CN112347368A - 一种推荐方法和装置 - Google Patents

一种推荐方法和装置 Download PDF

Info

Publication number
CN112347368A
CN112347368A CN201910726193.1A CN201910726193A CN112347368A CN 112347368 A CN112347368 A CN 112347368A CN 201910726193 A CN201910726193 A CN 201910726193A CN 112347368 A CN112347368 A CN 112347368A
Authority
CN
China
Prior art keywords
user
service
bird nest
bird
recommendation
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.)
Pending
Application number
CN201910726193.1A
Other languages
English (en)
Inventor
丁志在
冯惠
李松
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.)
Qingdao Haida Xinxing Software Consulting Co ltd
Original Assignee
Qingdao Haida Xinxing Software Consulting Co ltd
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 Qingdao Haida Xinxing Software Consulting Co ltd filed Critical Qingdao Haida Xinxing Software Consulting Co ltd
Priority to CN201910726193.1A priority Critical patent/CN112347368A/zh
Publication of CN112347368A publication Critical patent/CN112347368A/zh
Pending legal-status Critical Current

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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/9538—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种推荐方法和装置，基于用户或服务评分矩阵确定适应度最佳的鸟巢；运用莱维飞行更新鸟巢，并记录最优鸟巢；将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；输出满足条件的最优鸟巢为用户的服务推荐结果，或服务的用户推荐结果。在现有协同过滤算法的基础上，结合布谷鸟算法的鲁棒性强和收敛速度快的优点，以改进的布谷鸟算法，在全局搜索阶段中融入遗传算法的交叉算子，在局部搜索阶段融入了遗传算法的变异算子，结合了布谷鸟算法的强鲁棒性和收敛速度快的优点，并提高了布谷鸟算法种群的多样性和搜索能力，提高了推荐结果的质量。

