本發(fā)明屬于計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種推薦方法及裝置。

背景技術(shù)：

在信息過(guò)載的時(shí)代，用戶很難從海量的信息中選擇出他們感興趣的內(nèi)容來(lái)，促使很多學(xué)者投入到推薦技術(shù)的研究中來(lái)。推薦技術(shù)是一種基于統(tǒng)計(jì)學(xué)和知識(shí)發(fā)現(xiàn)來(lái)向用戶推薦他們感興趣內(nèi)容的技術(shù)，旨在幫助用戶找到自己感興趣的信息，減少用戶定位搜索信息所使用的時(shí)間。例如，電子商務(wù)網(wǎng)站根據(jù)用戶的購(gòu)買記錄向用戶推薦商品，社交網(wǎng)站分析我們的通訊目錄來(lái)幫助我們認(rèn)識(shí)新的朋友，電子教育機(jī)構(gòu)幫助學(xué)習(xí)者選擇他們感興趣的課程、課題或?qū)W習(xí)材料等。

目前，現(xiàn)有的推薦技術(shù)都是盡可能地提高推薦的準(zhǔn)確度，但是不能保證較好的多樣性和新穎性，這已經(jīng)無(wú)法滿足用戶的當(dāng)前需求。例如，如果向用戶推薦多樣性較好的物品給用戶，就會(huì)導(dǎo)致推薦準(zhǔn)確度的下降，也就是說(shuō)，多樣性的提升會(huì)導(dǎo)致推薦準(zhǔn)確度的下降，同理，如果推薦較新穎的物品，則新穎性自然就會(huì)提升，但是會(huì)導(dǎo)致推薦準(zhǔn)確度和多樣性的下降。因此，很有必要研究同時(shí)考慮推薦準(zhǔn)確度、多樣性和新穎性的個(gè)性化推薦技術(shù)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種推薦方法及裝置，旨在解決現(xiàn)有技術(shù)難以進(jìn)行即準(zhǔn)確又新穎又全面地個(gè)性化推薦，導(dǎo)致推薦的采納率不高的問(wèn)題。

一方面，本發(fā)明提供了一種推薦方法，所述方法包括下述步驟：

接收歷史推薦偏好數(shù)據(jù)，根據(jù)所述歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，所述推薦目標(biāo)包括準(zhǔn)確度、覆蓋面和多樣性；

根據(jù)所述歷史推薦偏好數(shù)據(jù)和所述推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將所述當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代；

計(jì)算所述當(dāng)前種群的目標(biāo)函數(shù)值；

根據(jù)所述目標(biāo)函數(shù)值從所述當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)所述父代種群執(zhí)行進(jìn)化操作，生成子代種群；

當(dāng)所述當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并所述父代種群和所述子代種群，生成下一代進(jìn)化種群，將所述下一代進(jìn)化種群設(shè)置為所述當(dāng)前種群，對(duì)所述當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，跳轉(zhuǎn)至計(jì)算所述當(dāng)前種群的目標(biāo)函數(shù)值的操作；

當(dāng)所述當(dāng)前進(jìn)化代數(shù)達(dá)到所述進(jìn)化代數(shù)閾值時(shí)，將所述父代種群設(shè)置為推薦結(jié)果。

另一方面，本發(fā)明提供了一種推薦裝置，所述裝置包括：

極值點(diǎn)獲取單元，用于接收歷史推薦偏好數(shù)據(jù)，根據(jù)所述歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，所述推薦目標(biāo)包括準(zhǔn)確度、覆蓋面和多樣性；

種群生成單元，用于根據(jù)所述歷史推薦偏好數(shù)據(jù)和所述推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將所述當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代；

目標(biāo)計(jì)算單元，用于計(jì)算所述當(dāng)前種群的目標(biāo)函數(shù)值；

種群進(jìn)化單元，用于根據(jù)所述目標(biāo)函數(shù)值從所述當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)所述父代種群執(zhí)行進(jìn)化操作，生成子代種群；

循環(huán)進(jìn)化單元，用于當(dāng)所述當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并所述父代種群和所述子代種群，生成下一代進(jìn)化種群，將所述下一代進(jìn)化種群設(shè)置為所述當(dāng)前種群，對(duì)所述當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，再次計(jì)算所述當(dāng)前種群的目標(biāo)函數(shù)值，對(duì)所述當(dāng)前種群進(jìn)行進(jìn)化，直至所述當(dāng)前進(jìn)化代數(shù)達(dá)到所述進(jìn)化代數(shù)閾值；以及

