本發(fā)明屬于進化算法和個性化推薦
技術領域：
。運用改進的多目標遺傳算法ffnsga-ii(具體涉及綜合相對熵過濾初始化種群，自適應非劣解填充)做個性化電影推薦，以期多目標遺傳算法對個性化電影推薦的性能提升。
背景技術：
：隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)呈爆炸式增長，使得互聯(lián)網(wǎng)用戶在面對大量信息時無法從中獲得對自己真正有用的那部分信息，對信息的使用效率反而降低了，這就是所謂的信息超載問題。推薦系統(tǒng)是解決信息超載問題非常有應用前景的方法。推薦系統(tǒng)根據(jù)用戶信息和項目屬性數(shù)據(jù)，分析出用戶的興趣愛好，在項目集中選擇合適的可能被用戶關心的項目子集，預測被購買的可能，然后根據(jù)用戶興趣點進行個性化推薦。常用的推薦算法有協(xié)同過濾推薦算法、基于內容的推薦算法、基于網(wǎng)絡結構的推薦算法。協(xié)同過濾推薦算法可以分為兩類：基于記憶的和基于模型的算法?；谟洃浀乃惴ǜ鶕?jù)系統(tǒng)中所有被打過分的產品信息進行預測。基于模型的算法收集打分數(shù)據(jù)進行學習并推斷用戶行為模型，進而對某個產品進行預測打分?；谀Ｐ偷膮f(xié)同過濾算法和基于記憶的算法的不同在于，基于模型的方法不是基于一些啟發(fā)規(guī)則進行預測計算，而是基于對已有數(shù)據(jù)應用統(tǒng)計和機器學習得到的模型進行預測?；趦热莸耐扑]是協(xié)同過濾技術的延續(xù)與發(fā)展，它不需要依據(jù)用戶對項目的評價意見，而是依據(jù)用戶已經選擇的產品內容信息計算用戶之間的相似性，進而進行相應的推薦?；诰W(wǎng)格結構的推薦算法不考慮用戶和產品的內容特征，而是把他們看成抽象的節(jié)點，所有算法利用的信息都藏在用戶和產品的選擇關系之中。傳統(tǒng)的推薦方法只關注提高推薦的準確度，而多目標個性化推薦不但關注準確性而且關注多樣性，符合現(xiàn)代推薦系統(tǒng)的要求。而準確性和多樣性是相互沖突的兩個變量。推薦系統(tǒng)可以精確的把物品推薦給用戶，但是這樣會失去多樣性，如果考慮多樣性，必然會失去準確性。而一個具有挑戰(zhàn)性的工作就是開發(fā)出一個既有準確度又有多樣性的推薦系統(tǒng)。為了平衡多樣性和準確性一些推薦系統(tǒng)相繼被開發(fā)出來，張等人把準確性和多樣性看作二次規(guī)劃問題，設計出多種策略來解決這個優(yōu)化問題。在推薦列表中應該設置控制參數(shù)來衡量多樣性的重要性。周等人提出了一種結合熱傳播算法解決多樣性問題和概率傳播算法解決準確性的混合推薦算法，該混合方法是使用加權線性組合的方法。結果是權重參數(shù)應該適當調整來保持推薦的多樣性和準確性。adomavicius等人，開發(fā)了一系列排序算法在保持準確性的情況下產生多樣性。公茂果等人用經典多目標遺傳算法nsga-ii來優(yōu)化這兩個目標，該模型有兩個優(yōu)化目標，第一個是計算準確性，第二個是計算多樣性，個性化推薦可以看作一個多目標優(yōu)化問題。多目標優(yōu)化算法用來最大化這兩個目標，最終一個多樣性的推薦列表被提供給用戶。但是nsga-ii算法存在一些缺陷，導致優(yōu)化的準確性和多樣性的缺失。本文提出基于改進nsga-ii的個性化電影推薦算法優(yōu)化準確性和多樣性。通過相對熵過濾和最優(yōu)填充改進的多目標遺傳算法(ffnsga-ii)可以優(yōu)化nsga-ii算法初始化種群中存在的問題和進化過程中分布性保持的問題。