[发明专利]基于正交与聚类修剪改进多目标遗传算法的电影推荐方法

说明书

基于正交与聚类修剪改进多目标遗传算法的电影推荐方法，针对NSGA‑II中存在的分布性和收敛性两方面的不足而提出了这种改进算法OTNSGA‑II，可以用于求解各种多目标函数优化问题。该算法设计断层多目标正交实验初始化种群，避免了个体不均匀而导致分布性缺失；并运用自适应聚类修剪策略维护种群进化过程，去除适当数目的劣质个体，保持了种群的收敛性和分布性。结合用户行为与电影属性的信息挖掘，将该算法应用于电影个性化推荐这一实际问题，通过和现有的算法进行测试对比说明了算法的通用性和有效性，得到了更为优良的推荐结果，提高了推荐的准确率、召回率和覆盖率，并提供了更为丰富的推荐方案组合，有利于充分挖掘用户的兴趣点提供更为可靠的推荐服务。

技术领域

本发明属于个性化推荐技术领域。运用针对NSGA-II算法的不足进行改进的多目标遗传算法OTNSGA-II算法(具体涉及NSGA-II算法、断层多目标正交实验和自适应聚类修剪策略)来实现对电影的个性化推荐。

背景技术

随着Internet技术的应用普及和现代电子商务的迅猛发展，充斥在互联网中的资源数量呈指数增长的态势。大量的信息同时呈现往往使得用户感觉无所适从，很难从中寻找到自己真正感兴趣的资源，从而出现了所谓的“信息爆炸”和“信息过载”现象。搜索引擎和信息检索技术就是为缓解信息过载问题而出现的。在信息化的今天，用户经常使用搜索引擎来寻找自己所需要的资源。然而传统的搜索引擎技术没有考虑用户的个性差异，将所有用户等同处理，返回给用户的资源都是一样的，同时由于反馈的信息量也非常大，使得用户很难选择到自己正在喜欢的资源。因此，如何根据每个用户的偏好特性,从互联网大量信息中寻找满足用户需求的信息，进而推荐给用户，已经成为当前一个亟待解决的研究问题。

个性化推荐系统(personlized recommender systems)就是在这种背景下应运而生的。它通过收集系统中用户的行为特征来获取用户的偏好特性，进而根据这些偏好特性从网络上的大量信息中挖掘用户潜在感兴趣的或者需要的资源，并作出相应的推荐。推荐问题实质上就是通过分析用户已选择的资源来预测用户对未选择资源(如音乐、电影、书籍、网页、饭店、旅游景点等等)的喜好程度，并将预测的结果以某种有效的形式展现给用户，比如将预测值较高的资源推荐给用户。

目前很多领域中推荐系统已得到广泛应用，日常生活中所常见的网站如：团购网、京东商城、淘宝网、唯品会、亚马逊、当当网等都是典型的推荐系统。而时下流行的去哪儿网、携程网等特色理念的网站，能否有效的寻找和拉拢客户，能否让客户依赖上该推荐系统，保持长期供给关系，能否从而提高销售业绩，也即能否选择到成熟有效的推荐系统关系到电子商务企业的生死存亡。此外，推荐系统领域一直被学术界当作热度研究课题之一，并已逐步独立成一门专业学科。

随着学术界、工程界以及商业界对推荐系统深入的研究，其他领域也广泛应用到推荐系统及其技术。现如今，推荐系统相关算法或将应用于包括图书馆的数据和网络信息检索以及数字电视收看之类的信息服务，甚至一些比较简单的推荐系统大都应用在诸如“豆瓣网”、“百度贴吧”的网络论坛中。可见经过多年的发展，推荐系统应用领域也将越来越宽泛，相关人员和学者对该领域的研究兴趣越来越大。

推荐系统性能完全取决于所选择的推荐算法。推荐的质量的好坏有很多的评价标准，比如推荐的精度，推荐的个性化程度，推荐的准确率、召回率等等。通常在某个或者某几个标准达到最优的时候，推荐质量比较好。科学研究和工程实践中许多优化问题都可归结为多目标优化问题(MOP)，个性化推荐也是综合考虑多个方面的多目标优化问题。