Description

一种推荐方法和装置
技术领域
本发明属于信息推荐技术领域，具体地说，是涉及一种推荐方法和装置。
背景技术
目前的用户/服务推荐方法主要包括：基于内容推荐、基于知识推荐、基于数据挖掘推荐、基于网络结构推荐、协同过滤推荐等。其中，协同过滤算法由于可以针对用户自身行为记录进行计算，容易发现用户的潜在信息偏好特征的优点而被广泛的应用于电子商务、大数据等领域。
为了提高推荐质量，有的研究中将协同过滤算法与遗传算法相结合，提高了推荐效果，但是面对大数据量时，遗传算法的收敛速度变慢、搜索能力减弱，影响了推荐结果的实时性。
发明内容
本发明的目的在于提供一种推荐方法和装置，基于布谷鸟算法的鲁棒性强、收敛速度快的优点，将布谷鸟算法与遗传算法结合，有效改进遗传算法的搜索能力，提高了推荐结果的多样性。
为实现上述目的，本发明采用以下技术方案予以实现：
提出一种推荐方法，包括：步骤1)基于用户或服务评分矩阵确定适应度最佳的鸟巢；步骤2)运用莱维飞行更新鸟巢，并记录最优鸟巢；步骤3)将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；步骤4)更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；步骤5)输出满足条件的最优鸟巢为用户的服务推荐结果，或服务的用户推荐结果。
进一步的，在步骤1)之前，所述方法还包括：在用户或服务为新用户或新服务时，确定用户或服务特征；基于用户或服务特征确定相似用户或服务评分矩阵；基于相似用户或服务评分矩阵预测用户或服务评分矩阵。
进一步的，步骤5)之后，所述方法还包括：针对服务推荐结果或用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵；基于服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵确定适应度最佳的鸟巢；重复步骤2)至步骤4)，输出满足条件的最优鸟巢为服务推荐结果的推荐用户或用户推荐结果的推荐服务。
进一步的，将更新鸟巢进行交叉操作，具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因。
进一步的，使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
提出一种推荐装置，包括：最佳鸟巢确定模块，用于基于用户或服务评分矩阵确定适应度最佳的鸟巢；改进布谷鸟算法模块，用于运用莱维飞行更新鸟巢，并记录最优鸟巢；将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；以及，更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；推荐模块，用于输出满足条件的最优鸟巢为用户的服务推荐结果或服务的用户推荐结果。
进一步的，所述装置还包括：新用户或服务特征提取模块，用于在用户或服务为新用户或新服务时，确定用户或服务特征；新用户或新服务评分矩阵预测模块，用于基于用户或服务特征确定相似用户或服务评分矩阵，基于相似用户或服务矩阵预测用户或服务评分矩阵。
进一步的，所述装置还包括：双向推荐模块，用于针对服务推荐结果或用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵，基于服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵确定适应度最佳的鸟巢，并将其输入所述改进布谷鸟算法模块，基于所述改进布谷鸟算法模块的结果，输出满足条件的最优鸟巢为服务推荐结果的推荐用户或用户推荐结果的推荐服务。
进一步的，所述改进布谷鸟计算模块包括：交叉计算单元，用于将更新鸟巢进行交叉操作，具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因。
进一步的，所述改进布谷鸟计算模块包括：变异计算单元，用于使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
与现有技术相比，本发明的优点和积极效果是：本发明提出的推荐方法和装置中，在现有协同过滤算法的基础上，结合布谷鸟算法的鲁棒性强和收敛速度快的优点，以改进的布谷鸟算法，将经过了协同过滤筛选后的最近邻作为初始种群，选取适应度最佳的种群作为最佳鸟巢，将最佳鸟巢看做搜索空间中的点，在全局搜索阶段中融入遗传算法的交叉算子，在局部搜索阶段融入了遗传算法的变异算子，结合了布谷鸟算法的强鲁棒性和收敛速度快的优点，并提高了布谷鸟算法种群的多样性和搜索能力，提高了推荐结果的质量。
进一步的，对于用户或新服务不存在用户或服务评分矩阵的情况，以用户或服务特征寻找相似用户或服务的评分矩阵，将相似用户或服务评分矩阵作为新用户或新服务的预测评分矩阵来进行推荐，解决了新用户或新服务无法进行推荐的问题。
