本發(fā)明屬于個性化推薦，更具體地，本發(fā)明涉及一種物品推薦方法。

背景技術(shù)：

1、在現(xiàn)代社會，隨著信息技術(shù)和互聯(lián)網(wǎng)的發(fā)展，推薦系統(tǒng)在各個領(lǐng)域中得到了廣泛應(yīng)用。無論是電子商務(wù)平臺、社交媒體、音樂和電影推薦，還是在線學(xué)習(xí)平臺，推薦系統(tǒng)都在為用戶提供個性化的服務(wù)和信息，極大地提升了用戶體驗。

2、隨著用戶和推薦物品數(shù)量的急劇增加，推薦系統(tǒng)面臨著越來越多的挑戰(zhàn)。其中，如何優(yōu)化待推薦物品的數(shù)量，以滿足用戶的個性化需求，成為推薦系統(tǒng)研究中的一個關(guān)鍵問題。

3、協(xié)同過濾推薦方法大多是選擇將指定數(shù)量的最高評分的物品推薦給用戶，未考慮推薦物品數(shù)量對于推薦精準度的影響，在物品推薦數(shù)量過多或過少都會影響用戶的物品推薦精準度。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種物品推薦方法，旨在改善上述問題。

2、本發(fā)明是這樣實現(xiàn)的，一種物品推薦方法，所述方法包括如下步驟：

3、s1、獲取當(dāng)前待推薦物品及待推薦物品的目標用戶；

4、s2、基于引入透鏡成像反向?qū)W習(xí)策略的變色龍群算法獲得目標用戶的最佳推薦數(shù)量m；

5、s3、基于用戶的協(xié)同過濾推薦算法確定目標用戶對各類物品的評分，將評分最高的前m個物品推薦給目標用戶。

6、進一步的，目標用戶的最佳推薦數(shù)量m的確定方法具體如下：

7、s21、將推薦數(shù)量編碼成每只變色龍個體的初始位置；

8、s22、更新變色龍個體位置，計算每個變色龍的適應(yīng)度值，適應(yīng)度值為對應(yīng)變色龍所在位置的推薦準確率；

9、s23、對當(dāng)前變色龍種群中適應(yīng)度最佳的變色龍個體利用透鏡成像反向?qū)W習(xí)策略產(chǎn)生其對應(yīng)的反向個體，基于推薦精確率來評估是否保留產(chǎn)生的反向個體；

10、s24、更新每個變色龍的局部最優(yōu)位置；

11、s25、檢測當(dāng)前的迭代次數(shù)是否達到最大迭代次數(shù)，若檢測結(jié)果為是，將當(dāng)前變色龍種群中適應(yīng)度最優(yōu)的變色龍個體位置作為待推薦物品的數(shù)量，若檢測結(jié)果為否，則執(zhí)行步驟s22。

12、進一步的，第t次迭代中變色龍種群中適應(yīng)度最佳的變色龍個體j的反向個體所在位置的計算公式具體如下：

13、

14、其中，表示第t次迭代中的狩獵獵物階段結(jié)束時第j只變色龍所含的待推薦數(shù)量，表示經(jīng)過透鏡成像反向策略得到的反向待推薦數(shù)量，upj和lowj表示第j只變色龍所含待推薦數(shù)量的最大邊界和最小邊界；k表示縮放因子。

15、進一步的，縮放因子k的計算公式具體如下：

16、k＝(1+(t/t)0.5)10；

17、其中，t是當(dāng)前迭代次數(shù)，t是最大迭代次數(shù)。

18、進一步的，推薦準確率precision的計算公式具體如下：

19、

20、其中，r(u)表示基于用戶的協(xié)同過濾算法形成目標用戶u的推薦物品集合，t(u)表示測試集中目標用戶u喜歡的物品集合。

21、進一步的，推薦物品集合r(u)的獲取過程具體如下：

22、獲取目標用戶u對各個物品的評分，將評分高的前m個物品放入推薦物品集合r(u)中，其中，目標用戶u對物品s評分的公式具體如下：

23、

24、其中，n(s)表示訓(xùn)練集或測試集中對物品s評分過的用戶集合，rvs表示用戶v對物品s的評分，sim(u,v)表示目標用戶u和用戶v之間的余弦相似度。

