[发明专利]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

说明书

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，针对传统推荐算法对准确性和非准确性两个对立指标的优化不足，采用多目标优化算法对这两个目标进行优化，从而在保持准确性的情况下提高多样性。针对NSGA‑II多目标优化算法存在的不足，提出了改进算法SMOCDE，该算法设计了自适应多目标正交交叉算子SMOC，使用该算子对种群进行初始，避免了种群分布不均匀；运用该算子进行交叉操作，保持了种群的收敛性和分布性。将该算法应用于个性化电影推荐这一实际问题中，通过和现有的推荐算法进行测试对比验证了算法的通用性和有效性，提高了推荐结果的准确性、多样性。

技术领域

本发明属于多目标优化算法和推荐算法技术领域。运用改进的多目标优化算法SMOCDE(具体涉及自适应正交交叉初始化种群，自适应多目标正交交叉算子)做个性化电影推荐，以期多目标优化算法对个性化电影推荐的性能提升。

背景技术

随着互联网技术的发展，网上信息量呈指数式的增长，使得用户在面对大量信息时无法从中获得对自己真正有用的信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

个性化推荐系统是解决信息超载问题非常有效的方法。推荐系统根据用户信息和项目属性数据，分析出用户的兴趣爱好，根据用户兴趣点进行个性化推荐。

常用的推荐算法有基于内容的推荐，协同过滤推荐、基于知识的推荐和混合推荐。基于内容的推荐不依赖于用户对项目的评价信息，侧重考察候选推荐项目与用户特征的匹配程度。协同过滤推荐算法可以分为两类：基于记忆的和基于模型的算法。基于记忆的算法根据系统中所有被打过分的产品信息进行预测。基于模型的算法收集打分数据进行学习并推断用户行为模型，进而对某个产品进行预测打分。基于模型的协同过滤算法和基于记忆的算法的不同在于，基于模型的方法不是基于一些启发规则进行预测计算，而是基于对已有数据应用统计和机器学习得到的模型进行预测。基于知识的推荐是一种基于特定领域规则或实例的推理方法，其优点在于不需要建立用户需求偏好模型，缺点是难以指定合理的推理规则。混合推荐是为了克服上述各种推荐技术的弱点，对多种推荐方法的组合应用，其中基于内容的推荐和协同过滤推荐组合是目前应用比较广泛的一种。

传统的推荐算法以准确度作为评价指标，一个好的推荐算法不仅要以准确度作为衡量标准，还应该考虑一些其它指标，准确度指标通常包括准确率，召回率，F-Measure，非准确率指标包括新颖度，多样性等，大多数传统的推荐算法关注项目的评分，即项目按评分排序，并且选择前n项推荐给用户，然而，它们不能兼顾非准确度的评价指标，为了解决这个问题我们引入了多目标优化算法，多目标个性化推荐算法不仅可以关注准确性还可以兼顾多样性，符合现代推荐系统的要求。一些多目标推荐算法相继被提出来，张等人把准确性和多样性看作二次规划问题，设计出多种策略来解决这个优化问题。在推荐列表中应该设置控制参数来衡量多样性的重要性。周等人提出了一种结合热传播算法解决多样性问题和概率传播算法解决准确性的混合推荐算法，该混合方法是使用加权线性组合的方法。结果是权重参数应该适当调整来保持推荐的多样性和准确性。Adomavicius等人，开发了一系列排序算法在保持准确性的情况下产生多样性，公茂果等人用经典多目标遗传算法NSGA-II来优化这两个目标。多目标推荐算法模型有两个优化目标，第一个优化目标是准确性，第二个优化目标是多样性，多目标优化算法用来最大化这两个目标，最终一个准确性和多样性的推荐列表被提供给用户。但是NSGA-II算法存在一些缺陷，导致算法的收敛速度和最终推荐列表存在多样性和准确性的缺失，本发明提出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来优化准确性和多样性。通过自适应多目标正交交叉算子(SMOC)初始化种群，避免了随机初始化带来的种群分布不均匀，通过自适应多目标正交交叉算子进行交叉操作，使种群能够快速的收敛到pareto前沿，大大减少无效交叉和冗余个体的产生。将该改进算法应用于个性化电影推荐的具体问题上，通过与其他推荐算法的比较验证了算法的效果。

发明内容