进一步的，对于用户的服务推荐结果或服务的用户推荐结果，再次使用本发明提出的推荐方法进行反向推荐，为服务推荐结果推荐用户或为用户推荐结果推荐服务，实现了双向推荐的效果。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提出的推荐方法的一个实施例的方法流程图；
图2为本发明提出的推荐装置的一个实施例架构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
本发明提出一种推荐方法，以协同过滤算法为基础，加入改进的布谷鸟算法，在全局搜索阶段加入遗传算法的交叉算子，在局部搜索阶段加入遗传算法的变异算子，结合了布谷鸟算法的强鲁棒性和强收敛性的优点，改进了布谷鸟算法的种群多样性和搜索能力，提高了推荐结果的多样性和推荐质量。
具体的，如图1所示，本发明提出的推荐方法，包括以下步骤：
步骤S11：基于用户或服务评分矩阵确定适应度最佳的鸟巢。
从数据库获取用户评分矩阵Y或服务评分矩阵F：
Figure BDA0002159014110000051
其中，Y表示用户对服务的评分矩阵，则Yi表示用户i的评分矩阵，i∈[1,M]，M为用户总数，；SMX表示用户M对服务X的评分，X为服务总数；F表示服务对用户的评分矩阵，则Fx表示服务x的评分矩阵，x∈[1,X]；SXM表示服务X对用户M的评分。
如果是新用户或新服务，数据库中则不存在对应的用户或服务评分矩阵，本发明实施例中，通过以下方式预测新用户或新服务的评分矩阵：根据新用户或新服务注册时输入的信息确定用户特征或服务特征，根据用户特征或服务特征，在数据库中搜索具有相同特征的用户或服务，得到相同特征数量最多的N个用户或服务，根据所有相似度最高的用户或服务涉及到的对服务或用户的评价，对新用户或新服务的评分矩阵进行预测,公式如下：
Figure BDA0002159014110000052
其中
Figure BDA0002159014110000053
为与新用户相似度最高的用户中对服务x的评分的平均值，即用户i对服务x的预测评分；n为在所有相似用户中对服务x做过评分的用户个数；j为对服务x做过评分的用户。
以上，得到用户或服务评分矩阵后，计算相似度，得到与用户或服务相似度较高的最近邻，相似度计算公式如下：
Figure BDA0002159014110000054
其中，Six、Sjx分别表示用户i、用户j对服务x的评分；
Figure BDA0002159014110000055
分别表示用户i、用户j对服务x的平均评分；Xij表示用户i和j对做过的评分的相同服务的集合；sim(i,j)为用户i和用户j的相似度，
sim(i,j)∈[-1,1]，当sim(i,j)∈[-1,0]时，用户i、用户j不是相似用户，当sim(i,j)∈[0,1]时，用户i、用户j为相似用户，并且相似度越接近于1，相似度越高。对于服务的最近邻求法与之相同，不予赘述。
接着，从最近邻中选出符合相似度大小或最近邻个数的鸟巢作为适应度最佳的鸟巢。具体的，初始化最近邻，Zi＝(Si1,Si2,…SiX),Zi表示第i个鸟巢(即用户i的评分矩阵)，将所有的鸟巢作为要寻优搜索空间的点，随机选出M个鸟巢作为初始种群,在其中选出适应度，也即相似度最大或最近邻个数最多的鸟巢作为最佳鸟巢(用户或服务)，为该M个最佳鸟巢设置后续计算的算法参数：发现外来鸟蛋概率：pa＝0.2；步长因子：α＝0.1；交叉率：pc＝0.8；变异率：pm＝0.01。
步骤S12：运用莱维飞行更新鸟巢，并记录最优鸟巢。
布谷鸟算法寻找宿主鸟巢的更新公式如下：
Figure BDA0002159014110000061
式中i取整数，i∈[1,M],M为鸟巢个数；
Figure BDA0002159014110000062
表示第t代的第i个鸟巢；α为步长因子，用来控制步长，α＞0；L(u,v)是随机移动步长，计算公式如下：
Figure BDA0002159014110000063
式中λ∈(1,3]，本实施例取λ＝1.5；u和v服从正态分布，如下面公式所示：
Figure BDA0002159014110000064
式中
Figure BDA0002159014110000065
σv＝1；更新鸟巢后，记录当前的最优鸟巢。
步骤S13：将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢。
将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：根据交叉概率Pc，产生随机数c，i∈[2,M]，c∈[0,1]，比较c和Pc，如果c＜Pc，则进行单点交叉操作，随机选取一个位置，交换两个鸟巢这个随机位置以后的所有基因；例如，按顺序每次选择两个鸟巢进行，次经过两两鸟巢交叉操作，最终得到新的M个鸟巢，然后计算目标函数值，与当前最优鸟巢比较，并记录更新最优鸟巢。
步骤S14：更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢。
对被宿主发现有外来鸟蛋的鸟巢，进行更新，公式如下：
