申请/专利权人：合肥工业大学

申请日：2023-12-28

公开（公告）日：2024-03-29

公开（公告）号：CN117786219A

主分类号：G06F16/9535

分类号：G06F16/9535;G06N3/126;G06N3/092

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明公开了一种改进遗传算法的多目标电影推荐方法，包括：1，构建电影准确率基因库、电影多样性基因库和电影公平性基因库，根据构建的基因库，初始化原始父种群；2，在多父类交叉环节，设置三个不同的交叉算子，结合强化学习的q‑learning方法自适应的选择交叉算子，奖励值中的超参ω1和ω2用于控制优化的方向；3，在基因突变环节，设置多个不同程度的突变算子，结合强化学习的q‑learning方法自适应的选择突变算子；4，对种群进行非支配排序，同时计算种群中各个个体的拥挤度，按照上述过程进行循环迭代处理，在达到迭代停止条件后，输出最终电影推荐结果。本发明能够提高电影推荐结果的准确性、多样性和公平性。

主权项：1.一种改进遗传算法的多目标电影推荐方法，其特征在于，包括以下步骤：步骤1在电影网站上获取M个用户浏览过的电影列表U＝{u1,u2,...,ui,...,uM}，ui表示第i个用户浏览过的电影列表，且ui＝{ui1,ui2,...,uis,...,uiS}，其中，uis表示第i用户浏览过的第s个电影；S表示用户浏览过的电影总数；在电影网站上获取J个电影构成的电影列表D＝{d1,d2,...,dj,...,dJ}，dj表示第j个电影；步骤2，根据ui，使用lightGCN方法计算第i个用户的准确率基因库bi，从而得到M个用户的准确率基因库{b1,b2,...,bi,...,bM}；步骤3，对D＝{d1,d2,...,dj,...,dJ}中各个电影所包含的类型进行统计，得到类型列表F＝{f1,f2,...,fj,...,fJ}，其中，fj表示第j个电影dj所包含的类型数量，并根据F，选取类型数量最多的C个电影构建多样性基因库FC；对D＝{d1,d2,...,dj,...,dJ}中各个电影被浏览的次数进行统计，得到电影曝光列表V＝{v1,v2,...,vj,...,vJ}，其中，vj表示第j个电影dj的浏览次数；根据V，选取浏览次数最少的C个电影构建电影曝光公平基因库VC；按照浏览次数的升序对D进行排序，并选取排名前Δ个电影构建低暴露电影列表Vlow，剩下的电影构成高暴露电影列表Vhigh；步骤4，定义当前迭代次数为t，并初始化t＝1；定义最大进化次数为tmax；定义第i个用户的N个电影推荐方案构成第i个用户的第t代父种群，记为Pit＝{pi,1t,pi,2t,...,pi,nt,...,pi,Nt}，其中，pi,nt表示第t代父种群Pit中第n个染色体，表征第i个用户的第n个电影推荐方案，N表示种群规模；且pi,nt＝{pi,n,1t,pi,n,2t,...,pi,n,et,...,pi,n,Et}，pi,n,et表示第n个染色体pi,nt中的第e个基因，表征第i个用户的第n个电影推荐方案中第e个推荐的电影，E表示染色体的基因长度；初始化Pit中的N3个种群的各个染色体来自于准确率基因库bi，另外N3个种群的各个染色体来自于多样性基因库FC，剩余N3个种群来自于电影曝光公平基因库WC，从而完成Pit的初始化；步骤5，多父类交叉操作：步骤5.1构建准确度、多样性和公平性的三个目标函数：步骤5.1.1利用式1构建第i个用户在第t轮进化时的准确度目标函数 式1中，是pi,nt中准确推荐电影的个数，wfpit是pi,nt中未准确推荐电影的个数；步骤5.1.2利用式2构建第i个用户在第t轮进化时的多样性目标函数 式2中，表示pi,nt中第e’个推荐的电影，S表示差异性指标，并由式3得到，R是pi,nt中两两电影相互计算差异性指标的次数，Ldiv是pi,nt中包含的所有电影类别总数与D中所有电影类别总数的比值； 