結(jié)果推薦單元，用于當(dāng)所述當(dāng)前進(jìn)化代數(shù)達(dá)到所述進(jìn)化代數(shù)閾值時(shí)，將所述父代種群設(shè)置為推薦結(jié)果。

本發(fā)明接收歷史推薦偏好數(shù)據(jù)，根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，推薦目標(biāo)包括準(zhǔn)確度、覆蓋面和多樣性，根據(jù)歷史推薦偏好數(shù)據(jù)和推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代，計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)父代種群執(zhí)行進(jìn)化操作，生成子代種群，當(dāng)當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并父代種群和子代種群，生成下一代進(jìn)化種群，將下一代進(jìn)化種群設(shè)置為當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，再次計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，如此循環(huán)直至當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值，當(dāng)當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值時(shí)，將父代種群設(shè)置為推薦結(jié)果，從而實(shí)現(xiàn)即準(zhǔn)確又新穎又全面地個(gè)性化推薦，提高了推薦的采納率。

附圖說(shuō)明

圖1是本發(fā)明實(shí)施例一提供的推薦方法的實(shí)現(xiàn)流程圖；

圖2是本發(fā)明實(shí)施例二提供的推薦裝置的結(jié)構(gòu)示意圖；以及

圖3是本發(fā)明實(shí)施例三提供的推薦裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下結(jié)合具體實(shí)施例對(duì)本發(fā)明的具體實(shí)現(xiàn)進(jìn)行詳細(xì)描述：

實(shí)施例一：

圖1示出了本發(fā)明實(shí)施例一提供的推薦方法的實(shí)現(xiàn)流程，為了便于說(shuō)明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，詳述如下：

在步驟s101中，接收歷史推薦偏好數(shù)據(jù)，根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，其中，推薦目標(biāo)包括準(zhǔn)確度、覆蓋面和多樣性。

在本發(fā)明實(shí)施例中，推薦目標(biāo)指的是獲取向用戶推薦的商品時(shí)需要達(dá)到的要求，這些要求包括準(zhǔn)確度、覆蓋面和多樣性，即給用戶推薦的商品需要滿足準(zhǔn)確度、覆蓋面和多樣性的要求。預(yù)先提供所有用戶對(duì)物品(例如，商品)的歷史偏好數(shù)據(jù)，即歷史推薦偏好數(shù)據(jù)，在接收到歷史推薦偏好數(shù)據(jù)之后，根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)。優(yōu)選地，將所有用戶對(duì)商品的歷史偏好數(shù)據(jù)中的偏好程度轉(zhuǎn)化為數(shù)字評(píng)分，從而降低接收的歷史推薦偏好數(shù)據(jù)的數(shù)據(jù)量，便于后續(xù)的計(jì)算或處理。具體地，評(píng)分可以采用1到5分之間的整數(shù)評(píng)分制度，若用戶對(duì)某個(gè)商品沒(méi)有偏好數(shù)據(jù)，則評(píng)分為0，若用戶對(duì)某個(gè)商品的偏好達(dá)到最大程度，則評(píng)分為5，其他偏好程度的評(píng)分可以依次類推。

優(yōu)選地，接收到歷史推薦偏好數(shù)據(jù)后，對(duì)推薦參數(shù)進(jìn)行初始化操作，對(duì)歷史推薦偏好數(shù)據(jù)進(jìn)行預(yù)處理，得到一個(gè)二進(jìn)制矩陣r，r中的元素表示用戶對(duì)推薦項(xiàng)的偏好情況，根據(jù)用戶對(duì)推薦項(xiàng)的偏好情況對(duì)歷史推薦偏好數(shù)據(jù)中的所有用戶進(jìn)行聚類分簇，以用于按照用戶簇對(duì)用戶進(jìn)行推薦，然后依次獲取只具有最優(yōu)準(zhǔn)確度、覆蓋面或多樣性時(shí)的推薦集，將這三個(gè)推薦集分別設(shè)置為準(zhǔn)確度的極值點(diǎn)、覆蓋面的極值點(diǎn)和多樣性的極值點(diǎn)，以得到只考慮單個(gè)推薦目標(biāo)時(shí)的最好推薦集。

在步驟s102中，根據(jù)歷史推薦偏好數(shù)據(jù)和推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代。

