[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

摘要

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。

主权项

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，其特征在于：该方法在进化之前，采用正交交叉的方式设置初始化种群，使初始化种群分布均匀，避免随机初始化造成个体分布不均匀，使自适应多目标正交交叉算子进行正交交叉操作，使种群在进化过程中能够快速的收敛到pareto解集，并且使种群的分布更加均匀，使得到的推荐列表多样性更加丰富；该方法包括以下步骤：S1 个体编码、相关参数设定个体的编码采用实数编码，基因位为电影的ID号，N个电影组成一个个体，个体编码形式为：<d₁，d₂，d_i…d_N>，其中N表示电影个数，d_i表示第i个需要推荐的电影编号；种群初始化为pop_size＝100，交叉概率p_c为0.9，变异概率p_m为0.1，每条染色体中电影编号不重复；S2 子空间划分在实际问题中，存在一些具有多个极值点且全局最优点位置未知的高维多模态函数；在对这些函数进行全局优化时，必须让初始种群中的个体尽可能均匀分布在搜索域中；利用正交实验方法初始化的种群具有均匀分散、齐整可比的特点，使用正交实验方法来初始化种群，产生的初始个体能够均匀分散地分布在整个解空间中，保证了初始群体的多样性和较丰富的模式，能在全局范围内快速收敛，使用正交实验方法初始化种群时当可行解空间[l，u]大时，为提高搜索效率和精度，将可行解空间进行子空间划分，分割成S个子空间[[l₁，u₁]]，[[l₂，u₂]]，……，[[l_s，u_s]]，具体操作流程如下：S2.1.找到满足下式的第m维：$u_m-l_m=\underset{1\&le;k\&le;N}{max}\{u_k-l_k\}---\left(1\right)$其中m代表第m维，k代表第m维的第k个子空间，l表示可行解空间的下限，u表示可行解空间的上限；S2.2.假设可行解空间为[l，u]，则在第m维处将可行解空间分割成S个子空间[l(1),u(1)],[l(2),u(2)],…,[l(S),u(S)]$\left\{\begin{array}{c}l\left(i\right)=l+(i-1)\left(\frac{u_m-l_m}{S}\right)I_m\\ u\left(i\right)=u-(S-1)\left(\frac{u_m-l_m}{S}\right)I_m,i=1,2,\mathrm{...},S\end{array}\right.---\left(2\right)$其中I_m＝[c_1,j]_1×N,m代表第m维，i代表第i个子空间，一共S个子空间，N代表第m维向量的个数；S3：创建正交表S3.1.计算满足(Q^J‑1)/(Q‑1)≥F的最小值J；S3.2.若(Q^J‑1)/(Q‑1)＝F，则令F'＝F，否则令F'＝(Q^J‑1)/(Q‑1)；S3.3.创建基本列：S3.4.创建非基本列：S3.5.对于i和j满足1≤i≤M,1≤j≤F,执行a_i,j＝a_i,j+1；S3.6.删除正交表L_M(Q^F)的最后F′‑F，得到L_M(Q^F)；其中Q为水平数,F为因素数，且M＝Q^J，J为计算满足(Q^J‑1)/(Q‑1)≥F的最小值J，a_i,j表示第i个组合的第j个因素的水平值，正交表的列分为基本列和非基本列；若第j列满足$j=1,2,\frac{Q^2-1}{Q-1}+1,\frac{Q^3-1}{Q-1}+1,...,\frac{Q^J-1}{Q-1}+1---\left(3\right)$则称第j列a_j为基本列；S4 自适应多目标正交交叉算子SMOCS4.1.设p₁