該改進算法在進化之前，采用相對熵過濾的方式設置初始化種群，更為細致的區(qū)分個體之間的特征相近程度，避免由于隨機初始化造成的個體分布不均勻和組合出較差的個體；算法在進化過程中，將每一代的進化結果中的優(yōu)良個體保留在非劣集合中，并對每一代進化結果采用自適應相對熵過濾原則，根據(jù)種群的當前狀態(tài)自適應過濾掉一些分布較差的點，然后將非劣集合中靠近前沿面并且與進化結果中個體特征相異的最優(yōu)個體，對進化結果進行填充，保持了種群分布性的同時，在一定程度上也維護了收斂性，使得算法的綜合性能得以提升。將該改進算法應用于電影個性化推薦的具體問題上，通過與其他推薦算法的比較驗證了算法的效果。技術實現(xiàn)要素：本發(fā)明的目的是提出一種改進nsga-ii的個性化電影推薦方法。用于解決傳統(tǒng)推薦算法無法兼顧準確性和多樣性的問題。對推薦列表的準確性和多樣性兩個目標進行優(yōu)化，實現(xiàn)個性化電影的推薦。本發(fā)明的基于改進nsga-ii的個性化電影推薦方法，其特征在于該算法在進化之前，采用相對熵過濾的方式設置初始化種群，更為細致的區(qū)分個體之間特征的相近程度，避免隨機初始化造成個體分布不均勻，并且不利于組合出較為優(yōu)秀的個體；算法在進化過程中，將每一代的進化結果中的優(yōu)良個體保留在非劣集合中，并對每一代進化結果采用自適應綜合相對熵過濾原則，根據(jù)種群的當前狀態(tài)自適應過濾掉一些分布較差的點，然后將非劣集合中靠近前沿面并且與進化結果中個體特征相異的最優(yōu)個體對進化結果進行填充，保持了種群分布性的同時，在一定程度上也維護了收斂性，使得算法的綜合性能得以提升，對電影推薦的能力得到加強?；诟倪Mnsga-ii的個性化電影推薦方法，包括以下步驟：s1個體編碼方案、相關參數(shù)取值：個體編碼采用實數(shù)編碼，每個電影的id表示一個基因位，n個推薦電影組成一條染色體，個體編碼形式為：<d1，d2，di…dn>，其中n表示推薦的電影個數(shù)，di表示第i個需要推薦的電影編號。種群初始化為popsize,交叉概率pc為0.9，變異概率pm為0.1，每條染色體中電影編號不重復。s2相對熵過濾方式初始化推薦電影種群：step1.隨機產生s個，數(shù)目為n的推薦電影種群，記作臨時推薦電影種群p，即推薦電影種群p的電影列表數(shù)目為m×s，s為正整數(shù)；step2.對推薦電影種群p中的各個電影列表計算在待優(yōu)化問題中各個目標函數(shù)fit，表示為第i個電影列表在第t個目標函數(shù)上的數(shù)值；step3.對推薦電影種群p中的每個電影列表按照各個目標函數(shù)值fit之間的優(yōu)劣關系進行非支配排序分層的計算，并標記每個電影列表所在的層級ci，表示為第i個電影列表所在的層級；step4.以推薦電影種群p為全集空間，對推薦電影種群p中的每個電影列表計算擁擠距離di，表示為第i個電影列表擁擠距離的數(shù)值；step5.對于推薦電影種群中的每個電影列表的解向量xi和目標向量yi組成的一個完整向量作為綜合相對熵計算的基本單位，計算每兩個電影列表之間的相對熵rij；step6.對于每一個電影列表i，找出與其他電影列表相對熵最小的電影列表，并記錄該電影列表的編號k和相對熵的數(shù)值rik，這兩個電影列表組成一個待過濾組合；step7.按照相對熵過濾閾值r，過濾掉相對熵小于r的所有組合的兩個電影列表中非支配排序和擁擠距離表現(xiàn)差的電影列表，此時剩余的電影列表組合成的候選集合為p1；step8.在候選集合中p1，以每個電影列表的非支配排序層級ci與擁擠距離di作為兩個目標，評價電影列表之間的非支配關系來選擇最優(yōu)的前n個電影列表生成初始推薦電影種群p0，其中，n為推薦電影種群規(guī)模數(shù)目。