基于多目標(biāo)免疫優(yōu)化的個性化推薦算法

李琳

（遼寧科技大學(xué) 遼寧省鞍山市 114051）

目前，推薦系統(tǒng)是處理信息過載問題最重要的方法之一，廣泛應(yīng)用于各個領(lǐng)域。協(xié)同過濾算法在推薦系統(tǒng)中廣泛應(yīng)用。現(xiàn)有的推薦算法通常以精確度最大化為推薦目標(biāo)，推薦多樣化才能提高用戶的滿意度。在實際應(yīng)用中，多個目標(biāo)之間相互制約，如何通過個性化推薦技術(shù)得到多個目標(biāo)權(quán)衡下的結(jié)果具有重要意義[1]。史曉艷提出一種基于多目標(biāo)的推薦模型提高挖掘潛在興趣和冷門商品的能力[2]。A.Jain 使用多目標(biāo)優(yōu)化方法權(quán)衡普及度和多樣性，具有良好的客觀性[3]。申凱麗將人工免疫算法引入傳統(tǒng)推薦算法中，提高推薦質(zhì)量[4]。本文主要考慮推薦的準(zhǔn)確性和多樣性，利用基于用戶的協(xié)同過濾算法和免疫算法，得到用戶滿意度和項目多樣性均衡的推薦結(jié)果。

1 相關(guān)工作

鄰域模型是協(xié)同過濾算法中最常見的方法，其結(jié)果直觀且實現(xiàn)相對簡單。主要刻畫項目或用戶之間的相似度,將相似度較高的稱作最近鄰，根據(jù)最近鄰的偏好進行預(yù)測，得到推薦結(jié)果。

相對于單目標(biāo)優(yōu)化，多目標(biāo)優(yōu)化問題更貼近日常生活和工程領(lǐng)域?qū)嶋H問題的模型。實際應(yīng)用中得到同時滿足各個目標(biāo)的最優(yōu)解幾乎是不可能的，只能對這些目標(biāo)進行協(xié)調(diào)處理，得到一個較為滿意的結(jié)果。

在多個目標(biāo)函數(shù)沖突的情況下，多目標(biāo)進化是解決全局尋優(yōu)的有效算法。非支配鄰域免疫算法（NNIA）模擬多樣性抗體共生、少數(shù)抗體激活的現(xiàn)象，通過克隆與遺傳操作，加強稀疏區(qū)域的搜索。NNIA 因為其高效的進化性能，良好的收斂性在解決多目標(biāo)問題上被廣泛應(yīng)用。

2 基于多目標(biāo)免疫優(yōu)化的個性化推薦

2.1 改進的鄰域模型

用戶評分習(xí)慣會對系統(tǒng)預(yù)測的準(zhǔn)確率造成影響，引入觀測誤差降低影響，將誤差分為兩個部分。一部分是項目觀測誤差，體現(xiàn)項目所獲得的評分情況，另一部分是用戶觀測誤差，體現(xiàn)用戶評分習(xí)慣。計算誤差時以所有評分的均值為基準(zhǔn)。如用戶u 對項目i 的觀測誤差定義為：

bi和bu分別表示項目i 和用戶u 相對于平均分的觀測誤差，具體表示為：

圖1：NO.989 用戶的Pareto 前沿面

改進的評分預(yù)測公式表示為：

2.2 目標(biāo)函數(shù)

準(zhǔn)確性是指用戶對系統(tǒng)推薦項目感興趣的可能性。因為在離線系統(tǒng)中，準(zhǔn)確率在訓(xùn)練集中是未知的，所以采用相似度匹配函數(shù)作為準(zhǔn)確性目標(biāo)函數(shù)，表示為：

其中N 為最終推薦列表的長度，R 為候選集，Pu為用戶u 評價過的項目集，fV越小，相似度越高，推薦的準(zhǔn)確率越高。

推薦的多樣性也是需要考慮的重要問題。多樣性目標(biāo)函數(shù)表示為：

fD的值越小，推薦列表中項目之間的相似度越小，多樣性越好。

本文的目標(biāo)函數(shù)包括推薦的準(zhǔn)確性和多樣性兩個方面，以最小化為優(yōu)化模型。最終的目標(biāo)函數(shù)表示為：

表1：準(zhǔn)確度指標(biāo)結(jié)果

表2：多樣性指標(biāo)結(jié)果

2.3 免疫優(yōu)化

使用NNIA，通過實數(shù)編碼對候選集進行編碼，采用均勻交叉算子和單點變異算子進行遺傳操作，對候選解集列表進行進一步優(yōu)化，產(chǎn)生最終推薦列表。免疫優(yōu)化算法產(chǎn)生的是一系列擁有不同推薦目標(biāo)的推薦列表，可根據(jù)用戶具體推薦目標(biāo)進行個性化推薦。

3 仿真實驗

實驗使用Movielens 數(shù)據(jù)集，包含1720 個用戶對3323 部電影的評分?jǐn)?shù)據(jù)，隨機選擇80%的數(shù)據(jù)作為訓(xùn)練集，20%作為測試集。設(shè)置候選列表長度為50，最終推薦列表長度N 為10，迭代次數(shù)為200，交叉概率0.8，變異概率0.1。

3.1 算法有效性

本實驗在數(shù)據(jù)集中隨機選擇一個用戶。算法為NO.989 用戶提供的解集如圖1，f1 為準(zhǔn)確性指標(biāo)函數(shù)值，f2 為多樣性指標(biāo)函數(shù)值，每個點代表一個推薦列表。

算法有效求得分布均勻的50 個不同的解，解a 為所有解集中準(zhǔn)確性最高，多樣性最差的推薦列表，解b 為所有解集中多樣性最高的列表，但其準(zhǔn)確性不高。隨著推薦準(zhǔn)確性的不斷提高，多樣性的值逐漸下降，說明準(zhǔn)確性和多樣性存在沖突，符合個性化推薦的規(guī)律。

3.2 推薦準(zhǔn)確度

實驗隨機選取連續(xù)10 個用戶，測試用戶編號為420-429。本文算法（User-NNIA）與基于用戶的協(xié)同過濾算法（UserCF）和基于項目的協(xié)同過濾算法（ItemCF）進行比較，結(jié)果如表1所示，8 個用戶推薦列表的平均準(zhǔn)確率高于其他對比算法,2 個用戶的推薦列表準(zhǔn)確率均值小于兩種對比算法，但最大值大于其他對比算法的準(zhǔn)確度值。本文算法所給出的推薦列表不一定是最準(zhǔn)確的，但是可給出比其他兩種比較算法更準(zhǔn)確的推薦結(jié)果，有更大的可能性推測出測試集中用戶喜歡的項目。

3.3 推薦多樣性

推薦多樣性對比結(jié)果如表2所示。7 個用戶推薦列表的多樣性平均值優(yōu)于其他算法，3 個用戶推薦列表的多樣性平均值小于一種對比算法，但是最小值均優(yōu)于對比算法。說明即使本文算法所得到的多樣性平均值不是最好的，其最小值也將優(yōu)于對比算法。

4 結(jié)論

本文提出基于多目標(biāo)免疫優(yōu)化的推薦算法，在不降低準(zhǔn)確度的前提下提高推薦多樣性。算法將協(xié)同過濾算法與多目標(biāo)進化算法相結(jié)合，將推薦問題視為一個多目標(biāo)優(yōu)化問題，解決準(zhǔn)確度與多樣性之間的沖突。