CN115062236A - 基于多目标优化的混合重排旅游推荐方法及其系统 - Google Patents
基于多目标优化的混合重排旅游推荐方法及其系统 Download PDFInfo
- Publication number
- CN115062236A CN115062236A CN202210631468.5A CN202210631468A CN115062236A CN 115062236 A CN115062236 A CN 115062236A CN 202210631468 A CN202210631468 A CN 202210631468A CN 115062236 A CN115062236 A CN 115062236A
- Authority
- CN
- China
- Prior art keywords
- rearrangement
- user
- users
- recommendation
- hybrid
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 230000008707 rearrangement Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/14—Travel agencies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于多目标优化的混合重排旅游推荐方法,包括以下步骤:S1:数据集构建:收集用户的历史访问序列,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;S2:多目标优化混合重排模型的构建:包括种群初始化、目标函数的计算和种群的进化;S3:模型训练:利用训练集对多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;S4:模型预测:使用最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。还公开了一种基于多目标优化的混合重排旅游推荐系统。本发明能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。
Description
技术领域
本发明涉及优化计算领域,特别是涉及一种基于多目标优化的混合重排旅游推荐方法及其系统。
背景技术
随着居民生活水平的提高,居民对精神文化和美好生活的要求日渐强烈,旅游成为人们休闲娱乐的重要组成部分,旅游业得以迅速的发展。面对庞大、复杂的旅游数据人们很容易淹没在大量的数据中,用户很难快速地找到自己需要的旅游景点。因此为了满足人们对高效的、智能的旅游信息越来越迫切的需求,有效地解决旅游推荐服务,给用户推荐更多心仪的景点,一个高效的旅游推荐系统是很有必要的。通常情况下,单个的推荐算法解决实际问题的效果往往并不理想,混合推荐算法可以解决这个问题,混合推荐算法中的每一个推荐技术都可以弥补彼此之间的不足。然而传统的推荐算法只关注于提高整个推荐系统的准确度,却往往忽略了整个系统的多样性,因此我们不仅要积极探索用户的兴趣同时也要注意推荐的多样性。为了解决这两个目标之间的冲突关系,可以使用多目标优化算法来处理多个冲突目标之间的优化问题。
因此亟需提供一种新型的基于多目标优化的混合重排旅游推荐方法及其系统来解决上述问题。
发明内容
本发明所要解决的技术问题是提供一种基于多目标优化的混合重排旅游推荐方法及其系统,能够在保证整个推荐系统的准确度的同时提升整个系统的多样性。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种基于多目标优化的混合重排旅游推荐方法,包括以下步骤:
S1:数据集构建:收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
S2:多目标优化混合重排模型的构建:包括种群初始化、目标函数的计算和种群的进化,目标函数的计算利用多目标优化结合MMR算法进行计算;
S3:模型训练:利用训练集对步骤S2构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
S4:模型预测:使用步骤S3获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
在本发明一个较佳实施例中,在步骤S1中,将收集到的数据集进行数据筛选包括过滤掉少于至多10个不同用户访问的地点和少于至多10个不同访问地点的用户。
在本发明一个较佳实施例中,步骤S2的具体步骤包括:
S201:种群初始化:将三个基线推荐算法的权重α、β、γ以及重排算法中的权重λ编码为种群中的一个个体如[α,β,γ,λ],随机初始化个体数量为N的种群,生成在单位目标维度上均匀分布的参考点并生成邻居集;
S202:目标函数的计算:选取基于用户的协同过滤(User_CF)、基于物品的协同过滤(Item_CF)、SASRec作为混合的三个基线推荐算法,将筛选后的数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,分别为以及RSASRec,将三个评分排名列表进行混合线性加权得到评分排名列表,权重分别α、β、γ,得到用户对每一个项目的得分为:再将评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表,MMR算法中的权重为λ;最后根据重排后的用户的推荐列表计算目标函数值;
