[发明专利]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

权利要求书

1.一种基于提取有效多目标群组来解决长尾推荐问题的方法，其特征在于：包括以下步骤：

S1：获取历史评分数据集，提取出其中的用户评分记录，计算项目出现在用户评分记录中的频率，构建用户-项目评分矩阵，统计每个项目的评分次数，将长尾项目定义为：项目的评分次数低于用户对项目评分次数平均值的项目；

S2：构建用户二维加权相似度，并在每个用户的相似用户列表中按照二维加权相似度进行降序排序；

S3：基于多目标优化器的重新排序模型寻找最佳的相似用户群组进行推荐：

根据二维加权相似度降序排序后选定k个相似用户添加到列表中，将用户群组列表作为初始种群对象；

提出并选择流行度函数和长尾关注度函数作为多目标优化问题的目标函数，得到多目标优化方程组，从而构建多目标优化模型；

对多目标优化模型进行运算，在运算达到指定的迭代次数后，得到一组最优的pareto解即最优相似用户群组，利用这组解为目标用户生成推荐列表进行推荐；

根据步骤S1中用户-项目评分矩阵，通过修正过的余弦相似度公式，计算原始的用户相似度sim_a；

针对用户评分记录，根据评分降序排序后划分出长尾项目集，在长尾项目集中根据项目评分次数降序排序后，按照替换比例将列表中评分较低的热门项目替换为排序后的长尾项目集中评分较好的用户感兴趣的项目，从而得到重新构建的用户-项目评分矩阵；

根据重新构建的用户-项目评分矩阵，利用修正过的余弦相似度公式，计算替换后的用户相似度sim_b；

以sim_a为x，sim_b为y构造二维加权相似度，坐标中的单个点(x,y)代表为单独个体用户，而点(x,y)到原点(0,0)的距离被视为二维相似距离；

为二维相似距离分配夹角角度的权重ω(0,90)，对权重进行优化，根据优化后的权重，按照二维相似距离对用户进行排序；

所述修正过的余弦相似度公式为：

其中N(i)为项目i的流行度，u和v分别表示两个用户，N(v),N(u)分别表示用户u和用户v曾经有过正反馈的物品集合；

综合考虑推荐的有效性，所述替换比例优化公式为：

其中∪是用户集合，I(u)是用户u评分过的项目集，α是项目的长尾权重，Cnt_i是项目i在项目集中出现的次数；

通过余弦相似度计算替换前后的相似度sim_a和sim_b，并且以sim_a为x，sim_b为y构造二维加权相似度，利用欧几里得距离来计算构造得出的所述二维加权相似度，所述欧几里得距离为：

其中，坐标中的单个点(x,y)代表为一个个体用户，(x,y)到(0,0)的距离被视为二维相似距离。

2.根据权利要求1所述的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，其特征在于：所述步骤S3中，以流行度Pop函数和长尾关注度Lat函数作为多目标优化问题的目标函数；

所述流行度Pop函数为：

Pop＝∑_i∈L(g)log(1+C(i))^p(i)

其中L(g)是相似用户组推荐的项目集，C(i)是项目i在数据集中被评分的数目，p(i)表示i是热门商品或长尾商品时的权重；

所述长尾关注度Lat函数为：

其中L(g)是相似用户组推荐的项目集，W(i)是项目的权重函数，score(i)是用户对项目的评分；

所述多目标优化方程组为：

min{f1＝-Lat,f2＝Pop}

其中，f₁表示其中一个目标函数以长尾关注度Lat函数的负值为优化方向，f₂表示另一个目标函数以流行度Pop函数的正值为优化方向，构建f₁和f₂的方程组，min表示多目标优化要能够让两个目标函数都达到最小值，即增加对长尾的关注，降低整体的流行度。