Figure BDA0002159014110000066
其中，H为Heaviside函数，r表示每个鸟巢的每个变量被发现的概率，r∈(0，1),参数Pa为外来鸟蛋被宿主发现的概率，如果r≤Pa,记为H(Pa-r)＝0,即鸟巢不变；如果r＞Pa,H(Pa-r)＝1,则更新鸟巢；
Figure BDA0002159014110000067
和
Figure BDA0002159014110000068
分别为第t代中第x个和第y个鸟巢。
利用变异操作对鸟巢继续更新，首先给出变异概率Pm，针对每个鸟巢产生随机数m，m∈[0,1]，比较m和Pm，如果m＜Pm，则进行单点变异操作，随机选取一个位置，将这个鸟巢此位置上的基因进行重新设置，这样每个鸟巢依次经过单点变异，最终得到新的M个鸟巢；再与当前的最优鸟巢进行比较，更新记录最优鸟巢。
步骤S15：输出满足条件的最优鸟巢为用户的服务推荐结果或服务的用户推荐结果。
给定一个相似度或者推荐数量，选取满足条件的最优鸟巢为用户的服务推荐结果或服务的用户推荐结果。
本发明申请中，在根据步骤S11至步骤S15得到用户的服务推荐结果或服务的用户推荐结果之后(称之为一次推荐)，还可以对服务推荐结果或用户推荐结果进行反向推荐，得到服务推荐结果的推荐用户，或用户推荐结果的推荐服务(称之为二次推荐)，并将两次推荐的结果同时输出，实现双向推荐的效果。
具体的，步骤S16：针对每个服务推荐结果或每个用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵。也即，对于服务推荐结果中的每个服务，从数据库搜索对应的服务评分矩阵，根据步骤S11的内容确定适应度最佳的鸟巢，进而根据步骤S12至步骤S15的方法，得到服务推荐结果的推荐用户；同理，对于用户推荐结果中的每个用户，从数据库搜索对应的用户评分矩阵，根据步骤S11的内容确定适应度最佳的鸟巢，进而根据步骤S12至步骤S15的方法，得到用户推荐结果的推荐服务。
基于上述提出的推荐方法，本发明还提出一种推荐装置，如图2所示，包括最佳鸟巢确定模块21、改进布谷鸟算法模块22和推荐模块23；最佳鸟巢确定模块21用于基于用户或服务评分矩阵确定适应度最佳的鸟巢；改进布谷鸟算法模块22用于运用莱维飞行更新鸟巢，并记录最优鸟巢；将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；以及，更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；推荐模块23用于输出满足条件的最优鸟巢为用户的服务推荐结果或服务的用户推荐结果。
本发明提出的推荐装置还包括新用户或服务特征提取模块24和新用户或新服务评分矩阵预测模块25；新用户或服务特征提取模块24用于在用户或服务为新用户或新服务时，确定用户或服务特征；新用户或新服务评分矩阵预测模块25用于基于用户或服务特征确定相似用户或服务评分矩阵，基于相似用户或服务矩阵预测用户或服务评分矩阵。
本发明提出的推荐装置还包括双向推荐模块26，用于针对服务推荐结果或用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵，基于服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵确定适应度最佳的鸟巢，并将其输入改进布谷鸟算法模块22，基于改进布谷鸟算法模块的结果，输出满足条件的最优鸟巢为服务推荐结果的推荐用户或用户推荐结果的推荐服务。
本发明实施例中，改进布谷鸟计算模块22包括交叉计算单元221和变异计算单元222，交叉计算单元221用于将更新鸟巢进行交叉操作，具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因；变异计算单元222用于使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
推荐装置具体的推荐方法已经在上面详述，此处不予赘述。
上述本发明提出的推荐方法和装置，在现有协同过滤算法的基础上，结合布谷鸟算法的鲁棒性强和收敛速度快的优点，以改进的布谷鸟算法，将经过了协同过滤筛选后的最近邻作为初始种群，选取适应度最佳的种群作为最佳鸟巢，将最佳鸟巢看做搜索空间中的点，在全局搜索阶段中融入遗传算法的交叉算子，在局部搜索阶段融入了遗传算法的变异算子，结合了布谷鸟算法的强鲁棒性和收敛速度快的优点，并提高了布谷鸟算法种群的多样性和搜索能力，提高了推荐结果的质量。对于用户或新服务不存在用户或服务评分矩阵的情况，以用户或服务特征寻找相似用户或服务的评分矩阵，将相似用户或服务评分矩阵作为新用户或新服务的预测评分矩阵来进行推荐，解决了新用户或新服务无法进行推荐的问题。对于用户的服务推荐结果或服务的用户推荐结果，再次使用本发明提出的推荐方法进行反向推荐，为服务推荐结果推荐用户或为用户推荐结果推荐服务，实现了双向推荐的效果。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (10)

