[发明专利]基于多子种群协同进化构建信息核的推荐方法

说明书

本发明公开一种基于多子种群协同进化构建信息核的推荐方法，其步骤为：(1)构建用户物品评分矩阵；(2)设定参数；(3)设置子种群的个体数；(4)初始化大于度阈值子种群；(5)初始化小于度阈值子种群；(6)初始化无度阈值子种群；(7)生成临时种群；(8)生成过渡种群中大于度阈值子种群；(9)生成过渡种群中小于度阈值子种群；(10)生成过渡种群中无度阈值子种群；(11)计算信息核个体的推荐精度；(12)生成子代种群。(13)更新父代种群；(14)判断迭代次数是否为100次；(15)完成信息核构建；(16)进行协同过滤推荐。本发明具有推荐精度高的优点。

技术领域

本发明属于计算机技术领域，更进一步涉及物品推荐技术领域中的一种基于多子种群协同进化构建信息核的推荐方法。本发明利用多子种群协同进化算法，根据每个用户对物品的评分信息来构建信息核，然后根据信息核向目标用户推荐其喜欢的物品，从而减少在线推荐过程中使用的用户数量和使用的时间，缓解传统协同过滤的可扩展性问题。

背景技术

大数据时代的到来导致了信息过载问题日益严重，如何从海量信息中快速有效获取自己感兴趣的信息已经成为一个亟需解决的问题。面临上述问题，推荐系统应运而生并且受到广泛关注。推荐系统通过分析用户的历史行为数据，分析发现用户的兴趣爱好，并为用户推荐其感兴趣的物品或是信息。现如今，已存在的推荐方法有很多，其中协同过滤是应用最为广泛且最为成功的一种推荐方法。然而协同过滤算法存在着可扩展性问题的固有缺陷，可扩展性问题指的是协同过滤算法的时间消耗会随着数据规模的增大呈指数型增长。这个可扩展性问题大大抑制了协同过滤算法的发展，是一个亟需解决的问题。

电子科技大学在其申请的专利文献“一种基于关键用户的个性化推荐方法和系统”(申请号：201510157504.9，申请公布号：CN 104778237 A)中公开了一种基于关键用户的个性化推荐方法。该方法的实施步骤是：步骤1，基于所采集的用户数据为每个用户查找N个相似度最高的邻居得到各用户邻居列表，且各邻居按照相似度从高到低进行排列；步骤2，设定一个权重规则：用户在其他用户邻居列表中出现次数越多，排列位置越靠前，权重越大；步骤3，查找权重最大的P个用户作为关键用户；步骤4，基于关键用户对产品的操作数据计算目标用户对平台系统的各产品的推荐度，查找推荐度最大的M个产品作为目标用户的推荐结果。该推荐方法存在的不足之处是，规定用户的权重大小作为信息核选择的标准，这种规则性的选择信息核的方式，获得的信息核推荐精度低。

Caihong Mu等人在其发表的论文“Information core optimization usingEvolutionary Algorithm with Elite Population in recommender systems”(Congresson Evolutionary Computation(CEC)，2017 IEEE)中提出了一种基于精英种群的进化算法提取信息核的推荐方法。该推荐方法的实施步骤是：步骤1，建立用户和物品的稀疏评分矩阵信息；步骤2，初始化父代种群，计算种群中每个个体的适应度；步骤3，根据M精英策略，对个体适应度进行从大到小排序，按照个体适应度进行顺序交叉，提取信息核；步骤4，根据信息核计算目标用户对平台系统的各产品的评分，并进行推荐。该推荐方法存在的不足之处是，在进化过程中根据个体适应度大小进行顺序交叉，个体基因的多样性受到限制，搜索效率低。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于多子种群协同进化构建信息核的推荐方法。

本发明的具体思路是，按照不同类型的度阈值约束条件，将种群划分为三个子种群，将度阈值和信息核放入协同进化的种群个体中，让度阈值参与进化迭代的过程，从而得到一个较好的度阈值，同时让子种群之间相互竞争进化，加速算法的收敛过程，通过协同进化算法的进化迭代得到最优的信息核，利用获得的信息核进行协同过滤推荐。

为了实现上述目的，本发明的具体实现步骤如下：

(1)构建用户物品评分矩阵：