【论文精读】Personalized Recommendation Based on Evolutionary Multi-Objective Optimization

最新推荐文章于 2023-02-27 16:12:02 发布

湫兮如风i

最新推荐文章于 2023-02-27 16:12:02 发布

阅读量548

点赞数

文章标签：推荐算法算法

本文链接：https://blog.csdn.net/m0_46684880/article/details/123858598

版权

前言

在当今这个信息过载的时代，传统的推荐算法只考虑了准确性，显然无法满足用户多样的需求。而多目标进化算法，在考虑推荐准确性的同时，也可以平衡多样性和新颖性两个指标，更加符合用户的实际需要。

此篇论文介绍了一种基于多目标进化算法的电影个性化推荐系统MOEA

一、Introduction

通常来讲，传统推荐系统最主要的目的是使准确性最大化。作者列举了几个例子，例如2006年10月份由Netflix发起了一项奖金高达$1,000,000的电影推荐系统大赛，如有人可以打败Netflix公司自己的电影推荐系统“Cinematch”就可以获得这笔奖金，获胜条件是准确度比Cinematch高10%。

然而，判断一个推荐系统好坏的一些其他指标，例如多样性也应该被考虑其中，不应只考虑准确性。但准确性和多样性是两个互相冲突的指标，因为我们在追求一个指标的同时会某种程度地牺牲另一指标。因此，开发出一个能同时达到高准确性和高多样性的推荐系统是极大的挑战，有许多研究人员进行了不同的尝试。

此文的作者们提出了一种多目标推荐模型（multi-objective recommodation model），将个性化推荐建模为一个多目标优化问题。多目标进化算法（NSGAII）被用来平衡多样性和准确性这两个指标。
ProbS被用作评估准确性这一指标的算子。
覆盖率(Coverage)被用作评估多样性这一指标的算子。

论文主要贡献：

为了平衡推荐的准确性和多样性，提出了一种通用的多目标推荐模型。
与传统的推荐技术不同，该算法可以在一次运行中同时为多个用户提供多个推荐
实验结果表明，该算法可以提供一组多样且准确的推荐。推荐的覆盖率大大提高，这对于推荐系统来说是一个很有前景的特性。
采用聚类技术提高了计算效率、

二、Background

作者在这一部分总结了研究问题的一些概念和用到的方法，例如“推荐问题的定义”，“多目标优化问题的介绍”，“推荐系统的相关研究”，“ProbS方法”。

此部分属于扫盲，具体内容略

三、基于MOEA的推荐算法

为了平衡推荐系统的多样性指标和准确性指标，作者把推荐问题看做一个MOP（多目标优化问题）。作者采用了NSGAII算法来解决多目标优化问题，因为其具有健壮性和高效性。这一部分详细介绍了提出的算法，包括聚类方法(clustering)，两个目标函数，个体的表示方法，以及遗传算子等。

1. User Clustering（用户聚类）

为了降低算法的复杂度，采用了一种聚类方法将所有用户按照他们的习惯和偏好分成了一些不同的clusters(群体)，这样就能轻松的将不同的推荐内容推荐给不同的群体。

聚类方法有很多，此篇论文采用了k-means，两个用户的相似度用以下公式来衡量（cosine index）。ri 和 rj 分别是用户i和j给items的评分向量。
在这里插入图片描述

2. The Two Objectives

准确性用以下式子来估算。priα是用户i对项目α的预测评分，PR是某一cluster S中所有用户的预测评分。|S|是群体S中的人数，L是推荐列表的长度。
在这里插入图片描述
考虑到简单程度，多样性用coverage来估算。公式如下：
Ndif是在同一cluster中在推荐列表中不同的项目数量，N是项目的总数量。（在一定的准确度范围内，覆盖率越高，推荐结果越好）