一个精英团队。

具体地，若p>0.5，或者，若p≤0.5且|A|≤1，从当前种群中除当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)。

接下来，若p>0.5，根据如下迭代公式(9)更新当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)+D'·e^bl·cos(2πl) (9)

其中，ε是服从方差为1均值为0的正态分布的随机数，以使局部随机搜索较好。

若p≤0.5且|A|≤1，根据如下迭代公式(10)更新当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)-A*D (10)

对比公式(9)与公式(5)、以及对比公式(10)与公式(7)可以看出，本公开在冒泡捕食行为和包围捕食行为的迭代计算公式中加入了精英个体X_elite(t)，这样，精英个体X_elite(t)参与到局部更新以后，对最优个体进行一定量的扰动，这样就扩大了局部搜索的区域，使可行解有了更广阔的搜索范围，提高了种群的多样性，降低了过早收敛和陷入局部最优发生的可能性。

应当理解的是，虽然以上描述了在局部更新操作中的包围捕食行为和冒泡捕食行为中均引入精英个体来降低过早收敛和陷入局部最优发生的可能性，但是本公开不局限于，在其他实施方式中，也可以只在包围捕食行为中、或者只在冒泡捕食行为中引入精英个体。

下面描述如何选择精英个体的方法。

方法一：可以从当前种群中除当前最优个体X^*(t)之外的其余个体中随机选取一个体作为精英个体。

方法二：首先，计算当前种群中除当前最优个体X^*(t)之外的其余个体的适应度值的平均值，之后，删除该其余个体中适应度值大于该平均值的个体，所剩个体作为候选个体；接下来，根据如下公式(11)确定剩余数量remainder_Num：

remainder_Num＝round(m-μ·(m-1)) (11)

若候选个体的总数大于该剩余数量，则随机删除一部分候选个体以使剩余的候选个体的数量等于该剩余数量。

若候选个体的总数不大于该剩余数量，或者，在随机删除一部分候选个体之后，从当前的候选个体(当前的候选个体即视为精英团队)中随机选择一候选个体作为精英个体X_elite(t)，其中，m表示当前种群中的个体总数，μ表示系数，且μ＝t/T，t表示当前迭代次数，T表示预设的迭代总次数。

通过方式二确定出的精英个体，可以排除适应性较差的个体，这样在增加种群的多样性的同时，可以进一步提高搜索的精度。

此外，当p≤0.5且|A|>1时，执行全局搜索过程，其数学公式如下：

X(t+1)＝X_rand(t)-A^*D (12)

D＝|C^*X_rand(t)-X(t)| (13)

其中，D表示当前个体X(t)与随机个体X_rand(t)之间的距离；X_rand(t)为从当前种群中随机选择的一个体。

可以看到，在原始算法中，使用这个全局更新公式对种群个体更新时，随机性会更大，因为这个公式是以随机个体为中心的。本公开将以随机个体为中心的策略改为以迭代个体为中心的策略，如此，原始的全局搜索过程的数学公式被改进为：

X(t+1)＝X(t)-A^*D (14)

D＝|C*X(t)-X_rand(t)| (15)

在全局搜索的过程中，个体可以充分地探索搜索空间，然而个体移动的范围应当视个体本身的状况而定。实际工程中的大多数问题都是最小化问题，对于最小化问题而言适应度越小越好。有的个体适应度相对较好，为了使其充分地探索邻域空间，那么它的全局搜索移动的幅度不应当过大，有的个体适应度稍差，那么它的全局搜索移动的幅度则可以稍微大一些。这样做可以让全局搜索更加的细微化，从而提高全局搜索的精度。

为此，在本公开中，分别使用一大一小两个惯性权重来分别对适应度值较小和适应度值较大的个体更新。由于要改善的是全局搜索过程而不是来平衡全局搜索和局部搜索，所以本公开并没有像相关技术中，使用线性递减的动态惯性权重，而是使用两个静态惯性权重，即，这两个惯性权重为常数，在迭代过程保持不变。如此，可以在一定程度上降低算法复杂度，提高计算效率。

引入两个惯性权重后，全局搜索过程的数学公式被进一步改进为：

其中，fit(X(t))表示所述当前个体X(t)的适应度值；ω_low表示第一惯性权重，ω_up表示第二惯性权重，且ω_low<ω_up，ω_low+ω_up＝1；fit_avg表示当前种群中所有个体的适应度值的平均值。

