[发明专利]一种基于大规模进化算法的商品推荐方法

说明书

本发明公开了一种基于大规模进化算法的商品推荐方法，包括：1、构建商品推荐的多目标优化模型；2、初始化N个商品推荐模式作为初始种群，并给定初始参数值；3、在遗传算法中添加受限玻尔兹曼机RBM来学习Pareto最优子空间，将在Pareto最优子空间中产生的子代与采用NSGA‑II算法产生的子代合并形成子代种群；4、将子代种群与父种群合并后进行环境选择，生成新的个体种群，并自适应调整参数，直至达到终止条件时停止迭代；5、将最终种群中处于Pareto最优的个体作为商品推荐方案进行推荐。本发明能降低大规模商品推荐问题的搜索空间，从而减少寻找最优商品推荐方案所耗费的时间，并使商品推荐方案呈现多样性。

技术领域

本发明属于商品推荐领域，具体的说是一种基于大规模进化算法的商品推荐方法。

背景技术

近些年随着电子商务和数据库技术的快速发展,一方面提升了商务网站收集和存储海量商务数据的能力；另一方面对于如何从这些海量的数据中提取出极具价值的信息成为了人们亟待解决的问题；人们越来越多的关注到,对用户与商品的交互行为数据的分析能够为商品推荐提供非常有价值的信息,从而能极大地改善商品推荐方案的质量。当前，现有的模式挖掘算法能够在一般规模的数据库中挖掘出优质的商品推荐方案，但是在挖掘大规模数据库的商品推荐方案时，现有的推荐技术在解决此类大规模问题时往往需要大量的计算资源，并且随着数据库规模的增长而急速增长。显然，在计算资源有限的情况下，算法的运行速度通常会异常缓慢，并且推荐效果差，导致推荐的商品往往难以吸引用户。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于大规模进化算法的商品推荐方法，以期能降低大规模商品推荐问题的搜索空间，从而减少寻找最优商品推荐方案所耗费的时间，并使商品推荐方案呈现多样性。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于大规模进化算法的商品推荐方法的特点是按如下步骤进行：

步骤一、构建商品推荐的多目标优化模型；

步骤1.1、获取用户与商品的交互行为的数据库Y＝{Y₁,Y₂,…,Y_i,…,Y_n}，其中，Y_i表示第i个用户的商品交互行为，n为数据库中用户的总数；遍历用户与商品的交互行为的数据库Y，得到所述数据库Y中存在的所有商品项的数目D；

步骤1.2、根据所述商品项的数目D，采用二进制方式对数据库Y进行编码，得到大规模商品项模式集T＝{t₁,t₂,…,t_i,…,t_n}，且T是一个n×D矩阵；其中，第i个商品项模式t_i通过数据库Y中第i个用户与所有商品项的交互行为来表示；即t_i＝{t_i,1,t_i,2,…,t_i,d,…,t_i,D}，若第i个用户存在与第d个商品的交互行为，则令t_i,d＝1，表示第i个商品项模式中存在第d个商品项，否则，令t_i,d＝0，表示第i个商品项模式中不存在第d个商品项；d∈[1,D]；

令商品推荐方案X是由{0，1}组成的向量，且X＝{x₁,x₂,…,x_k,…,x_D}；其中，若x_k＝1表示所述商品推荐方案X中第k个商品项被推荐；反之，x_k＝0则表示所述商品推荐方案X中第k个商品项未被推荐；k∈[1,D]；

步骤1.3、利用式(1)建立商品推荐方案X的多目标优化模型F(X)：

Maximize F(X)＝(f(X),O(X)) (1)