[发明专利]基于前景理论与多目标进化的电影推荐方法

说明书

本发明公开了基于前景理论与多目标进化的电影推荐方法，考虑到在做决策时，不同的用户根据其心理、经历有不同的选择，而之前做的多目标进化的推荐，并没有考虑用户的这种心理行为，由此提出了一种改进的多目标进化推荐算法。首先提出了一种基于前景理论的精度度量，然后在进化过程中提出了基于有限理性的种群选择和个体多相似用户的变异过程。实验结果表明，相较于传统推荐算法，EPMOEA可以在精度和多样性之间取得很好的平衡。

技术领域

本发明属于多目标优化算法和推荐算法技术领域。运用改进的多目标优化算法(具体涉及前景选择和多相似用户变异)和改进的基于用户的协同过滤算法做电影推荐，希望来提高电影推荐的性能。

背景技术

随着互联网的发展，人们每天可以收集到的信息越来越多，而要从大量的数据中快速找到自己感兴趣的信息，推荐系统就显得尤为重要。推荐系统主要是根据用户以前的信息，利用推荐算法预测用户可能感兴趣的信息，从而产生推荐。它避免了用户花费大量时间查询信息的代价，提高了信息查询的效率。

传统的推荐算法大多侧重于追求推荐准确性，即通过预测用户对项目的评分，选择分值最大的前N个项目推荐给用户。然而，这些算法却忽视了非准确性评价指标。为了解决这个问题我们引入了多目标优化算法，多目标推荐算法可以很好的平衡准确性和多样性等指标，符合现代推荐系统的要求。一些多目标推荐算法相继被提出来。BingruiGeng等人利用改进的免疫算法来平衡多样性与新颖性。ZuoY采用NSGA-II对建模后的多目标优化问题进行个性化推荐。WangS提出了一个多目标推荐框架来推荐长尾项目和一种基于分解的多目标进化推荐算法，使预测得分和项目受欢迎程度同时最大化。耿冰蕊提出了一种多目标免疫优化的推荐算法框架，并通过改进算法来提高推荐性能。CuiL提出了一种新的主题多样性指标及概率多目标进化算法，其推荐结果可以在精度和多样性之间达到很好的平衡。但是这些算法在推荐过程中并没有考虑到人的行为特征，因此针对这种问题，本发明提出基于前景理论与多目标进化的电影推荐算法，该算法利用改进的协同过滤算法来计算准确性目标，并在进化过程中利用前景理论对种群进行选择，通过与其他推荐算法的比较验证了算法的效果。

发明内容

本发明的目的是提出一种基于前景理论与多目标进化的电影推荐算法。针对传统推荐算法在推荐过程中忽视了人的行为特征，提出了一种基于前景理论的多目标进化电影推荐算法，利用前景理论对项目进行评分预测，并在进化过程中考虑了个体的行为特征，加入了前景选择操作和改进变异操作，提高了推荐的性能。

本发明采用的技术方案为基于前景理论和多目标进化的电影推荐算法。首先利用前景理论对基于用户的协同过滤算法进行了改进，并利用改进算法对需要评分的电影进行预测，来作为多目标进化的其中一个目标。在进化过程中，采用一种新的基于前景理论的选择机制，它使种群个体通过满意度来选择父代进行遗传操作，并对要变异得个体基因，找到与个体的目标用户相似的多个用户，选择出现频率最大的且目标用户没有看过的项目进行变异。此过程有效的提高了推荐的性能。

该方法包括以下步骤：

S1个体多目标的设定

S1.1精度函数。用来评测用户对推荐列表中推荐项目的兴趣度。其值越高，表示推荐的越准确。其计算公式如下：

其中，S为推荐系统中的用户集合，L是用户的推荐列表集合。p_ui表示用户u对项目i的满意度。

满意度的计算包含三项，其一是用户u对项目i的理性预测分Pr_ui，它是通过基于用户的协同过滤算法进行计算的。其二是有限理性因素，它通过前景理论来得出。

前景理论的价值函数表示为：