如果fit(X(t))<fit_avg成立，说明X(t)的适应度值较好，可行解比较好，那么应当对其使用较小的ω_low作为惯性权重，让它执行的全局搜索更加局部化。如果fit(X(t))≥fit_avg成立，说明X(t)的适应度值相对较差，可行解也差，则对其使用较大的ω_up作为惯性权重，让可行解在更大的范围内搜索。修改后的全局更新公式D的计算方式不变，仍按照公式(15)计算。

本公开提供的这种改进的全局搜索方式能够根据个体的相对优劣执行不同的搜索动作，两个惯性权重的引入对全局搜索过程起到了调节作用，因此可以提高全局搜索的精度。

本领域技术人员应当理解的是，本公开不局限于同时使用上述三种改进的迭代公式，在其他实施方式中，可以仍采用原始算法的迭代公式进行个体更新，或者，使用其中一种或两种改进的迭代公式进行个体更新而其他仍采用原始算法的迭代公式进行个体更新，例如，针对冒泡捕食行为，采用对应的改进的迭代公式，而针对包围捕食行为和全局搜索，仍采用原始算法中对应的迭代公式。当然，为了同时达到提高全局搜索精度、防止陷入局部最优的目的，可以同时使用这三种改进的迭代公式，即，针对冒泡捕食行为，采用对应的改进的迭代公式(9)，针对包围捕食行为，采用对应的改进的迭代公式(10)，以及针对全局搜索，采用对应的改进的迭代公式(16)。

在对每个当前个体X(t)执行上述更新过程，获得更新后个体X(t+1)后，可以得到由每个当前个体X(t)的更新后个体X(t+1)组成的更新后的种群。接下来，根据该更新后的种群、每个话题的出现次数和受关注程度，利用适应度函数计算该更新后的种群中每个个体的适应度值。

接下来，根据计算出的更新后的种群中每个个体的适应度值，确定该更新后的种群中是否存在比当前最优个体X^*(t)更优的个体。如上所述，适应度值越小，表示个体适应性越好。因此，确定该更新后的种群中是否存在比当前最优个体X^*(t)更优的个体可以为：确定该更新后的种群中是否存在适应度值比当前最优个体X^*(t)的适应度值更小的个体。

如果确定该更新后的种群中存在比当前最优个体X^*(t)更优的个体，则将该更新后的种群中的最优个体确定为新的当前最优个体X^*(t)，否则保持当前最优个体X^*(t)不变。该更新后的种群中的最优个体为该更新后的种群中适应度值最小的个体。

接下来，判断迭代是否达到了预设的迭代总次数。若当前迭代次数t尚未达到预设的迭代总次数T，则将t＝t+1、并将该更新后的种群确定为新的当前种群后，返回上述的将当前种群中的每个个体依次作为当前个体X(t)，并针对每个当前个体X(t)执行更新过程，获得更新后个体X(t+1)的步骤，以进行下一轮的迭代计算。

若当前迭代次数t达到该预设的迭代总次数T，则将最终获得的当前最优个体X^*(t)确定为目标最优个体。

基于同一发明构思，本公开还提供一种群组推荐装置。图2是根据本公开一示例性实施例的一种群组推荐装置的框图。如图2所示，该装置200可以包括：

获取模块201，用于获取知识社区中多个用户关注的话题；

第一确定模块202，用于确定每个话题的出现次数及受关注程度；

生成模块203，用于生成初始种群，其中，该初始种群包括多个初始个体，每个初始个体分别用于表征话题对应的一条初始权重向量；

第二确定模块204，用于根据该初始种群、每个话题的出现次数及受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，该适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，该目标最优个体用于表征话题对应的一条最优权重向量；

第三确定模块205，用于根据该目标最优个体，确定目标话题；

第四确定模块206，用于根据该目标话题，确定待推荐群组。

在上述群组推荐装置中，可以根据知识社区中用户已关注的话题来确定待推荐群组。由于用户已经关注的话题本身就能够体现该知识社区中大部分用户的偏好，所以根据用户已关注话题的出现次数和受关注程度，利用人工智能算法，可以快速确定出新用户可能感兴趣的群组，节省用户选择时间，提高推荐效率。此外，上述技术方案利用了群智能算法——鲸鱼算法来不断的优化推荐方案，在迭代过程中，在计算个体的适应度值时考虑了话题的出现次数和受关注程度，这样，基于该适应度值确定出的最优个体能够更加客观、真实地反映当前的热门话题，算法在迭代结束时可以产生最优推荐方案，由此可以实现高精度的群组推荐。

