基於遺傳最佳化的協同過濾推薦演算法matlab模擬

1.演算法執行效果圖預覽

最後得到推薦的商品ID號：

2.演算法執行軟體版本

matlab2022a

3.演算法理論概述

使用者興趣模型，即對使用者的興趣和愛好的準確描述。而在建立使用者興趣模型的時候，首先需要確定使用者興趣模型的表示形式。因此，使用者興趣模型的表示是使用者興趣模型的一個重要環節。所謂使用者興趣的表示，即個性化資訊推薦的一個重要環節，影響使用者興趣的因素有很多種，比如年齡，學歷，職業等。另外一方面，使用者興趣會隨著時間的變化而變化，這對使用者興趣的表示增加了難度。其中一個最為基礎的使用者興趣表示方法是透過關鍵詞來表示的。但是透過關鍵詞方式的使用者興趣表示方法具有一定的侷限性。這個侷限性，主要是因為關鍵詞無法完全表達出使用者興趣導致的。

使用者興趣模型的構建，其本質就是和使用者興趣相關的資訊的獲取，然後構建一個可以讀取識別這些資訊的數學模型的過程。使用者興趣模型的構建過程如下圖所示。

使用者興趣模型是個性化推薦技術的基礎，透過建立一個優良的使用者興趣模型，可以實現更高效能的推薦系統。從而大大減少了使用者尋找自己感興趣資訊的時間和精力。

協同過濾推薦（Collaborative Filtering Recommendation）技術，在推薦系統中是最為成功的技術之一。協同過濾，被稱為社會過濾或者協作過濾。最早是由Goldberg等學者提出來的，之後發展快速且廣泛。協同過濾方法，首先利用使用者歷史評價的記錄，然後構建出使用者評分矩陣，並且計算專案或使用者之間相似度，最後是採用領域的方法向使用者推薦。協同過濾，根據使用者的歷史喜好資訊，計算使用者之間的距離，然後對商品的評價進行加權評價值，利用目標使用者的最近的鄰居使用者，預測目標使用者對商品的喜好程度，系統根據對商品的喜好程度從而對目標使用者進行個性化推薦。

支援度表示某一關聯規則在資料中出現的普遍程度，即稱為該關聯規則在資料中的支援度，其中支援度的計算公式為：

此外，置信度說明某一關聯規則成立的必然程度，即稱為該關聯規則在資料庫的可信度，其中支援度的計算公式為：

透過判斷支援度和置信度是否超過閾值，來判斷是否產生一個強規則，那麼預先設定這個支援度閾值和置信度閾值是十分重要的，對最後的推薦準確度有著重要影響。這裡，透過遺傳演算法來最佳化支援度閾值和置信度閾值。

這裡，設定最佳化目標函式為：

其中函式f表示的是當設定不同的支援度閾值和置信度閾值下，整個推薦演算法獲得的推薦正確率，然後透過GA演算法流程圖進行閾值的最佳化。

4.部分核心程式

while gen < MAXGEN;   
      gen
      P1 = 0.9;
      P2 = 1-P1;
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,P1);   
      Selch=mut( Selch,P2);   
      phen1=bs2rv(Selch,FieldD);   
      for a=1:1:NIND  
          if  gen == 1
              LR(a)    = Supp0;               
          else
              LR(a)    = phen1(a,1);      
          end
          %計算對應的目標值
          errs    = func_obj(data(Index(1:10000),:),Max_N,LR(a));
          E       = 1/errs;
          JJ(a,1) = E;
      end 
      Objvsel=(JJ+eps);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
      %儲存引數收斂過程和誤差收斂過程以及函式值擬合結論
      LR2(gen) = mean(LR);
 
end 
 
%畫圖
figure;
plot(LR2(3:end),'b-o','linewidth',2);
xlabel('Iteration Number');
ylabel('Support value');
grid on;
save GA.mat LR2
end
 
load GA.mat
figure;
plot(LR2(3:end),'b-o','linewidth',2);
xlabel('Iteration Number');
ylabel('Support value');
grid on;
%**************************************************************************
Supp        = LR2(end); %支援度閾值
%根據關聯規則進行推薦演算法
%初始商品推薦列表
[P,Support] = func_ProductList(data,Supp);
 
if length(P) > Max_N
   Len            = length(P);  
   [tmps,I]       = sort(Support);
   Index          = I(Len-Max_N+1:Len);
   Recommend_list = P(Index);
   Support_list   = Support(Index);
else
   Recommend_list = P;
   Support_list   = Support;
end
%獲得最後的推介商品
R1 = [Prod_ID(Recommend_list),Support_list];
 
save r1.mat R1 P Support Prod_ID
 
disp('推薦商品的ID號：');
Prod_ID(Recommend_list)

基於遺傳最佳化的協同過濾推薦演算法matlab模擬

相關文章