S203:种群的进化:使用MOEA/D算法中的种群进化策略对个体进行优化,其中交叉算子为二进制交叉算子,变异算子为多项式变异算子,通过t代的种群进化,得到最终的推荐列表。
进一步的,在步骤S202中,计算目标函数的步骤包括:
式中,Ru为给用户u的推荐列表,click为用户历史访问序列的最后一个访问地点,{predictTOPN}∩{click}表示用户历史访问序列的最后一个访问地点出现在用户的推荐列表中,即为一次命中,|User|表示整个数据集中用户的数量;
式中,|Ru|为用户u推荐列表的长度,s(m,n)表示两个项目m和n之间的相似度;
将最终的目标函数构建为:
进一步的,在步骤S202中,MMR算法的具体描述为:
MMR算法将排序结果的相关性与多样性综合于下列公式中:
式中,Q表示用户,R表示输入到算法中的推荐得分排名列表,D表示推荐结果集合,S表示R中已经选中的集合,R\S表示R中未被选中的集合,λ为调节推荐结果准确性和多样性的权重系数,Sim2为物品之间的相似度,Sim1为用户对物品的一个相关性得分,计算如下式:
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种基于多目标优化的混合重排旅游推荐系统,包括:
数据集构建模块,用于从Foursquare或/和旅游网站收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
多目标优化混合重排模型构建模块,用于构建多目标优化混合重排模型;
模型训练模块,用于利用训练集对构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
模型预测模块,用于使用获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
在本发明一个较佳实施例中,所述多目标优化混合重排模型构建模块包括种群初始化单元、目标函数计算单元、种群进化单元,目标函数计算单元利用多目标优化结合MMR算法进行计算。
进一步的,所述种群初始化单元用于种群的初始化,包括初始化种群的个体、参考点以及邻居集。
进一步的,所述目标函数计算单元用于将数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,将三个评分排名列表进行线性加权混合,权重为种群的决策变量,再将加权后得到的评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表并计算目标函数值。
进一步的,所述种群进化单元用于使用MOEA/D中的种群进化策略引导种群的进化,最终得到用户的推荐列表。
本发明的有益效果是:
(1)本发明采用多目标优化的方法对旅游推荐系统的准确性和多样性两个目标进行优化并加入重排算法,在保证推荐准确性的基础上提高了推荐的多样性,大大提高了用户的体验感;
(2)本发明采用多目标优化混合重排算法对用户接下来要访问的景点做出TOP-N的推荐,为后续推荐算法的发展做出了贡献。
附图说明
图1是本发明基于多目标优化的混合重排旅游推荐方法的总体框架流程图;
图2是所述多目标优化的混合重排的推荐模型示意图;
图3是所述数据集的组成情况示意图;
图4是所述HSC数据集的帕累托前沿面对比图;
图5是所述NYC数据集的帕累托前沿面对比图;
图6是所述基于多目标优化的混合重排旅游推荐系统的结构框图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
请参阅图1和图2,本发明实施例包括:
一种基于多目标优化的混合重排旅游推荐方法,包括以下步骤:
S1:数据集构建:从Foursquare或/和旅游网站收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
进一步的,将收集到的数据集进行数据筛选包括过滤掉若干个用户访问少的地点和访问地点少的用户。
S2:多目标优化混合重排模型的构建:包括种群初始化、目标函数的计算和种群的进化;具体步骤包括:
S201:种群初始化:MOEA/D是一个通用的算法框架,它将多目标优化问题分解为多个不同的单目标子问题,并用进化算法对这些子问题进行同时优化。在本算法中采用切比雪夫权重聚合法的分解方法,其公式为:
将三个基线推荐算法的权重α、β、γ以及重排算法中的权重λ编码为种群中的一个个体如[α,β,γ,λ],随机初始化个体数量N=35的种群。是参考点集,其中为在当前种群中每个目标上的最小值,对于每一个权重向量μi(1≤i≤35),从当前种群中选择与μi欧式距离最近的个体作为邻居个体,最终得到邻居集N={N1,N2,...,N35};