s3選擇操作以錦標賽的方式進行電影列表的選擇，即從這popsize個電影列表中隨機選擇k個電影列表，k<popsize，從這k個電影列表中選取一個最優(yōu)的電影列表；選擇標準為以非支配排序所在層數(shù)si和擁擠距離數(shù)值di作為兩個目標，按照非支配優(yōu)勝關系，對各個電影列表進行比較，比較優(yōu)勝的電影列表為最優(yōu)電影列表；s4交叉操作交叉操作采用sbx交叉算子，假設當前代進化過程中的第t代待交叉的兩個電影列表為xat、xbt，α為交叉涉及的參數(shù)取值范圍為0～1，則xat+1、xbt+1為下一代產生的兩個電影列表；形式如下：s5變異操作對進化過程中的第gen代推薦電影種群pgen中的任一電影列表pi＝(pi1，pi2…pin)，i∈{1,2，…popsize}，以概率pm參與變異操作：產生一個小數(shù)r∈[0,1]，和一個隨機整數(shù)j∈[1,n]；令pi,j＝lj+r×(uj-lj)，對推薦電影群體pgen進行變異產生新推薦電影種群pgennew其中，可行解空間為[l,u]；s6維護推薦電影種群進化運用綜合相對熵過濾與自適應最優(yōu)非劣集合填充維護推薦電影種群進化，基本流程如下：step1.對每一代的進化結果集合中非支配排序最優(yōu)的電影列表放入到非支配集合中，作為整個進化過程中的最優(yōu)電影列表集合pbest；step2.某一代進化結束后的推薦電影種群pnew中有n個電影列表，每個電影列表在各個維度上的坐標數(shù)值為xim，表示該電影列表在第m維度上的取值，計算在待優(yōu)化問題中各個目標的數(shù)值fit，表示為該電影列表在第t個目標函數(shù)上的數(shù)值，其中，i為每個電影列表的順次編號；step3.對推薦電影種群pnew中的每個電影列表按照各個目標數(shù)值fit之間的優(yōu)劣關系進行非支配排序分層的計算，標記每個電影列表所在的層級ci，并計算每個電影列表的擁擠距離di；step4.根據(jù)電影列表所在的各個維度上的坐標值xim以及各個目標的數(shù)值fit，計算兩兩電影列表之間的綜合相對熵，對于每個電影列表，找到與其他電影列表的最小相對熵，并記錄該電影列表編號i和得到該最小相對熵的另一個電影列表的編號j以及相對熵數(shù)值sij，這樣就形成多組電影列表的點對。step5.代入計算的所有最小相對熵數(shù)值的平均值average(d)和電影推薦種群規(guī)模pop以及當前進化代數(shù)gen，計算得到當前代的過濾閾值δgen。step6.將最小相對熵數(shù)值sij小于閾值δgen的電影列表點對，在非支配排序和擁擠距離中表現(xiàn)差的進行過濾，此時過濾mgen個電影列表。step7.對于非支配集合pbest中的電影列表，根據(jù)每個電影列表所在的各個維度上的坐標值xi以及各個目標的數(shù)值fit計算與當前推薦電影種群pnew中各個電影列表的最小綜合相對熵，并以上述step6.中的δgen作為閾值過濾非支配集合pbest中綜合相對熵比較小的電影列表；step8.在過濾之后的非支配集合pbest中，選擇非支配排序與擁擠距離表現(xiàn)比較好的與過濾個數(shù)相同的mgen個最優(yōu)電影列表放入到當前推薦電影種群pnew中，以維持與推薦電影種群規(guī)模相同的數(shù)目，繼續(xù)執(zhí)行下一代的進化過程。s7終止條件判斷如果得到的結果為設定的預想結果則結束，否則轉s3；s8進入下一個遺傳循環(huán)將推薦電影種群pgennew作為下一代進化的初始推薦電影種群，繼續(xù)進行s3步驟。