在本發(fā)明實(shí)施例中，將推薦目標(biāo)的極值點(diǎn)(即只考慮單個(gè)推薦目標(biāo)時(shí)的最好推薦集)引入到多目標(biāo)進(jìn)化的第一代進(jìn)化種群，從而有效地引導(dǎo)進(jìn)化方向往需要的方向進(jìn)化，以在一定程度上同時(shí)提高推薦的準(zhǔn)確度、多樣性和新穎性，提高推薦的速率。

在步驟s103中，計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值。

在本發(fā)明實(shí)施例中，得到當(dāng)前種群之后，計(jì)算當(dāng)前種群的準(zhǔn)確度、覆蓋面和多樣性這三個(gè)目標(biāo)函數(shù)值。

優(yōu)選地，在計(jì)算當(dāng)前種群的準(zhǔn)確度目標(biāo)函數(shù)值時(shí)，根據(jù)公式計(jì)算用戶簇c中的所有用戶的預(yù)測(cè)評(píng)分值之和，準(zhǔn)確度與計(jì)算得到的預(yù)測(cè)評(píng)分值之和成正比，預(yù)測(cè)評(píng)分值之和越大則當(dāng)前種群的準(zhǔn)確度目標(biāo)函數(shù)值越大，其中，c代表用戶簇，|c|表示用戶簇c中的用戶數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，su表示推薦給用戶u的推薦項(xiàng)的集合，表示用戶u對(duì)推薦項(xiàng)i的預(yù)測(cè)評(píng)分值，的計(jì)算公式為suv表示用戶u和用戶v之間的相似度，rvi為歷史推薦偏好數(shù)據(jù)中用戶v對(duì)推薦項(xiàng)i的評(píng)分，s(u，k)表示與用戶u最相似的k個(gè)用戶。

優(yōu)選地，根據(jù)公式計(jì)算當(dāng)前種群的覆蓋面的目標(biāo)函數(shù)值，其中，cov表示推薦結(jié)果的覆蓋面，n表示歷史推薦偏好數(shù)據(jù)中推薦項(xiàng)的總數(shù)量，nu表示從同一用戶簇中的所有用戶的推薦項(xiàng)的集合中去除重復(fù)的推薦項(xiàng)之后剩余推薦項(xiàng)的數(shù)量。

優(yōu)選地，根據(jù)公式計(jì)算當(dāng)前種群的多樣性的目標(biāo)函數(shù)值，其中，su表示向用戶u推薦的推薦列表，m為歷史推薦偏好數(shù)據(jù)中的用戶總數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，ni為推薦項(xiàng)i的自信息，反映用戶選擇推薦項(xiàng)i的概率大小，自信息的計(jì)算公式為di反映推薦項(xiàng)i的流行程度，di/m為用戶選擇推薦項(xiàng)i的概率。

在步驟s104中，根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)父代種群執(zhí)行進(jìn)化操作，生成子代種群。

在本發(fā)明實(shí)施例中，計(jì)算得到當(dāng)前種群的準(zhǔn)確度、覆蓋面和多樣性這三個(gè)目標(biāo)函數(shù)值之后，首先根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀個(gè)體，將這些優(yōu)秀個(gè)體組成父代種群，然后對(duì)父代種群進(jìn)行進(jìn)化，進(jìn)化得到的種群為子代種群。

優(yōu)選地，在根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀個(gè)體，將這些優(yōu)秀個(gè)體組成父代種群時(shí)，首先根據(jù)目標(biāo)函數(shù)值對(duì)當(dāng)前種群進(jìn)行非支配排序，根據(jù)非支配排序的先后順序當(dāng)前種群中的個(gè)體被分為多個(gè)等級(jí)，然后根據(jù)非支配排序的先后順序從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀的非支配個(gè)體，最后將這些被選中的預(yù)設(shè)數(shù)量個(gè)優(yōu)秀的非支配個(gè)體組成父代種群。優(yōu)選地，在得到父代種群之后，對(duì)父代種群進(jìn)行交叉和變異，以生成新的個(gè)體，將新的個(gè)體設(shè)置為子代種群的個(gè)體，從而得到子代種群。

在步驟s105中，判斷當(dāng)前進(jìn)化代數(shù)是否超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值。

在步驟s106中，當(dāng)當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并父代種群和子代種群，生成下一代進(jìn)化種群，將下一代進(jìn)化種群設(shè)置為當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，跳轉(zhuǎn)至計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值的操作。