S202:目标函数的计算:选取基于用户的协同过滤(User_CF)、基于物品的协同过滤(Item_CF)、SASRec作为混合的三个基线推荐算法,将筛选后的数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,分别为以及RSASRec,将三个评分排名列表进行混合线性加权得到评分排名列表,权重分别α、β、γ,得到用户对每一个项目的得分为:再将评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表,MMR算法中的权重为λ;最后根据重排后的用户的推荐列表计算目标函数值;
式中,Ru为给用户u的推荐列表,click为用户历史访问序列的最后一个访问地点,{predictTOPN}∩{click}表示用户历史访问序列的最后一个访问地点出现在用户的推荐列表中,即为一次命中,|User|表示整个数据集中用户的数量;
式中,|Ru|为用户u推荐列表的长度,s(m,n)表示两个项目m和n之间的相似度;
将最终的目标函数构建为:
其中,MMR算法的具体描述为:
MMR算法将排序结果的相关性与多样性综合于下列公式中:
式中,Q表示用户,R表示输入到算法中的推荐得分排名列表,D表示推荐结果集合,S表示R中已经选中的集合,R\S表示R中未被选中的集合,λ为调节推荐结果准确性和多样性的权重系数,Sim2为物品之间的相似度,Sim1为用户对物品的一个相关性得分,计算如下式:
S203:种群的进化:使用MOEA/D算法中的种群进化策略对个体进行优化,其中交叉算子为二进制交叉算子,变异算子为多项式变异算子,通过t代的种群进化,得到最终的推荐列表。
S3:模型训练:利用训练集对步骤S2构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
S4:模型预测:使用步骤S3获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
本示例实验通过爬取的技术在携程网站上获得黄山市的旅游信息。信息的内容包括用户ID、景点ID、时间、评分和景点坐标。根据用户ID和用户的访问时间对这些信息进行排序,并得到每个用户的访问序列,最终将每个用户的访问序列组合成一个名为HSC的旅游数据集。其次,为了验证模型的普适性,采用Foursquare中的公共数据集NYC进行实验,NYC数据集包括用户ID、位置ID、用户访问时间、位置等。为了避免冷启动和数据稀疏问题,对数据集进行处理。
本次实验的数据集由两个数据集组成:分别为NYC和HSC。在HSC数据集上进行数据的处理,处理方式为:过滤掉少于4个不同用户访问的地点和少于4个不同访问地点的用户。在NYC数据集上进行数据的处理,处理方式为:过滤掉少于10个不同用户访问的地点和少于10个不同访问地点的用户。最后按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集。本次实验所使用的数据集组成情况如图3所示。
两个优化目标是根据系统为每个用户推荐的推荐列表计算的,整个系统的准确度(Accuracy)和多样性(Diversity)代表每个用户的推荐准确度和多样性的平均值,因此对整个系统的准确度和多样性的计算方式如下:
其中,|User|表示整个数据集中用户的数量。Ru为给用户u的推荐列表,click为用户历史访问序列的最后一个访问地点。{predictTOPN}∩{click}表示用户历史访问序列的最后一个访问地点出现在用户的推荐列表中,及为一次命中。最终得到整个推荐列表所有用户的准确性预测概率。|Ru|为用户u推荐列表的长度,s(m,n)表示两个项目(即景点)m和n之间的相似度。最终得到整个推荐列表所有用户的多样性预测概率。
表1显示多目标算法的一些参数的设置:进化代数设置为20、种群大小设置为35、目标函数数量设置为2、决策变量维度设置为4、交叉概率设置为1、变异概率为1/D。
表1
为了整体的显示结果,图4和图5分别为展示了基于其他多目标算法的混合推荐在HSC数据集和NYC数据集上得到的帕累托前沿面,每一个解是对整体推荐系统的评价,也是本发明提出的两个目标函数之间的平衡。从整个帕累托前沿面的整体趋势可以看到本发明模型的前沿面上的点几乎都分布在其它算法的上方,也就是说在整体推荐的多样性上都要优于其它模型。同时在与基于MOEA/D算法的混合重排算法中本发明算法也表现出优越的效果,证明了加入重排算法对推荐系统效果的提升。
表2和表3具体地展示了基于其它多目标算法的混合推荐的表现结果。首先从表2和表3可以看到同多种基线的推荐算法(Item_CF、User_CF、SASRec、AttRec、BPR)相比,本算法在两个评价指标上都展现了很好的效果。在与基于投票法的混合(Vote)推荐的对比上整体的性能也得到了较大的提升。在与基于其它多目标算法的混合推荐(MOEA/D、NSGA-Ⅲ、RVEA)的比较中,在最好和平均方面都显示出了良好的结果,同时在多样性上在最好、平均以及最差方面都显示了出了很好的效果。因此,与其它的基于多目标优化的模型相比,本发明提出的模型在准确度和多样上都有一定的提升,极大地提高了用户的体验。
表2 HSC数据集
表3 NYC数据集
参阅图6,本发明示例中还提供了一种基于多目标优化的混合重排旅游推荐系统,包括:
数据集构建模块,用于从Foursquare或/和旅游网站收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