式3中，和分别为电影和所包含的类型；||表示取集合的数量；步骤5.1.3利用式4构建第i个用户在第t轮进化时的电影公平性目标函数 式4中，是pi,nt中属于低暴露电影列表Vlow的电影个数，Vhighit是pi,nt中属于高暴露电影列表Vhigh的电影个数；步骤5.2，计算Pit中各个电影推荐方案的准确度目标函数值、多样性目标函数值和公平性目标函数值，得到Pit中准确度目标函数值最大的电影推荐方案pi,acct，多样性目标函数值最大的电影推荐方案pi,divt和电影曝光公平目标函数值最大的电影推荐方案pi,fairt；步骤5.3，采取强化学习的q-learning算法自适应法得到第t代第n次交叉父种群pit,n：步骤5.4，统计第t代第n次交叉父种群pit,n的g个染色体中各个电影出现的次数，从而按照电影出现的次数，对g个染色体中所有的电影进行降序排序，得到第i个用户在第t轮进化时第n次排序后的电影列表Qit,n＝{Qi,1t,n,Qi,2t,n,...,Qi,ht,n,...,Qi,Ht,n}，其中，Qi,ht,n表示第i个用户在第t轮进化时第n次排序后的第h个推荐的电影，H为电影的数量；H≤g×E；步骤5.5，计算基因遗传概率：如果Qi,ht,n出现次数为k，则保留电影Qi,ht,n的概率pit,n,h＝k-1g；随机生成一个0到1之间的数字r，如果rpit,n,h，则获取电影Qi,ht,n在g个电影推荐方案中首次出现的位置，记为pos∈[1,E]；判断子电影列表中第pos个位置是否存储有电影，若存有，则将Qi,ht,n存储到备选电影库中，否则，将Qi,ht,n存储到子电影列表中第pos个位置上；若r≥pit,n,h，则直接将Qi,ht,n存储到备选电影库中；步骤5.6，按照步骤5.5的过程对Qit,n中的所有电影进行判断和存储，直到子电影列表中的基因数量达到E为止，若基因数量未达到E，则从备选电影库中随机选取基因进行填充，直至数量达到E为止；从而得到一个子电影列表并作为第i个用户的第t代子种群中的第n个染色体；步骤5.7按照步骤5.2-步骤5.6的过程进行N-1次，从而得到第i个用户的第t代子种群Pit,o＝{pi,1t,o,pi,2t,o,...,pi,nt,o,...,pi,Nt,o}，其中，pi,nt,o表示用第i个用户的第t代子种群中的第n个子染色体；且pi,nt,o＝{pi,n,1t0,pi,n,2t0,...,pi,n,et0,...,pi,n,Et0}，pi,n,et0表示用户i通过交叉得到的第n个子染色体中的第e个电影基因；步骤6，设置三种不同突变程度的突变算子，并采取强化学习的q-learning算法自适应法选取一种突变算子对Pit,o中的各个子染色体进行突变操作，得到第i个用户突变后的第t代子种群P’it,o；步骤7，精英策略操作：步骤7.1，将Pit与P’it,o合并，形成第t代合并种群Pit,o,y，根据Pit,o,y中每个染色体的两个目标函数值，对Pit,o,y进行快速非支配排序，并选取分层排名靠前的若干个染色体组成种群P’it,o,y，且Pit,o,y+1中的染色体数量不小于N；步骤7.2，如果P’it,o,y中的染色体数量为N，则直接将作为第i个用户的第t代父种群Pit+1；如果Pit,o,y+1中的染色体数大于N，则计算P’it,o,y中各个染色体的拥挤度距离，并选取拥挤度距离最大的前N个染色体作为第i个用户的第t代父种群Pit+1；步骤8，将t+1赋值给t后，若ttmax，则将第tmax代父种群Pitmax中各个染色体对应的电影列表，推荐给第i个用户用户ui。

全文数据：

权利要求：

百度查询： 合肥工业大学 一种改进遗传算法的多目标电影推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD