【
技術(shù)領(lǐng)域：
】本發(fā)明屬于推薦系統(tǒng)領(lǐng)域，涉及一種基于分解多目標(biāo)進(jìn)化算法的協(xié)同濾波推薦方法，具體是一種基于多目標(biāo)進(jìn)化算法的協(xié)同濾波推薦算法，可用于多樣化的推薦系統(tǒng)中。
背景技術(shù)：
：推薦系統(tǒng)在海量信息的社會(huì)中是一種很重要的信息獲取工具。面對(duì)現(xiàn)代的大數(shù)據(jù)時(shí)代，人們獲取信息的方式將會(huì)從傳統(tǒng)的搜索引擎向推薦系統(tǒng)轉(zhuǎn)化。對(duì)于傳統(tǒng)的搜索引擎，每一個(gè)用戶使用相同的關(guān)鍵詞將得到同樣的結(jié)果，而服務(wù)器端根據(jù)一定的排序?qū)⒌玫降慕Y(jié)果呈現(xiàn)出來。而未來，或者說現(xiàn)在正在發(fā)展的趨勢(shì)將是根據(jù)每一個(gè)用戶各自的情況推薦給用戶信息，而這些信息將是用戶所感興趣的。自20世紀(jì)90年代中期開始出現(xiàn)了推薦系統(tǒng)的概念到現(xiàn)在，推薦系統(tǒng)得到了飛速的發(fā)展?，F(xiàn)階段隨著電子商務(wù)的發(fā)展，社會(huì)新媒體，自媒體的產(chǎn)生，甚至于共享經(jīng)濟(jì)的推行，人們?cè)谠诰€購物，新聞獲取，二手交易交換中所需要的處理的信息越來越多。而推薦系統(tǒng)在這些領(lǐng)域的運(yùn)用會(huì)大大加快智能化生活的步伐。推薦系統(tǒng)的目的在于智能化的給每一個(gè)用戶根據(jù)其感興趣的方向以及之前的信息推薦最符合他的內(nèi)容或者物品。這樣子的推薦系統(tǒng)能夠輔助網(wǎng)站或者公司以達(dá)到個(gè)性化營銷的目的，從而提升用戶體驗(yàn)以及產(chǎn)品的銷量。對(duì)于推薦系統(tǒng)的研究國內(nèi)外的很多學(xué)者進(jìn)行了相關(guān)的研究工作其中推薦系統(tǒng)的研究可以分為以下幾個(gè)部分：(1)用戶信息的獲取與建模：早期的推薦系統(tǒng)只使用簡(jiǎn)單的用戶信息進(jìn)行特征提取，而隨著推薦系統(tǒng)的發(fā)展推薦系統(tǒng)又會(huì)由簡(jiǎn)單的固有信息轉(zhuǎn)為固有信息加上用戶與系統(tǒng)交互信息，這就需要考慮用戶興趣的多樣性，也就是推薦結(jié)果不能趨同(2)推薦系統(tǒng)的算法：要實(shí)現(xiàn)推薦系統(tǒng)，其推薦算法尤為重要，高效且準(zhǔn)確的推薦算法是推薦系統(tǒng)的核心。基于內(nèi)容的推薦算法和協(xié)同濾波算法是推薦系統(tǒng)中最主要的兩種算法。(3)推薦系統(tǒng)的評(píng)價(jià)指標(biāo)：一個(gè)推薦系統(tǒng)的評(píng)價(jià)指標(biāo)對(duì)于推薦的結(jié)果影響很大。如果只是用推薦的準(zhǔn)確率來作為評(píng)價(jià)指標(biāo)，那么推薦結(jié)果在其他方面的結(jié)果可能就會(huì)差強(qiáng)人意。而一般來說推薦系統(tǒng)的精準(zhǔn)度和多樣性都是非常重要的指標(biāo)。推薦系統(tǒng)同樣面臨著很多挑戰(zhàn)，其中最大的挑戰(zhàn)就是數(shù)據(jù)稀疏性。比如一個(gè)在線購物網(wǎng)站，在這上面由數(shù)千萬的用戶以及數(shù)以億計(jì)的商品。而每一個(gè)用戶購買過的商品相較于整個(gè)商品的總數(shù)來說是一個(gè)很小的數(shù)目。更多的一部分商品與用戶之間的關(guān)聯(lián)很少，而在對(duì)該用戶推薦的時(shí)候能用的信息就會(huì)很少。而另外一個(gè)具有挑戰(zhàn)的問題就是冷啟動(dòng)問題。所謂的冷啟動(dòng)指的是，當(dāng)一個(gè)用戶是新用戶的時(shí)候，推薦系統(tǒng)并沒有該用戶的任何信息可以使用來進(jìn)行推薦。傳統(tǒng)的推薦系統(tǒng)就是優(yōu)化推薦精準(zhǔn)度rmse的過程。但是研究表明過分的強(qiáng)調(diào)推薦精準(zhǔn)度，那么推薦結(jié)果就是非常相似，并且流行商品被推薦的概率就會(huì)更大。那么這種情況又回到了搜索引擎的信息獲取模式。因此除了精準(zhǔn)度之外，差異化和新奇性也被作為評(píng)價(jià)指標(biāo)引入推薦系統(tǒng)。多目標(biāo)優(yōu)化算法特別適合這種具有多個(gè)評(píng)價(jià)指標(biāo)的問題。多目標(biāo)優(yōu)化算法目標(biāo)在于獲得一個(gè)帕累托前沿面。在這個(gè)前沿面上的解都是互相非支配的。也就是在各個(gè)指標(biāo)之間做一個(gè)權(quán)衡，每一個(gè)解都不會(huì)比其他的差。近些年研究學(xué)者們提出了大量的多目標(biāo)優(yōu)化算法，如moead，nsga-ii，nnia等。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn)，提供一種基于分解多目標(biāo)進(jìn)化算法的協(xié)同濾波推薦方法，該推方法將會(huì)在指定的商品集中給用戶推薦用戶最感興趣的k個(gè)商品。為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：一種基于分解多目標(biāo)進(jìn)化算法的協(xié)同濾波推薦方法，包括以下步驟：步驟1)輸入已有的用戶對(duì)物品的評(píng)價(jià)信息數(shù)據(jù)得到一個(gè)評(píng)分矩陣mu×i；其中u代表了用戶的個(gè)數(shù)，i代表了物品的個(gè)數(shù)；評(píng)分矩陣的每一個(gè)元素代表了用戶對(duì)物品的評(píng)價(jià)值；步驟2)初始化，補(bǔ)全輸入的稀疏評(píng)分矩陣；步驟3)構(gòu)建基于推薦準(zhǔn)確率和多樣性的目標(biāo)函數(shù)；步驟4)對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，通過以下的切比雪夫數(shù)學(xué)分解公式將步驟3)中的兩個(gè)評(píng)價(jià)指標(biāo)目標(biāo)函數(shù)分解成n個(gè)單目標(biāo)子函數(shù)：其中x為函數(shù)的解而fi(x)則是x對(duì)應(yīng)的第i個(gè)目標(biāo)函數(shù)的值，其中t為轉(zhuǎn)置，是fi(x)的最大值，λi為第i個(gè)目標(biāo)函數(shù)對(duì)應(yīng)的權(quán)值；步驟5)采用隨機(jī)初始化的方式初始化種群，用實(shí)數(shù)編碼方式生成基因；步驟6)選擇父代個(gè)體：從當(dāng)前子種群中選擇一個(gè)個(gè)體從當(dāng)前子種群的鄰域子種群中選擇一個(gè)父代個(gè)體；步驟7)交叉操作，對(duì)選擇的兩個(gè)父代個(gè)體進(jìn)行點(diǎn)交叉操作；步驟8)變異操作，隨機(jī)選擇染色體中的某一位p，然后在其他不在染色體中的物品id中隨機(jī)選擇一個(gè)替代p位置值；通過交叉變異得到新的個(gè)體作為子代；步驟9)更新第i個(gè)單目標(biāo)子函數(shù)對(duì)應(yīng)的子種群：根據(jù)各單目標(biāo)子函數(shù)中權(quán)值參數(shù)之間歐式距離最小原則，給第i個(gè)單目標(biāo)子函數(shù)解個(gè)體構(gòu)造一個(gè)個(gè)體數(shù)目為m的子種群，利用新子代更新第i個(gè)子函數(shù)解個(gè)體對(duì)應(yīng)的子種群；步驟10)重復(fù)步驟6)-步驟9)，直到n個(gè)子函數(shù)都被執(zhí)行完畢，得到解種群{x1,...xk}；步驟11)判斷是否終止：如果種群進(jìn)化終止迭代代數(shù)滿足預(yù)先設(shè)定的代數(shù)gen，設(shè)置范圍為200-300，則執(zhí)行步驟12)，否則，重復(fù)步驟6)-步驟10)；步驟12)斷分別為每一個(gè)用戶重復(fù)執(zhí)行步驟5)到步驟11)，得到每一個(gè)用戶的推薦列表集{xu,1,...xu,k}。