1.一种推荐方法，其特征在于，包括：
步骤1）基于用户或服务评分矩阵确定适应度最佳的鸟巢；
步骤2）运用莱维飞行更新鸟巢，并记录最优鸟巢；
步骤3）将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；
步骤4）更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；
步骤5）输出满足条件的最优鸟巢为用户的服务推荐结果，或服务的用户推荐结果。
2.根据权利要求1所述的推荐方法，其特征在于，在步骤1）之前，所述方法还包括：
在用户或服务为新用户或新服务时，确定用户或服务特征；
基于用户或服务特征确定相似用户或服务评分矩阵；
基于相似用户或服务评分矩阵预测用户或服务评分矩阵。
3.根据权利要求1所述的推荐方法，其特征在于，步骤5）之后，所述方法还包括：
针对服务推荐结果或用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵；
基于服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵确定适应度最佳的鸟巢；
重复步骤2）至步骤4），输出满足条件的最优鸟巢为服务推荐结果的推荐用户或用户推荐结果的推荐服务。
4.根据权利要求1所述的推荐方法，其特征在于，将更新鸟巢进行交叉操作，具体包括：
将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：
产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因。
5.根据权利要求1所述的推荐方法，其特征在于，使用变异操作继续更新鸟巢，具体包括：
针对每个鸟巢产生随机数；
在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
6.一种推荐装置，其特征在于，包括：
最佳鸟巢确定模块，用于基于用户或服务评分矩阵确定适应度最佳的鸟巢；
改进布谷鸟算法模块，用于运用莱维飞行更新鸟巢，并记录最优鸟巢；将更新鸟巢进行交叉操作得到新的鸟巢，并更新最优鸟巢；以及，更新被宿主发现有外来鸟蛋的鸟巢，使用变异操作继续更新鸟巢，更新最优鸟巢；
推荐模块，用于输出满足条件的最优鸟巢为用户的服务推荐结果或服务的用户推荐结果。
7.根据权利要求6所述的推荐装置，其特征在于，所述装置还包括：
新用户或服务特征提取模块，用于在用户或服务为新用户或新服务时，确定用户或服务特征；
新用户或新服务评分矩阵预测模块，用于基于用户或服务特征确定相似用户或服务评分矩阵，基于相似用户或服务矩阵预测用户或服务评分矩阵。
8.根据权利要求6所述的推荐装置，其特征在于，所述装置还包括：
双向推荐模块，用于针对服务推荐结果或用户推荐结果，获取服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵，基于服务推荐结果的服务评分矩阵或用户推荐结果的用户评分矩阵确定适应度最佳的鸟巢，并将其输入所述改进布谷鸟算法模块，基于所述改进布谷鸟算法模块的结果，输出满足条件的最优鸟巢为服务推荐结果的推荐用户或用户推荐结果的推荐服务。
9.根据权利要求6所述的推荐装置，其特征在于，所述改进布谷鸟计算模块包括：
交叉计算单元，用于将更新鸟巢进行交叉操作，具体包括：将更新鸟巢中的鸟巢两两分组，对每组鸟巢执行以下步骤得到新的鸟巢：产生随机数，在随机数小于设定交叉概率时，随机选择一个位置，交换两个鸟巢在随机位置以后的所有基因。
10.根据权利要求6所述的推荐装置，其特征在于，所述改进布谷鸟计算模块包括：
变异计算单元，用于使用变异操作继续更新鸟巢，具体包括：针对每个鸟巢产生随机数；在随机数小于设定变异概率时，随机选择一个位置，将鸟巢在随机位置的基因重新设置。
CN201910726193.1A 2019-08-07 2019-08-07 一种推荐方法和装置 Pending CN112347368A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910726193.1A CN112347368A (zh) 2019-08-07 2019-08-07 一种推荐方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910726193.1A CN112347368A (zh) 2019-08-07 2019-08-07 一种推荐方法和装置

