[发明专利]一种基于粒子群算法的艺术品推荐方法

权利要求书

1.一种基于粒子群算法的艺术品推荐方法，其特征在于，包括以下步骤：

S1：形成用户和艺术品属性矩阵；

S2：引入K-means算法，并根据艺术品属性权重对传统算法进行改进，融合用户搜索行为的数量以及频度的特征，构建用户特征向量，进而通过基于属性权重进行相关用户聚类，K-means算法的处理流程如下：

(1)、从n个数据对象任意选择k个对象作为初始聚类中心；

(2)、根据每个聚类对象的均值，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；

(3)、重新计算每个聚类的均值；

(4)、循环(2)到(3)直到每个聚类不再发生变化为止；

k-means算法接受输入量k，然后将n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小，聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”来进行计算的；

S3：计算邻居集合：

(1)、类别的聚类，其具体步骤如下：

Step1、初始化一群微粒，且群体规模为m；

Step2、计算每个微粒的适应度；

Step3、对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

Step4、如果否，就更新粒子的位置和速度；如果是，输出解决最优解即聚类中心；

Step5、未达到结束条件则转Step2，迭代终止条件为最大迭代次数Gk或/和微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

(2)、最近邻搜索，其具体步骤如下：

在经过目标艺术品聚类后，只需要在目标相似性最高几个聚类中就能够找到目标艺术品的大部分邻居，而不用在整个空间进行搜索；

最近邻搜索，具体步骤如下：

A、计算目标相与每个聚类中心的相似性；

B、选择小于相似性阈值聚类中心所在的聚类进行搜索，计算聚类内项目与目标项目的相似性；

C、找出与目标艺术品最近的前N个邻居作为目标项目的最近邻居；

D、产生预测：在计算出目标艺术品的最近邻居后，对项目预测并评分；

E、形成推荐：选择用户最感兴趣的N个艺术品进行推荐，从而完成艺术品推荐。