本發(fā)明進(jìn)一步的改進(jìn)在于：步驟2)中，補(bǔ)全輸入的稀疏評(píng)分矩陣的具體方法如下：2-a)根據(jù)基于最小k近鄰的協(xié)同濾波算法求得物品之間的相似度；在這里使用皮爾遜相關(guān)度取得物品i與物品j的相似度：其中u所有對(duì)物品i與物品j都評(píng)分過的用戶所構(gòu)成的集合；ru,i和ru,j是用戶u對(duì)物品i和物品j的評(píng)價(jià)；和表示所有物品i和物品j收到的評(píng)價(jià)的平均值；此時(shí)得到了任意兩個(gè)物品之間的相似度sim(i,j)以供后續(xù)使用；2-b)根據(jù)皮爾遜相關(guān)度求解得到用戶物品之間的相關(guān)度sim(i,j)，然后用于補(bǔ)全評(píng)分矩陣；預(yù)測(cè)評(píng)分將是相似商品被用戶u評(píng)價(jià)得到評(píng)分的一個(gè)加權(quán)累計(jì)：其中bu,i＝μ+bu+bi作為基準(zhǔn)預(yù)測(cè)值；μ表示所有評(píng)分的均值，bu表示用戶u進(jìn)行投票的均值，bi作為物品i被評(píng)分的均值；2-c)為每一個(gè)用戶取得評(píng)分最高的k個(gè)之前沒有真實(shí)評(píng)分過的商品列表。步驟2-c)的具體方法如下：2-c-1)對(duì)每一個(gè)用戶，將根據(jù)協(xié)同濾波算法得到的對(duì)物品的評(píng)分進(jìn)行排序；2-c-2)去除當(dāng)前用戶已經(jīng)進(jìn)行過投票的物品；2-c-3)從每個(gè)已經(jīng)排序的列表中取得評(píng)分最高的k個(gè)物品。步驟3)構(gòu)建基于推薦準(zhǔn)確率和多樣性的目標(biāo)函數(shù)的具體方法如下：3-a)構(gòu)建推薦系統(tǒng)的準(zhǔn)確率評(píng)價(jià)指標(biāo)：其中u為目標(biāo)用戶，i∈i屬于推薦給用戶u的推薦列表，k為推薦列表的長(zhǎng)度，為有協(xié)同濾波算法得到的用戶u對(duì)物品i的預(yù)測(cè)評(píng)分；acc為推薦系統(tǒng)給用戶推薦列表中預(yù)測(cè)用戶可能對(duì)這些物品感興趣程度的累計(jì)，當(dāng)acc值越大，則說明推薦的列表越受用戶喜歡；3-b)構(gòu)建推薦系統(tǒng)的多樣性評(píng)價(jià)指標(biāo)：其中μi為物品i被評(píng)分的均值而σi為方差。步驟5)采用實(shí)數(shù)編碼方式生成基因的具體方法如下：5-1)基因中的每一位對(duì)應(yīng)著一個(gè)可能被推薦給用戶的商品id，且基因中不允許出現(xiàn)重復(fù)的商品id；5-2)為種群隨機(jī)生成多個(gè)基因。步驟7)對(duì)選擇的兩個(gè)父代個(gè)體進(jìn)行點(diǎn)交叉操作的具體方法如下：7-1)根據(jù)基因長(zhǎng)度，隨機(jī)選擇一個(gè)基因位p；7-2)把兩個(gè)父代個(gè)體位于基因位p之后的基因位進(jìn)行交換；7-3)當(dāng)交換之后得到的子代個(gè)體基因中出現(xiàn)重復(fù)的物品id時(shí)，則進(jìn)入(7a4)進(jìn)行去重，否則進(jìn)行步驟8；7-4)當(dāng)基因中出現(xiàn)重復(fù)的時(shí)候，隨機(jī)從未在該基因中出現(xiàn)的物品id中選擇一個(gè)id替換重復(fù)的物品id。