可选地，所述第二确定模块204包括：

第一确定子模块，用于根据所述初始种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述初始种群中每个所述初始个体的适应度值，并根据所述适应度值确定当前最优个体X^*(t)；

更新子模块，用于将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行上述更新过程，获得更新后个体X(t+1)，其中，每个所述当前个体X(t)的更新后个体X(t+1)组成更新后的种群；

计算子模块，用于根据所述更新后的种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述更新后的种群中每个个体的适应度值；

第二确定子模块，用于若根据计算出的所述更新后的种群中每个个体的适应度值，确定所述更新后的种群中存在比所述当前最优个体X^*(t)更优的个体，则将所述更新后的种群中的最优个体确定为新的当前最优个体X^*(t)，否则保持所述当前最优个体X^*(t)不变；

第三确定子模块，用于若当前迭代次数t尚未达到预设的迭代总次数T，则将t＝t+1、并将所述更新后的种群确定为所述当前种群后，触发所述更新子模块重新执行所述将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)的操作；

第四确定子模块，用于若当前迭代次数t达到所述预设的迭代总次数T，则将最终的所述当前最优个体X^*(t)确定为所述目标最优个体。

可选地，所述第一确定模块202用于通过以上公式(1)，确定所述每个话题的受关注程度。

可选地，所述第三确定模块205用于按照权重值由大到小的顺序，将所述目标最优个体中权重值排名最高的H个权重值对应的话题确定为目标话题，其中，H为大于或等于1的正整数。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图3是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备300可以被提供为一服务器。参照图3，电子设备300包括处理器322，其数量可以为一个或多个，以及存储器332，用于存储可由处理器322执行的计算机程序。存储器332中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器322可以被配置为执行该计算机程序，以执行上述的群组推荐方法。

另外，电子设备300还可以包括电源组件326和通信组件350，该电源组件326可以被配置为执行电子设备300的电源管理，该通信组件350可以被配置为实现电子设备300的通信，例如，有线或无线通信。此外，该电子设备300还可以包括输入/输出(I/O)接口358。电子设备300可以操作基于存储在存储器332的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM等等。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的群组推荐方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器332，上述程序指令可由电子设备300的处理器322执行以完成上述的群组推荐方法。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (10)

1.一种群组推荐方法，其特征在于，包括：

获取知识社区中多个用户关注的话题；

确定每个话题的出现次数及受关注程度；

生成初始种群，其中，所述初始种群包括多个初始个体，每个所述初始个体分别用于表征话题对应的一条初始权重向量；

根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，所述适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，所述目标最优个体用于表征话题对应的一条最优权重向量；

根据所述目标最优个体，确定目标话题；

根据所述目标话题，确定待推荐群组。

2.根据权利要求1所述的方法，其特征在于，所述根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，包括：

根据所述初始种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述初始种群中每个所述初始个体的适应度值，并根据所述适应度值确定当前最优个体X^*(t)；

将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)，其中，每个所述当前个体X(t)的更新后个体X(t+1)组成更新后的种群，所述更新过程包括：

更新鲸鱼算法中的A、C、l和p，其中，A和C是系数向量，l为[-1,1]之间的随机量，p为[0,1]之间的随机数；

若p>0_.5，则从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)+D'·e^bl·cos(2πl)

其中，D'表示所述当前个体X(t)与所述当前最优个体X^*(t)之间的距离，且D'＝|X^*(t)-X(t)|，b表示定义对数螺旋线形状的常量，ε是服从方差为1均值为0的正态分布的随机数；

根据所述更新后的种群、每个话题的所述出现次数和所述受关注程度，利用所述适应度函数计算所述更新后的种群中每个个体的适应度值；

若根据计算出的所述更新后的种群中每个个体的适应度值，确定所述更新后的种群中存在比所述当前最优个体X^*(t)更优的个体，则将所述更新后的种群中的最优个体确定为新的当前最优个体X^*(t)，否则保持所述当前最优个体X^*(t)不变；

