一种多目标遗传优化的协同过滤推荐算法.docxVIP

一种多目标遗传优化的协同过滤推荐算法 个性化推荐系统是近年来解决信息过载问题的有效方法。根据用户的信息需求和兴趣（如信息需求和兴趣）的历史行为，他可以主动推荐用户可能感兴趣的产品和信息。不同于用户利用搜索引擎进行主动检索, 推荐系统通过收集用户的兴趣偏好, 进行个性化计算, 由系统发现用户的兴趣点, 从而引导用户被动发现自己的信息需求。推荐系统根据用户兴趣和行为特点, 向用户推荐所需的信息或商品, 帮助用户在过载信息中快速发现真正所需的商品, 提高用户黏性, 促进信息点击和商品销售。 现阶段广泛利用推荐系统的领域包括电子商务、视频、音乐、社交网络、阅读、基于位置的服务、个性化邮件和广告等。如著名的电子商务网站亚马逊, 推荐系统深入到了其各类产品中, 其中最主要的应用有个性化商品推荐列表和相关商品的推荐列表。 目前常用的推荐算法有基于邻域的算法与矩阵分解算法 1常用推荐算法介绍 1.1基于邻域的算法 1.1.1基于用户的协同过滤算法 基于用户的算法分为两步:首先, 找到和目标用户兴趣相似的用户集合, 然后找到这个集合中用户喜欢的, 且目标用户没有听过的物品推荐给目标用户 2.根据用户相似度, 对每个用户获取其固定数量的相似用户。 3.根据公式2推算用户u对物品i的感兴趣程度。 1.1.2基于物品的协同过滤算法 基于物品的算法也分为两步:首先, 计算物品之间的相似度, 然后根据物品的相似度和用户的历史行为给用户生成推荐列表 基于物品的协同过滤算法推荐过程分为两步: 1.根据公式3通过改进的余弦相似度公式计算物品i与物品j的相似度 2.根据公式4预测用户对物品的感兴趣程度 1.2矩阵分解法 从矩阵分解角度来说, 就是将评分矩阵分解为两个低维矩阵相乘, 如公式5所示: 其中P∈R 如公式6所示, 第u个用户对第i个物品的预测评分值为: 由于每种算法只能在一个评测指标上获取较好的结果, 而不能在多个评测指标上获得突出表现, 所以单独采用任何一种推荐算法都具有其局限性, 所以我们引入多目标优化遗传算法对几种常用推荐算法做了一个线性加权操作。 2 NSGA-П算法简介 单目标优化研究的是单个目标函数的极值问题, 多目标优化则要同时优化多个、可能相互冲突的目标函数, 而实际中的推荐系统就是一个多目标并存的系统。User CF、Item CF和MF是推荐系统的三个基础算法, 在解决在面对多目标问题时往往不能给出相对优化的解。 NSGA-Ⅱ算法在强大的参数相互作用下, 依然能得到比其他多目标遗传算法更接近于优化前沿的解。实际运算证明, 该算法能够较好地解决实际过程的多目标优化问题, 对此我们提出将NSGA-Ⅱ算法结合多种基础推荐算法应用在推荐系统中。 NGSA-II算法流程: 首先初始化种群, 再将初始化后的种群在各等级内进行非支配排序。第一级被完全非支配在当前的种群, 第二级被第一级内的个体支配, 接下来也是。每个等级的个体被指定等级 (适应度) 或者根据个体所在的等级分配。第一等级的个体是一级适应度, 在第二等级的个体是二级适应度等。 除了适应度, 每个个体都要计算一个新的参数—拥挤距离 根据适应度和拥挤距离, 一定数量的父代种群通过二进制锦标赛法 (种群中被选中的个体等级比别的个体小, 或者在等级相同的情况下拥挤距离大于别的个体) 从所有种群中选出。选中的个体经过交叉和变异等操作产生同数量的后代群体。 N为种群规模, 目前的种群加上产生的子代将再次根据适应度和拥挤距离被非支配排序, 只有最优的前N个个体会被选中, 其他的将被淘汰。 然后再次迭代整个过程, 直到达到最大迭代次数后退出循环, 取其前最优的N个作为最终解。 3 NSGA-П算法在推荐算法中的应用 3.1权重系数的初始化 R 其中, λ1, λ2和λ3分别为各数据集所代表算法的权重系数, 并且λ1+λ2+λ3=1。 根据λ1和λ2的值, 得出对应的推荐列表, 计算每组权重系数对应的各目标函数值。 3.2非支配和拥挤距离排序 将当前权重系数种群进行非支配排序, 每个权重系数被分配到各个等级中, 得到等级变量。然后计算同一等级内, 根据每组权重系数的多目标函数值, 计算拥挤距离, 根据结果进行排序。由此产生了整个种群的排序结果。 判断当前种群数量是否超过额定种群数量N, 如是, 则选取排序列表中前N个作为本代的结果。 3.3子代权重系数的产生 在遗传算法中, 两个父母代可以通过基因重组和遗传变异产生新的子代。包括以下三个基本遗传算子:选择、交叉和变异 1、选择。随机选取两组不同的权重系数作为父代和母代, λ 2、交叉。设置交叉系数为1, 父代和母代在子代中所占的比例相同。故可定义产生的子代权重系数为: 3、变异。实际中, 遗传变异是个小概率事件, 故考虑设置变异系数。每当要产生子代前