在本發(fā)明實(shí)施例中，若當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值(即最大進(jìn)化代數(shù))，則合并父代種群和子代種群，生成下一代進(jìn)化種群，然后將下一代進(jìn)化種群設(shè)置為下一代進(jìn)化時(shí)的當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，跳轉(zhuǎn)至步驟s103計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值的操作，如此循環(huán)直至當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值。

在步驟s107中，當(dāng)當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值時(shí)，將父代種群設(shè)置為推薦結(jié)果。

在本發(fā)明實(shí)施例中，接收歷史推薦偏好數(shù)據(jù)，根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，根據(jù)歷史推薦偏好數(shù)據(jù)和推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代，從而通過(guò)在當(dāng)前種群中引入推薦目標(biāo)的極值點(diǎn)提高推薦的速率，然后計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)父代種群執(zhí)行進(jìn)化操作，生成子代種群，當(dāng)當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并父代種群和子代種群，生成下一代進(jìn)化種群，將下一代進(jìn)化種群設(shè)置為當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，再次計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，從而不斷對(duì)當(dāng)前種群進(jìn)行進(jìn)化，直至獲得準(zhǔn)確度高、且兼具新穎性和寬覆蓋面的推薦結(jié)果，提高了推薦的采納率。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過(guò)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，所述的存儲(chǔ)介質(zhì)，如rom/ram、磁盤、光盤等。

實(shí)施例二：

圖2示出了本發(fā)明實(shí)施例二提供的推薦裝置的結(jié)構(gòu)，為了便于說(shuō)明，僅示出了與本發(fā)明實(shí)施例相關(guān)的部分，其中包括：

極值點(diǎn)獲取單元21，用于接收歷史推薦偏好數(shù)據(jù)，根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)，其中，推薦目標(biāo)包括準(zhǔn)確度、覆蓋面和多樣性。

在本發(fā)明實(shí)施例中，預(yù)先提供所有用戶對(duì)物品(例如，商品)的歷史偏好數(shù)據(jù)，即歷史推薦偏好數(shù)據(jù)，在接收到歷史推薦偏好數(shù)據(jù)之后，極值點(diǎn)獲取單元根據(jù)歷史推薦偏好數(shù)據(jù)獲取推薦目標(biāo)的極值點(diǎn)。優(yōu)選地，將所有用戶對(duì)商品的歷史偏好數(shù)據(jù)中的偏好程度轉(zhuǎn)化為數(shù)字評(píng)分，從而降低接收的歷史推薦偏好數(shù)據(jù)的數(shù)據(jù)量，便于后續(xù)的計(jì)算或處理。具體地，評(píng)分可以采用1到5分之間的整數(shù)評(píng)分制度，若用戶對(duì)某個(gè)商品沒(méi)有偏好數(shù)據(jù)，則評(píng)分為0，若用戶對(duì)某個(gè)商品的偏好達(dá)到最大程度，則評(píng)分為5，其他偏好程度的評(píng)分可以依次類推。

優(yōu)選地，在接收到歷史推薦偏好數(shù)據(jù)后，對(duì)推薦參數(shù)進(jìn)行初始化操作，對(duì)歷史推薦偏好數(shù)據(jù)進(jìn)行預(yù)處理，得到一個(gè)二進(jìn)制矩陣r，r中的元素表示用戶對(duì)待推薦項(xiàng)的偏好情況，根據(jù)用戶對(duì)推薦項(xiàng)的偏好情況對(duì)歷史推薦偏好數(shù)據(jù)中的所有用戶進(jìn)行聚類分簇，以用于按照用戶簇對(duì)用戶進(jìn)行推薦，然后依次獲取只具有最優(yōu)準(zhǔn)確度、覆蓋面或多樣性時(shí)的推薦集，將這三個(gè)推薦集分別設(shè)置為準(zhǔn)確度的極值點(diǎn)、覆蓋面的極值點(diǎn)和多樣性的極值點(diǎn)，以得到只考慮單個(gè)推薦目標(biāo)時(shí)的最好推薦集。

種群生成單元22，用于根據(jù)歷史推薦偏好數(shù)據(jù)和推薦目標(biāo)的極值點(diǎn)，生成對(duì)應(yīng)的當(dāng)前種群，并將當(dāng)前種群的當(dāng)前進(jìn)化代數(shù)設(shè)置為第一代。

在本發(fā)明實(shí)施例中，種群生成單元將推薦目標(biāo)的極值點(diǎn)(即只考慮單個(gè)推薦目標(biāo)時(shí)的最好推薦集)引入到多目標(biāo)進(jìn)化的第一代進(jìn)化種群，從而有效地引導(dǎo)進(jìn)化方向往需要的方向進(jìn)化，以在一定程度上同時(shí)提高推薦的準(zhǔn)確度、多樣性和新穎性，提高推薦的速率。

