一种基于NSGA-II的协同过滤推荐算法

大，几乎占到一半，UserCF的权重值次之，ItemCF的权重值最校

表3为u1测试集中基础算法与加权融合算法计算出的Recall和Precision值。由表3可以看出在经过多目标优化后，NSGA-П得出的推荐表单相比基础算法在Recall和Precision值上都有了明显的提升。

5 结束语

研究了推荐系统的相关算法。指出了常用推荐算法在多目标优化时的不足，然后提出了系数线性加权融的协同过滤推荐算法[8]。并利用NSGA-II算法针对其线性融合系数进行求解，仿真结果表明加权融合算法得到的结果相较几种基础的协同过滤算法在Recall和Precision指标上均有明显的提升。

参考文献：

[1]景民昌.从ACM RecSys2014国际会议看推荐系统的热点和发展[J].现代情报，2015:41-45

[2]项亮，推荐系统实践[M].北京:人民邮电出版社，2012

[3]Toby Segaran(著)，莫映，王开福(译).集体智慧编程[M].北京:电子工业出版社，2009

[4]Kalyanmoy Deb，Amrit Pratap，Saeer Agarwal，and T.Meyarivan，A Fast and Elitist Multiobjective Genetic Algorithm:NSGA-II[J].IEEE，2002:182-187

[5]王晓耘，钱璐，黄时友.基于粗糙用户聚类的协同过滤推荐模型[J].现代图书情报技术，2015:45-51

[6]宋真真.协同过滤技术在个性化推荐中的应用研究[D].合肥:合肥工业大学，2008

[7]吴兰兰.基于遗传学方法的个性化推荐技术研究[D].沈阳:沈阳航空工业学院，2010

[8]Hao Wen，Liping Fang，Ling Guan.A hybrid approach for personalized recommendation of news on the Web [J].Expert Systems with Applications，2012:5806-5814

本文来源于中国科技核心期刊《电子产品世界》2016年第2期第57页，欢迎您写论文时引用，并注明出处。