[发明专利]基于改进NSGA-II的个性化电影推荐方法

说明书

本发明公开了基于改进NSGA‑II的个性化电影推荐方法，针对传统推荐算法只追求准确性而忽略多样性的不足，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FFNSGA‑II，该算法设计综合相对熵过滤初始化种群，避免了种群分布不均匀；运用自适应非劣解填充维护种群进化过程，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，将该算法应用于个性化电影推荐这一实际问题，通过和现有的推荐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，提高了推荐的准确性、多样性。

技术领域

本发明属于进化算法和个性化推荐技术领域。运用改进的多目标遗传算法FFNSGA-II(具体涉及综合相对熵过滤初始化种群，自适应非劣解填充)做个性化电影推荐，以期多目标遗传算法对个性化电影推荐的性能提升。

背景技术

随着大数据时代的到来，数据呈爆炸式增长，使得互联网用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载问题。

推荐系统是解决信息超载问题非常有应用前景的方法。推荐系统根据用户信息和项目属性数据，分析出用户的兴趣爱好，在项目集中选择合适的可能被用户关心的项目子集，预测被购买的可能，然后根据用户兴趣点进行个性化推荐。

常用的推荐算法有协同过滤推荐算法、基于内容的推荐算法、基于网络结构的推荐算法。协同过滤推荐算法可以分为两类：基于记忆的和基于模型的算法。基于记忆的算法根据系统中所有被打过分的产品信息进行预测。基于模型的算法收集打分数据进行学习并推断用户行为模型，进而对某个产品进行预测打分。基于模型的协同过滤算法和基于记忆的算法的不同在于，基于模型的方法不是基于一些启发规则进行预测计算，而是基于对已有数据应用统计和机器学习得到的模型进行预测。基于内容的推荐是协同过滤技术的延续与发展，它不需要依据用户对项目的评价意见，而是依据用户已经选择的产品内容信息计算用户之间的相似性，进而进行相应的推荐。基于网格结构的推荐算法不考虑用户和产品的内容特征，而是把他们看成抽象的节点，所有算法利用的信息都藏在用户和产品的选择关系之中。