多目标优化混合重排模型构建模块,用于构建多目标优化混合重排模型;
模型训练模块,用于利用训练集对构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
模型预测模块,用于使用获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
进一步的,所述多目标优化混合重排模型构建模块包括种群初始化单元、目标函数计算单元、种群进化单元。
所述种群初始化单元用于种群的初始化,包括初始化种群的个体、参考点以及邻居集;
所述目标函数计算单元用于将数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,将三个评分排名列表进行线性加权混合,权重为种群的决策变量,再将加权后得到的评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表并计算目标函数值;
所述种群进化单元用于使用MOEA/D中的种群进化策略引导种群的进化,最终得到用户的推荐列表。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于多目标优化的混合重排旅游推荐方法,其特征在于,包括以下步骤:
S1:数据集构建:收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
S2:多目标优化混合重排模型的构建:包括种群初始化、目标函数的计算和种群的进化,目标函数的计算利用多目标优化结合MMR算法进行计算;
S3:模型训练:利用训练集对步骤S2构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
S4:模型预测:使用步骤S3获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
2.根据权利要求1所述的基于多目标优化的混合重排旅游推荐方法,其特征在于,在步骤S1中,将收集到的数据集进行数据筛选包括过滤掉少于至多10个不同用户访问的地点和少于至多10个不同访问地点的用户。
3.根据权利要求1所述的基于多目标优化的混合重排旅游推荐方法,其特征在于,步骤S2的具体步骤包括:
S201:种群初始化:将三个基线推荐算法的权重α、β、γ以及重排算法中的权重λ编码为种群中的一个个体如[α,β,γ,λ],随机初始化个体数量为N的种群,生成在单位目标维度上均匀分布的参考点并生成邻居集;
S202:目标函数的计算:选取基于用户的协同过滤(User_CF)、基于物品的协同过滤(Item_CF)、SASRec作为混合的三个基线推荐算法,将筛选后的数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,分别为以及RSASRec,将三个评分排名列表进行混合线性加权得到评分排名列表,权重分别α、β、γ,得到用户对每一个项目的得分为:再将评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表,MMR算法中的权重为λ;最后根据重排后的用户的推荐列表计算目标函数值;
S203:种群的进化:使用MOEA/D算法中的种群进化策略对个体进行优化,其中交叉算子为二进制交叉算子,变异算子为多项式变异算子,通过t代的种群进化,得到最终的推荐列表。
6.一种基于多目标优化的混合重排旅游推荐系统,其特征在于,包括:
数据集构建模块,用于从Foursquare或/和旅游网站收集用户的历史访问序列,并根据用户访问的ID和访问时间进行排序,将收集到的数据集进行数据筛选,最后进行数据集的划分,按照用户的时间访问顺序,将最后一个访问地点作为测试集,将倒数第二个访问地点作为验证集,其余作为训练集;
多目标优化混合重排模型构建模块,用于构建多目标优化混合重排模型;
模型训练模块,用于利用训练集对构建的多目标优化混合重排模型进行训练,利用验证集对模型参数进行调整,获取最优的模型;
模型预测模块,用于使用获取的最优模型对测试集中的用户进行预测,获取其推荐给用户的旅游推荐列表。
7.根据权利要求6所述的基于多目标优化的混合重排旅游推荐系统,其特征在于,所述多目标优化混合重排模型构建模块包括种群初始化单元、目标函数计算单元、种群进化单元,目标函数计算单元利用多目标优化结合MMR算法进行计算。
8.根据权利要求7所述的基于多目标优化的混合重排旅游推荐系统,其特征在于,所述种群初始化单元用于种群的初始化,包括初始化种群的个体、参考点以及邻居集。
9.根据权利要求7所述的基于多目标优化的混合重排旅游推荐系统,其特征在于,所述目标函数计算单元用于将数据集输入到三个基线推荐算法中得到三个用户对未知项目的评分排名列表,将三个评分排名列表进行线性加权混合,权重为种群的决策变量,再将加权后得到的评分排名列表输入到MMR算法中进行重排得到重排后的推荐列表并计算目标函数值。