Publications (1)

Publication Number Publication Date
CN112347368A true CN112347368A (zh) 2021-02-09

Family

ID=74366660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910726193.1A Pending CN112347368A (zh) 2019-08-07 2019-08-07 一种推荐方法和装置

Country Status (1)

Country Link
CN (1) CN112347368A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184977A1 (en) * 2008-09-27 2011-07-28 Jiachun Du Recommendation method and system based on collaborative filtering
CN104899321A (zh) * 2015-06-19 2015-09-09 中国石油大学(华东) 一种基于项目属性评分均值的协同过滤推荐方法
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN106815347A (zh) * 2017-01-13 2017-06-09 沈阳工学院 基于商品相似度的改进slope one协同过滤推荐算法
CN106991173A (zh) * 2017-04-05 2017-07-28 合肥工业大学 基于用户偏好的协同过滤推荐方法
CN107301583A (zh) * 2017-05-26 2017-10-27 重庆邮电大学 一种基于用户偏好和信任的冷启动推荐方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110184977A1 (en) * 2008-09-27 2011-07-28 Jiachun Du Recommendation method and system based on collaborative filtering
WO2016191959A1 (zh) * 2015-05-29 2016-12-08 深圳市汇游智慧旅游网络有限公司 一种时变的协同过滤推荐方法
CN104899321A (zh) * 2015-06-19 2015-09-09 中国石油大学(华东) 一种基于项目属性评分均值的协同过滤推荐方法
CN106815347A (zh) * 2017-01-13 2017-06-09 沈阳工学院 基于商品相似度的改进slope one协同过滤推荐算法
CN106991173A (zh) * 2017-04-05 2017-07-28 合肥工业大学 基于用户偏好的协同过滤推荐方法
CN107301583A (zh) * 2017-05-26 2017-10-27 重庆邮电大学 一种基于用户偏好和信任的冷启动推荐方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
RAHULKATARYA等: "An effective collaborative movie recommender system with cuckoo search", 《EGYPTIAN INFORMATICS JOURNAL》 *
RAHULKATARYA等: "An effective collaborative movie recommender system with cuckoo search", 《EGYPTIAN INFORMATICS JOURNAL》, 3 November 2017 (2017-11-03), pages 3 - 4 *
XIN-SHE YANG等: "Cuckoo Search for Business Optimization Applications", 《2012 NATIONAL CONFERENCE ON COMPUTING AND COMMUNICATION SYSTEMS (NCCCS)》 *
XIN-SHE YANG等: "Cuckoo Search for Business Optimization Applications", 《2012 NATIONAL CONFERENCE ON COMPUTING AND COMMUNICATION SYSTEMS (NCCCS)》, 17 January 2013 (2013-01-17) *
刘姣: "基于布谷鸟搜索的聚类推荐算法研究综述", 《软件导刊》, no. 04, 25 March 2019 (2019-03-25) *
柳林等: "《智慧海洋理论、技术与应用》", 31 March 2018, pages: 453 *
汪峰坤等: "一种改进的布谷鸟算法", 《新乡学院学报》 *
汪峰坤等: "一种改进的布谷鸟算法", 《新乡学院学报》, 23 June 2017 (2017-06-23), pages 2 *
郑树泉等 *
郑树泉等: "《电子商务个性化推荐研究》", 中国经济出版社 *

Similar Documents

Publication Publication Date Title
Neville et al. Learning relational probability trees
CN113407759B (zh) 一种基于自适应特征融合的多模态实体对齐方法
US8195674B1 (en) Large scale machine learning systems and methods
CN111737551B (zh) 一种基于异构图注意力神经网络的暗网线索检测方法
CN113807422B (zh) 融合多特征信息的加权图卷积神经网络评分预测模型
EP4202725A1 (en) Joint personalized search and recommendation with hypergraph convolutional networks
CN109492776A (zh) 基于主动学习的微博流行度预测方法
WO2020135642A1 (zh) 一种基于生成对抗网络的模型训练方法及设备
WO2020024444A1 (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN109284766A (zh) 一种多元离散的特征选择方法、装置、设备及存储介质
CN115280415A (zh) 致病性模型的应用和其训练
CN110491443B (zh) 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法
CN116680320A (zh) 一种基于大数据的混合匹配方法
CN111540405A (zh) 一种基于快速网络嵌入的疾病基因预测方法
CN114428910A (zh) 资源推荐方法、装置、电子设备、产品及介质
CN117272130A (zh) 一种基于特征选择去偏的推荐系统点击预测的方法
CN117408736A (zh) 基于改进的Stacking融合算法的企业资金需求挖掘方法和介质
Sani et al. A new strategy in trust-based recommender system using k-means clustering
CN116403713A (zh) 一种基于多类无监督特征提取方法对自闭症谱系障风险基因预测的方法
CN112347368A (zh) 一种推荐方法和装置
CN114510645B (zh) 一种基于提取有效多目标群组来解决长尾推荐问题的方法
CN113571198B (zh) 转化率预测方法、装置、设备及存储介质
CN114819152A (zh) 一种基于强化学习增强的图嵌入专家实体对齐方法
CN110297977B (zh) 一种面向众筹平台的个性化推荐单目标进化方法
CN106649537A (zh) 基于改进的群智能算法实现搜索引擎关键词优化技术

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210209

RJ01 Rejection of invention patent application after publication