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：本發(fā)明將推薦系統(tǒng)中的評(píng)價(jià)指標(biāo)：精準(zhǔn)度和多樣性作為目標(biāo)函數(shù)，之后就將給用戶推薦最感興趣的k個(gè)物品的問題轉(zhuǎn)化成了一個(gè)兩目標(biāo)優(yōu)化問題，然后利用基于分解的多目標(biāo)進(jìn)化算法優(yōu)化這兩個(gè)目標(biāo)函數(shù)，從而使得一個(gè)好的推薦結(jié)果；本發(fā)明將推薦系統(tǒng)構(gòu)造成一個(gè)多目標(biāo)優(yōu)化問題，利用基于分解的多目標(biāo)進(jìn)化算法同時(shí)優(yōu)化精準(zhǔn)度和多樣性使得推薦算法更加人性化；在初始化過程中采用基于協(xié)同濾波算法的評(píng)分預(yù)測(cè)，保證了推薦算法的準(zhǔn)確率；由于本發(fā)明采用了多目標(biāo)優(yōu)化算法，最后得到的結(jié)果將會(huì)是多個(gè)推薦集合，可以由使用者根據(jù)需要的準(zhǔn)確率和多樣性自行選擇推薦列表，在一次運(yùn)行以后為每個(gè)用戶推薦多個(gè)列表?！靖綀D說明】圖1為本發(fā)明的實(shí)現(xiàn)流程圖；圖2為本發(fā)明在movielens中對(duì)第10個(gè)用戶推薦列表的帕累托平面；圖3為本發(fā)明在jester中對(duì)第10個(gè)用戶推薦列表的帕累托平面?！揪唧w實(shí)施方式】下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步詳細(xì)描述：參見圖1-3，本發(fā)明基于分解多目標(biāo)進(jìn)化算法的協(xié)同濾波推薦方法，包括以下步驟：步驟1：輸入已有的用戶對(duì)物品的評(píng)價(jià)信息數(shù)據(jù)得到一個(gè)評(píng)分矩陣mu×i；其中u代表了用戶的個(gè)數(shù)，i代表了物品的個(gè)數(shù)；評(píng)分矩陣的每一個(gè)元素代表了用戶對(duì)物品的評(píng)價(jià)值；步驟2：初始化：補(bǔ)全輸入的稀疏評(píng)分矩陣，(2a)根據(jù)基于最小k近鄰的協(xié)同濾波算法求得物品之間的相似度；在這里使用皮爾遜相關(guān)度取得物品i與物品j的相似度：其中u所有對(duì)物品i與物品j都評(píng)分過的用戶所構(gòu)成的集合；ru,i和ru,j是用戶u對(duì)物品i和物品j的評(píng)價(jià)；和表示所有物品i和物品j收到的評(píng)價(jià)的平均值；此時(shí)得到了任意兩個(gè)物品之間的相似度sim(i,j)以供后續(xù)使用；(2b)根據(jù)皮爾遜相關(guān)度求解得到用戶物品之間的相關(guān)度sim(i,j)，然后用于補(bǔ)全評(píng)分矩陣；預(yù)測(cè)評(píng)分將是相似商品被用戶u評(píng)價(jià)得到評(píng)分的一個(gè)加權(quán)累計(jì)：其中bu,i＝μ+bu+bi作為基準(zhǔn)預(yù)測(cè)值；μ表示所有評(píng)分的均值，bu表示用戶u進(jìn)行投票的均值，bi作為物品i被評(píng)分的均值；(2c)為每一個(gè)用戶取得評(píng)分最高的k個(gè)之前沒有真實(shí)評(píng)分過的商品列表：(2c1)對(duì)每一個(gè)用戶，將根據(jù)協(xié)同濾波算法得到的對(duì)物品的評(píng)分進(jìn)行排序；(2c2)去除當(dāng)前用戶已經(jīng)進(jìn)行過投票的物品；(2c3)從每個(gè)已經(jīng)排序的列表中取得評(píng)分最高的k個(gè)物品；步驟3：構(gòu)建基于推薦準(zhǔn)確率和多樣性的目標(biāo)函數(shù)：(3a)構(gòu)建推薦系統(tǒng)的準(zhǔn)確率評(píng)價(jià)指標(biāo)：其中u為目標(biāo)用戶，i∈i屬于推薦給用戶u的推薦列表，k為推薦列表的長(zhǎng)度，為有協(xié)同濾波算法得到的用戶u對(duì)物品i的預(yù)測(cè)評(píng)分；acc為推薦系統(tǒng)給用戶推薦列表中預(yù)測(cè)用戶可能對(duì)這些物品感興趣程度的累計(jì)，當(dāng)acc值越大，則說明推薦的列表越受用戶喜歡；(3b)構(gòu)建推薦系統(tǒng)的多樣性評(píng)價(jià)指標(biāo)：其中μi為物品i被評(píng)分的均值而σi為方差；這是由t.jambor和j.wang在“optimizingmultipleobjectivesincollaborativefiltering,”inproceedingsofthefourthacmconferenceonrecommendersystems.acm,2010,pp.55–62中提出的一種衡量推薦列表是否流行的指標(biāo)；步驟4：對(duì)目標(biāo)函數(shù)進(jìn)行優(yōu)化，通過以下的切比雪夫數(shù)學(xué)分解公式將步驟3中的兩個(gè)評(píng)價(jià)指標(biāo)目標(biāo)函數(shù)分解成n個(gè)單目標(biāo)子函數(shù)：其中x為函數(shù)的解而fi(x)則是x對(duì)應(yīng)的第i個(gè)目標(biāo)函數(shù)的值，其中t為轉(zhuǎn)置，是fi(x)的最大值，λi為第i個(gè)目標(biāo)函數(shù)對(duì)應(yīng)的權(quán)值；步驟5：采用隨機(jī)初始化的方式初始化種群；(5a)采用實(shí)數(shù)編碼方式生成基因：(5a1)基因中的每一位對(duì)應(yīng)著一個(gè)可能被推薦給用戶的商品id，且基因中不允許出現(xiàn)重復(fù)的商品id；(5a2)為種群隨機(jī)生成多個(gè)基因；步驟6：選擇父代個(gè)體：從當(dāng)前子種群中選擇一個(gè)個(gè)體從當(dāng)前子種群的鄰域子種群中選擇一個(gè)父代個(gè)體；步驟7：交叉操作：(7a)對(duì)選擇的兩個(gè)父代個(gè)體進(jìn)行點(diǎn)交叉操作：(7a1)根據(jù)基因長(zhǎng)度，隨機(jī)選擇一個(gè)基因位p；(7a2)把兩個(gè)父代個(gè)體位于基因位p之后的基因位進(jìn)行交換；(7a3)當(dāng)交換之后得到的子代個(gè)體基因中出現(xiàn)重復(fù)的物品id時(shí)，則進(jìn)入(7a4)進(jìn)行去重，否則進(jìn)行步驟8；(7a4)當(dāng)基因中出現(xiàn)重復(fù)的時(shí)候，隨機(jī)從未在該基因中出現(xiàn)的物品id中選擇一個(gè)id替換重復(fù)的物品id；步驟8：變異操作：隨機(jī)選擇染色體中的某一位p，然后在其他不在染色體中的物品id中隨機(jī)選擇一個(gè)替代p位置值；通過交叉變異得到新的個(gè)體作為子代；步驟9：更新第i個(gè)單目標(biāo)子函數(shù)對(duì)應(yīng)的子種群：根據(jù)各單目標(biāo)子函數(shù)中權(quán)值參數(shù)之間歐式距離最小原則，給第i個(gè)單目標(biāo)子函數(shù)解個(gè)體構(gòu)造一個(gè)個(gè)體數(shù)目為m的子種群，利用新子代更新第i個(gè)子函數(shù)解個(gè)體對(duì)應(yīng)的子種群；步驟10：重復(fù)步驟6-步驟9，直到n個(gè)子函數(shù)都被執(zhí)行完畢，得到解種群{x1,...xk}；步驟11：判斷是否終止：如果種群進(jìn)化終止迭代代數(shù)滿足預(yù)先設(shè)定的代數(shù)gen，設(shè)置范圍為200-300，則執(zhí)行步驟12，否則，重復(fù)步驟6-步驟10；步驟12：斷分別為每一個(gè)用戶重復(fù)執(zhí)行步驟5到步驟11，得到每一個(gè)用戶的推薦列表集{xu，1，...xu，k}。本發(fā)明的效果可以通過以下仿真進(jìn)一步說明：1.仿真條件本實(shí)例在intel(r)core(tm)i53.20ghzcpuwindows7系統(tǒng)下，matlab2008a平臺(tái)上運(yùn)行，完成本發(fā)明的仿真實(shí)驗(yàn)。2.仿真實(shí)驗(yàn)內(nèi)容在試驗(yàn)中選取兩個(gè)benchmark數(shù)據(jù)集對(duì)本發(fā)明進(jìn)行測(cè)試，分別是movielens和jester。