10.根据权利要求7所述的基于多目标优化的混合重排旅游推荐系统,其特征在于,所述种群进化单元用于使用MOEA/D中的种群进化策略引导种群的进化,最终得到用户的推荐列表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210631468.5A CN115062236A (zh) | 2022-06-06 | 2022-06-06 | 基于多目标优化的混合重排旅游推荐方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210631468.5A CN115062236A (zh) | 2022-06-06 | 2022-06-06 | 基于多目标优化的混合重排旅游推荐方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115062236A true CN115062236A (zh) | 2022-09-16 |
Family
ID=83200835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210631468.5A Pending CN115062236A (zh) | 2022-06-06 | 2022-06-06 | 基于多目标优化的混合重排旅游推荐方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115062236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
-
2022
- 2022-06-06 CN CN202210631468.5A patent/CN115062236A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739840A (zh) * | 2023-08-14 | 2023-09-12 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
CN116739840B (zh) * | 2023-08-14 | 2023-11-14 | 贵州优特云科技有限公司 | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ranawana et al. | A neural network based multi-classifier system for gene identification in DNA sequences | |
CN107256241B (zh) | 基于网格与差异替换改进多目标遗传算法的电影推荐方法 | |
CN110827924B (zh) | 基因表达数据的聚类方法、装置、计算机设备及存储介质 | |
CN114927162A (zh) | 基于超图表征与狄利克雷分布的多组学关联表型预测方法 | |
CN114399043B (zh) | 一种基于非支配排序粒子群遗传算法的车辆位置路由方法 | |
CN108153918B (zh) | 基于自适应正交交叉的多目标优化算法的个性化电影推荐方法 | |
CN110032682A (zh) | 一种信息推荐列表生成方法、装置及设备 | |
CN112214689A (zh) | 基于社交网络中群体的影响力最大化方法及系统 | |
CN115062236A (zh) | 基于多目标优化的混合重排旅游推荐方法及其系统 | |
CN107577786A (zh) | 一种基于联合聚类的矩阵分解推荐方法 | |
CN111191076B (zh) | 基于前景理论与多目标进化的电影推荐方法 | |
CN114512178A (zh) | 基于伊辛机量子退火的密码子优化方法 | |
CN112464107A (zh) | 一种基于多标签传播的社交网络重叠社区发现方法及装置 | |
CN111340303A (zh) | 基于新型混合蛙跳算法的旅行商路线规划方法 | |
CN113269617A (zh) | 一种基于图像编码的大规模多目标优化的商品推荐方法 | |
CN111797331B (zh) | 基于群智感知的多目标多约束路线推荐方法 | |
CN113449182A (zh) | 一种知识信息个性化推荐方法及系统 | |
CN115662498B (zh) | 一种基于改进多目标进化算法的生物代谢路径设计方法 | |
CN111310985A (zh) | 一种行程规划方法及系统 | |
Jangam et al. | A novel method for alignment of two nucleic acid sequences using ant colony optimization and genetic algorithms | |
CN114401211A (zh) | 一种工业无线网络设备接入IPv6网络的测试系统及测试方法 | |
CN113536109B (zh) | 一种基于神经网络和移动上下文的兴趣点推荐方法 | |
CN115438871A (zh) | 一种融合偏好消除流行度偏差的冰雪景点推荐方法及系统 | |
CN114443986A (zh) | 排序方法及装置,排序模型训练方法及装置,电子设备 | |
CN110297977B (zh) | 一种面向众筹平台的个性化推荐单目标进化方法 |
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 |