目標(biāo)計(jì)算單元23，用于計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值。

在本發(fā)明實(shí)施例中，得到當(dāng)前種群之后，目標(biāo)計(jì)算單元計(jì)算當(dāng)前種群的準(zhǔn)確度、覆蓋面和多樣性這三個(gè)目標(biāo)函數(shù)值。

優(yōu)選地，在計(jì)算當(dāng)前種群的準(zhǔn)確度目標(biāo)函數(shù)值時(shí)，根據(jù)公式計(jì)算用戶簇c中的所有用戶的預(yù)測(cè)評(píng)分值之和，準(zhǔn)確度與計(jì)算得到的預(yù)測(cè)評(píng)分值之和成正比，預(yù)測(cè)評(píng)分值之和越大則當(dāng)前種群的準(zhǔn)確度目標(biāo)函數(shù)值越大，其中，c代表用戶簇，|c|表示用戶簇c中的用戶數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，su表示推薦給用戶u的推薦項(xiàng)的集合，表示用戶u對(duì)推薦項(xiàng)i的預(yù)測(cè)評(píng)分值，的計(jì)算公式為suv表示用戶u和用戶v之間的相似度，rvi為歷史推薦偏好數(shù)據(jù)中用戶v對(duì)推薦項(xiàng)i的評(píng)分，s(u，k)表示與用戶u最相似的k個(gè)用戶。

優(yōu)選地，根據(jù)公式計(jì)算當(dāng)前種群的覆蓋面目標(biāo)函數(shù)值，其中，cov表示推薦結(jié)果的覆蓋面，n表示歷史推薦偏好數(shù)據(jù)中推薦項(xiàng)的總數(shù)量，nu表示從同一用戶簇中的所有用戶的推薦項(xiàng)的集合中去除重復(fù)的推薦項(xiàng)之后剩余推薦項(xiàng)的數(shù)量。

優(yōu)選地，根據(jù)公式計(jì)算當(dāng)前種群的多樣性目標(biāo)函數(shù)值，其中，su表示向用戶u推薦的推薦列表，m為歷史推薦偏好數(shù)據(jù)中的用戶總數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，ni為推薦項(xiàng)i的自信息，反映用戶選擇推薦項(xiàng)i的概率大小，自信息的計(jì)算公式為di反映推薦項(xiàng)i的流行程度，di/m為用戶選擇推薦項(xiàng)i的概率。

種群進(jìn)化單元24，用于根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群，對(duì)父代種群執(zhí)行進(jìn)化操作，生成子代種群。

在本發(fā)明實(shí)施例中，計(jì)算得到當(dāng)前種群的準(zhǔn)確度、覆蓋面和多樣性這三個(gè)目標(biāo)函數(shù)值之后，首先根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀個(gè)體，將這些優(yōu)秀個(gè)體組成父代種群，然后種群進(jìn)化單元對(duì)父代種群進(jìn)行進(jìn)化，進(jìn)化得到的種群為子代種群。

優(yōu)選地，在根據(jù)目標(biāo)函數(shù)值從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀個(gè)體，將這些優(yōu)秀個(gè)體組成父代種群時(shí)，首先根據(jù)目標(biāo)函數(shù)值對(duì)當(dāng)前種群進(jìn)行非支配排序，根據(jù)非支配排序的先后順序當(dāng)前種群中的個(gè)體被分為多個(gè)等級(jí)，然后根據(jù)非支配排序的先后順序從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)優(yōu)秀的非支配個(gè)體，最后將這些被選中的預(yù)設(shè)數(shù)量個(gè)優(yōu)秀的非支配個(gè)體組成父代種群。優(yōu)選地，在得到父代種群之后，對(duì)父代種群進(jìn)行交叉和變異，以生成新的個(gè)體，將新的個(gè)體設(shè)置為子代種群的個(gè)體，從而得到子代種群。

循環(huán)進(jìn)化單元25，用于當(dāng)當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值時(shí)，合并父代種群和子代種群，生成下一代進(jìn)化種群，將下一代進(jìn)化種群設(shè)置為當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，再次計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，對(duì)當(dāng)前種群進(jìn)行進(jìn)化，直至當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值。