25、進一步的，用戶u和用戶v之間的余弦相似度sim(u,v)計算公式具體如下：

26、

27、其中，iuv表示目標用戶u和用戶v共同評分的物品集合，iu和iv表示目標用戶u和用戶v歷史上所做出正反饋的物品集合，rui表示目標用戶u對物品i所做出的評分，ruk、rvk分別表示目標用戶u、用戶v對物品k所做出的評分，rvj表示用戶v對物品j所做出的評分。

28、進一步的，變色龍個體的初始位置的計算公式具體如下：

29、

30、其中，為第j只變色龍所含的初始待推薦數(shù)量，upj和lowj表示第j只變色龍所含待推薦數(shù)量的最大邊界和最小邊界，r是0到1之間的隨機數(shù)。

31、進一步的，將用戶對物品的歷史評分作為樣本，將構(gòu)建的樣本放入樣本集中，將樣本集中的樣本按照設(shè)定的比例劃分為訓(xùn)練集和測試集。

32、將引入透鏡成像反向?qū)W習(xí)策略的變色龍群算法查找的物品推薦數(shù)量，找出推薦精準度高的物品推薦數(shù)量，再基于用戶的協(xié)同過濾算法選取預(yù)測評分高的物品推薦數(shù)量的物品推薦給用戶，提高了用戶的物品推薦精準度。

技術(shù)特征：

1.一種物品推薦方法，其特征在于，所述方法包括如下步驟：

2.如權(quán)利要求1所述物品推薦方法，其特征在于，目標用戶的最佳推薦數(shù)量m的確定方法具體如下：

3.如權(quán)利要求1所述物品推薦方法，其特征在于，第t次迭代中變色龍種群中適應(yīng)度最佳的變色龍個體j的反向個體所在位置的計算公式具體如下：

4.如權(quán)利要求3所述物品推薦方法，其特征在于，縮放因子k的計算公式具體如下：

5.如權(quán)利要求1所述物品推薦方法，其特征在于，推薦準確率precision的計算公式具體如下：

6.如權(quán)利要求5所述物品推薦方法，其特征在于，推薦物品集合r(u)的獲取過程具體如下：

7.如權(quán)利要求6所述物品推薦方法，其特征在于，用戶u和用戶v之間的余弦相似度sim(u,v)計算公式具體如下：

8.如權(quán)利要求1所述物品推薦方法，其特征在于，變色龍個體的初始位置的計算公式具體如下：

9.如權(quán)利要求1所述物品推薦方法，其特征在于，將用戶對物品的歷史評分作為樣本，將構(gòu)建的樣本放入樣本集中，將樣本集中的樣本按照設(shè)定的比例劃分為訓(xùn)練集和測試集。

技術(shù)總結(jié)
本發(fā)明公開一種物品推薦方法，該方法包括如下步驟：S1、獲取當(dāng)前待推薦物品及待推薦物品的目標用戶；S2、基于引入透鏡成像反向?qū)W習(xí)策略的變色龍群算法獲得目標用戶的最佳推薦數(shù)量m；S3、基于用戶的協(xié)同過濾推薦算法確定目標用戶對各類物品的評分，將評分最高的前m個物品推薦給目標用戶。將引入透鏡成像反向?qū)W習(xí)策略的變色龍群算法查找的物品推薦數(shù)量，找出推薦精準度高的物品推薦數(shù)量，再基于用戶的協(xié)同過濾算法選取預(yù)測評分高的物品推薦數(shù)量的物品推薦給用戶，提高了用戶的物品推薦精準度。

技術(shù)研發(fā)人員：朱守益,胡鵬,鄭宇航,柳正頂
受保護的技術(shù)使用者：海螺（安徽）節(jié)能環(huán)保新材料股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9