[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

说明书

本发明提供了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，S1：获取历史评分数据集：S2：基于修正的余弦距离与欧氏距离构建用户二维加权相似度：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。本发明充分挖掘了用户偏好，不仅仅是关注整体推荐的准确率，还考虑了长尾项目的准确率和覆盖率。

技术领域

本发明涉及推荐决策系统技术领域，可用于商品推荐、行为决策、风险预警等领域。具体涉及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。

背景技术

在商品推荐、决策支持、风险预警等领域，如果存在大量的候选项时，如何选择合适的行为是一个难点，需要使用推荐系统。大多数传统推荐算法往往追求较高的推荐准确率，这导致热门选项的推荐率甚至超过了其实际受欢迎程度，而非热门选项的资源利用率和销售潜力则被忽略，这就是典型的长尾问题。例如，长尾商品往往代表了一些用户的个性化需求，而对于推荐算法来说，是否能够帮助系统挖掘出长尾商品也成为衡量的标准之一。近年来，人们提出了许多方法来解决长尾问题，包括多目标优化、图模型、聚类以及引入神经网络框架的深度学习方法。与传统的过于注重推荐的准确性而忽略长尾推荐能力的协同过滤算法相比，近年来的一些方法对长尾覆盖率有所提高，但进一步提高仍有挑战。在多目标优化中，增加目标函数会导致迭代次数多，训练速度慢，且难以调整多个目标之间的关系。在与神经网络相结合的协同过滤模型中，调整模型结构不可避免地会导致复杂模型下样本训练的难度和时间复杂度增加。而且，这两种方法在面对小样本数据时都不可避免地会遇到难以训练的问题。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供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。本发明在用户决策偏好基础上，不仅仅是关注整体推荐的准确率，还考虑了长尾项目的准确率和覆盖率。

为解决上述技术问题，本发明通过下述技术方案实现：

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，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。

进一步的：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；

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；

以 为，为构造二维加权相似度，坐标中的单个点代表为单独个体用户，而点到原点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，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；