在本發(fā)明實(shí)施例中，若當(dāng)前進(jìn)化代數(shù)未超過(guò)預(yù)設(shè)的進(jìn)化代數(shù)閾值(即最大進(jìn)化代數(shù))，則循環(huán)進(jìn)化單元合并父代種群和子代種群，生成下一代進(jìn)化種群，然后將下一代進(jìn)化種群設(shè)置為下一代進(jìn)化時(shí)的當(dāng)前種群，對(duì)當(dāng)前進(jìn)化代數(shù)進(jìn)行加1操作，再次計(jì)算當(dāng)前種群的目標(biāo)函數(shù)值，然后對(duì)當(dāng)前種群進(jìn)行進(jìn)化，如此循環(huán)直至當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值。

結(jié)果推薦單元26，用于當(dāng)當(dāng)前進(jìn)化代數(shù)達(dá)到進(jìn)化代數(shù)閾值時(shí)，將父代種群設(shè)置為推薦結(jié)果。

因此，優(yōu)選地，如圖3所示，極值點(diǎn)獲取單元21包括：

初始化單元311，用于接收歷史推薦偏好數(shù)據(jù)，對(duì)推薦參數(shù)進(jìn)行初始化操作，對(duì)歷史推薦偏好數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)歷史推薦偏好數(shù)據(jù)中的所有用戶進(jìn)行聚類分簇；以及

極值點(diǎn)設(shè)置單元312，用于依次獲取只具有最優(yōu)準(zhǔn)確度、覆蓋面或多樣性時(shí)的推薦集，將推薦集分別設(shè)置為準(zhǔn)確度的極值點(diǎn)、覆蓋面的極值點(diǎn)和多樣性的極值點(diǎn)；

優(yōu)選地，目標(biāo)計(jì)算單元23包括：

第一計(jì)算單元331，用于根據(jù)公式計(jì)算用戶簇c中的所有用戶的預(yù)測(cè)評(píng)分值之和，根據(jù)預(yù)測(cè)評(píng)分值之和獲取當(dāng)前種群的準(zhǔn)確度目標(biāo)函數(shù)值，c代表用戶簇，|c|表示用戶簇c中的用戶數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，su為推薦給用戶u的推薦項(xiàng)的集合，表示用戶u對(duì)推薦項(xiàng)i的預(yù)測(cè)評(píng)分值，的計(jì)算公式為suv表示用戶u和用戶v之間的相似度，rvi為歷史推薦偏好數(shù)據(jù)中用戶v對(duì)推薦項(xiàng)i的評(píng)分，s(u，k)為與用戶u的相似度最大的k個(gè)用戶；

第二計(jì)算單元332，用于根據(jù)公式計(jì)算當(dāng)前種群的覆蓋面目標(biāo)函數(shù)值，cov表示推薦結(jié)果的覆蓋面，n表示歷史推薦偏好數(shù)據(jù)中推薦項(xiàng)的總數(shù)量，nu表示從同一用戶簇中的所有用戶的推薦項(xiàng)的集合中去除重復(fù)的推薦項(xiàng)之后剩余推薦項(xiàng)的數(shù)量；以及

第三計(jì)算單元333，用于根據(jù)公式計(jì)算當(dāng)前種群的多樣性目標(biāo)函數(shù)值，su表示向用戶u推薦的推薦列表，m為歷史推薦偏好數(shù)據(jù)中的用戶總數(shù)量，rl表示推薦列表中推薦項(xiàng)的數(shù)量，ni為推薦項(xiàng)i的自信息，反映用戶選擇推薦項(xiàng)i的概率大小，自信息的計(jì)算公式為di反映推薦項(xiàng)i的流行程度，di/m為用戶選擇推薦項(xiàng)i的概率；

優(yōu)選地，種群進(jìn)化單元24包括：

父代組成單元341，用于根據(jù)目標(biāo)函數(shù)值對(duì)當(dāng)前種群進(jìn)行非支配排序，根據(jù)非支配排序從當(dāng)前種群中選擇預(yù)設(shè)數(shù)量個(gè)個(gè)體，組成父代種群；以及

子代生成單元342，用于對(duì)父代種群執(zhí)行交叉和變異操作，生成新的個(gè)體，將新的個(gè)體設(shè)置為子代種群的個(gè)體。

在本發(fā)明實(shí)施例中，推薦裝置的各單元可由相應(yīng)的硬件或軟件單元實(shí)現(xiàn)，各單元可以為獨(dú)立的軟、硬件單元，也可以集成為一個(gè)軟、硬件單元，在此不用以限制本發(fā)明。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。