若当前迭代次数t尚未达到预设的迭代总次数T，则将t＝t+1、并将所述更新后的种群确定为所述当前种群后，返回所述将当前种群中的每个个体依次作为当前个体X(t)，并针对每个所述当前个体X(t)执行更新过程，获得更新后个体X(t+1)的步骤；

若当前迭代次数t达到所述预设的迭代总次数T，则将最终的所述当前最优个体X^*(t)确定为所述目标最优个体。

3.根据权利要求2所述的方法，其特征在于，所述更新过程还包括：

若p≤0.5且|A|≤1，则从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

X(t+1)＝X^*(t)+ε·X_elite(t)-A*D

其中，D表示所述当前个体X(t)与所述当前最优个体X^*(t)之间的距离，且D＝|C*X^*(t)-X(t)|。

4.根据权利要求2或3所述的方法，其特征在于，所述从当前种群中除所述当前最优个体X^*(t)之外的个体中选择一个体作为精英个体X_elite(t)，包括：

计算所述当前种群中除所述当前最优个体X^*(t)之外的其余个体的适应度值的平均值；

删除所述其余个体中适应度值大于所述平均值的个体，所剩个体作为候选个体；

根据如下公式确定剩余数量remainder_Num：

remainder_Num＝round(m-μ·(m-1))

若所述候选个体的总数大于所述剩余数量，则随机删除一部分所述候选个体以使剩余的所述候选个体的数量等于所述剩余数量；

若所述候选个体的总数不大于所述剩余数量，或者，在随机删除一部分所述候选个体之后，从当前的所述候选个体中随机选择一候选个体作为所述精英个体X_elite(t)，其中，m表示所述当前种群中的个体总数，μ表示系数，且μ＝t/T。

5.根据权利要求2或3所述的方法，其特征在于，所述更新过程还包括：

若p≤0.5且|A|>1，则从所述当前种群中随机选择一个体作为随机个体X_rand(t)，并确定所述当前种群中所有个体的适应度值的平均值fit_avg；

根据如下迭代公式更新所述当前个体X(t)，获得更新后个体X(t+1)：

其中，D表示所述当前个体X(t)与所述随机个体X_rand(t)之间的距离，且D＝|C*X(t)-X_rand(t)|，fit(X(t))表示所述当前个体X(t)的适应度值，ω_low表示第一惯性权重，ω_up表示第二惯性权重，且ω_low<ω_up，ω_low+ω_up＝1。

6.根据权利要求1所述的方法，其特征在于，所述确定每个话题的受关注程度，包括：

通过以下公式，确定所述每个话题的受关注程度：

其中，user_k表示第k个用户，topic_i表示第i个话题，表示第i个话题的受关注程度；affect(user_k,topic_i)表示第i个话题受第k个用户的关注程度，K表示用户总数，并且，affect(user_k,topic_i)根据read(user_k,topic_i)、publish(user_k,topic_i)、comment(user_k,topic_i)和thumbs_up(user_k,topic_i)中的一种或多种来确定，其中，

其中，read(user_k,topic_i)表示第k个用户阅读的文章是否包含第i个话题，publish(user_k,topic_i)表示第k个用户发表的文章是否包含第i个话题，comment(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章发表评论，thumbs_up(user_k,topic_i)表示第k个用户是否对包含第i个话题的文章点赞。

7.根据权利要求1所述的方法，其特征在于，所述适应度计算函数为：

其中，fit(X)表示个体X的适应度值，表示第i个话题的受关注程度，count_i表示第i个话题的出现次数，x_i表示个体X中对应于第i个话题的权重值。

8.一种群组推荐装置，其特征在于，包括：

获取模块，用于获取知识社区中多个用户关注的话题；

第一确定模块，用于确定每个话题的出现次数及受关注程度；

生成模块，用于生成初始种群，其中，所述初始种群包括多个初始个体，每个所述初始个体分别用于表征话题对应的一条初始权重向量；

第二确定模块，用于根据所述初始种群、每个话题的所述出现次数及所述受关注程度、以及适应度函数，利用鲸鱼算法确定出目标最优个体，其中，所述适应度函数表征话题出现次数、话题受关注程度、个体这三者与该个体的适应度值之间的函数关系，所述目标最优个体用于表征话题对应的一条最优权重向量；

第三确定模块，用于根据所述目标最优个体，确定目标话题；

第四确定模块，用于根据所述目标话题，确定待推荐群组。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。