其中movielens100k數(shù)據(jù)由來自943個(gè)用戶對(duì)1682部電影的100000個(gè)評(píng)分組成，這些評(píng)分為1到5的打分。jester3數(shù)據(jù)則是包括24938個(gè)用戶每個(gè)人對(duì)100個(gè)笑話中的15到35個(gè)笑話打分，分?jǐn)?shù)范圍在-10.0到10.0之間。算法參數(shù)設(shè)置如下：種群大小為100，種群挈帶次數(shù)為200，交叉概率為0.8，變異概率為0.2，子種群大小設(shè)置為10。表1展示了在movielens和jester兩個(gè)數(shù)據(jù)集中前10個(gè)用戶的帕累托非支配解集中元素的個(gè)數(shù)。我們可以看到多目標(biāo)進(jìn)化算法將會(huì)給每一個(gè)用戶推薦很多列表。表1在movielens和jester兩個(gè)數(shù)據(jù)集中前10個(gè)用戶的帕累托非支配解集中元素的個(gè)數(shù)id12345678910movielens6243331443734625533jester31371926473824291838圖2和圖3分別展示了第10個(gè)用戶在兩個(gè)數(shù)據(jù)集中的得到的帕累托前沿面，本發(fā)明在movielens數(shù)據(jù)集上給出了33個(gè)不同的推薦列表，而在jester中給出了38個(gè)不同的推薦列表。表2給出了本發(fā)明的結(jié)果與單純使用協(xié)同濾波算法給出的結(jié)果在推薦準(zhǔn)確率上的比較，其中mean值是為每一個(gè)用戶推薦的所有列表的平均準(zhǔn)確率，max值以及min值為多個(gè)列表中最大和最小的準(zhǔn)確率?？梢钥闯霰景l(fā)明在大多數(shù)情況下得到的準(zhǔn)確率可以與協(xié)同濾波算法相差不大。這是由于準(zhǔn)確率只是其中一個(gè)方面，而我們需要兼顧準(zhǔn)確率與多樣性。表2與協(xié)同濾波算法在movielens與jester數(shù)據(jù)集上前十個(gè)用戶在推薦準(zhǔn)確率上的對(duì)比表3給出了本發(fā)明的結(jié)果與單純使用協(xié)同濾波算法給出的結(jié)果在推薦多樣性上的比較，其中mean值，max值以及min值的含義和上述一致?？梢钥闯鑫覀兊耐扑]算法在平均情況下能夠得到較好的多樣性。表3與協(xié)同濾波算法在movielens與jester數(shù)據(jù)集上前十個(gè)用戶在推薦多樣性上的對(duì)比通過以上比較可以看出，我們的的算法可以在不失準(zhǔn)確率的情況下給用戶推薦盡可能差異化的列表，而且運(yùn)行本發(fā)明之后會(huì)為每一個(gè)用戶推薦不止一個(gè)列表?？梢宰屖褂谜呖梢宰杂蛇x擇列表，且這些列表都是在準(zhǔn)確度與多樣性之間的一種權(quán)衡?？傊景l(fā)明將推薦的準(zhǔn)確率和推薦列表的多樣性作為目標(biāo)函數(shù)，采用基于分解的多目標(biāo)進(jìn)化算法進(jìn)行優(yōu)化這兩個(gè)目標(biāo)，能夠使得最后得到的推薦列表在準(zhǔn)確率和多樣性之間做一個(gè)權(quán)衡，又由于在初始化的時(shí)候使用協(xié)同濾波算法進(jìn)行評(píng)分估算，保證了推薦結(jié)果的可靠性，從而得到一個(gè)既能保證推薦準(zhǔn)確率又不會(huì)趨同的推薦結(jié)果，并能夠在一個(gè)運(yùn)行之后為用戶提供多個(gè)可選列表。以上內(nèi)容僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護(hù)范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動(dòng)，均落入本發(fā)明權(quán)利要求書的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12