依據(jù)上面的流程實施，把改進nsga-ii方法應用到個性化電影推薦中，得到個性化的電影推薦列表。與現(xiàn)有技術相比，本發(fā)明具有如下有益效果：基于改進nsga-ii的個性化電影推薦方法，算法在進化之前，采用相對熵過濾的方式設置初始電影推薦種群，更為細致的區(qū)分電影列表之間特征的相近程度，避免隨機初始化造成電影列表分布不均勻；算法在進化過程中，將每一代的進化結果中的優(yōu)良電影列表保留在非劣集合中，并對每一代進化結果采用自適應綜合相對熵過濾原則，根據(jù)推薦電影種群的當前狀態(tài)自適應過濾掉一些分布較差的電影列表，然后用非劣集合中的最優(yōu)電影列表對推薦電影種群進行填充，保持了推薦電影種群的分布性，同時也維護了推薦電影種群的收斂性。將本算法應用于個性化電影推薦的具體問題上，得到的電影推薦列表，不僅準確度高，而且多樣性得到加強，通過與協(xié)同過濾推薦方法、基于內容的推薦方法、多目標遺傳算法推薦方法在相同的條件下進行對比實驗，驗證了算法的實用性。附圖說明圖1為基于改進nsga-ii的流程圖。圖2為基于改進nsga-ii的個性化電影推薦方法整體流程圖。圖3為基于用戶的協(xié)同過濾推薦算法主要流程圖。圖4為基于內容的推薦算法主要流程圖。具體實施方式下面結合附圖和具體實例對本發(fā)明做進一步說明。本發(fā)明采用movielens作為電影推薦的數(shù)據(jù)集，該數(shù)據(jù)集包括943個用戶的信息，1682部電影的信息，100,000條用戶對電影的評分，把ffnsga-ii和nsga-ii以及傳統(tǒng)的推薦方法基于用戶的協(xié)同過濾算法(usercf)、基于內容的推薦算法(cb)進行實驗對比。在nsga-ii和ffnsga-ii兩種多目標優(yōu)化算法中，以電影id號作為基因位，每條染色體代表n部電影，實驗中n取值為(5,10,15,20)，運行代數(shù)gen＝100，種群規(guī)模設置為popsize＝50,交叉概率pc＝0.9,變異概率pm＝0.1,以準確性和多樣性為兩個優(yōu)化目標函數(shù)，公式如下：d(i,j)＝1-sim(i,j)(1-2)其中fd(r)為多樣性目標函數(shù)，r為推薦列表集合，sim(i,j)為相似性計算函數(shù)，l為推薦列表長度。gm(i,pu)＝sim(i,j)i∈r,j∈pu(1-4)其中fm(pu,r)為準確性目標函數(shù)，l為推薦列表長度，r推薦集合，pu為用戶評分項目集合，gm(i,pu)為用戶評分集合和推薦列表相似性計算函數(shù)。推薦算法性能評估函數(shù)為：precision為準確率評價函數(shù)，r(i)為用戶推薦的列表集合，l(i)為用戶喜歡的列表集合。div(u)為多樣性評價函數(shù)，r(i)為推薦列表集合，sim(i,j)為物品i和物品j的相似性，n(i)表示喜歡物品i的集合。本發(fā)明提出的基于改進nsga-ii算法的主要流程如圖1所示，整個流程運用綜合相對熵過濾初始化電影推薦種群和自適應最優(yōu)非劣解集合填充維護種群多樣性和分布性的方法。主要分為綜合相對熵過濾初始化電影推薦種群、選擇操作、交叉操作、變異操作、自適應最優(yōu)非劣解集合填充五個部分，選擇、交叉、變異三個操作流程與nsga-ii算法的操作流程一致。結合圖2對本發(fā)明的實施過程作詳細的說明。本發(fā)明的實例是在以本發(fā)明技術方案為前提下進行實施的，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于下述實例。實例選用電影個性化推薦問題對本文中提出的多目標改進算法otnsga-ii和基于用戶的協(xié)同過濾算法(usercf)、基于內容的推薦算法(cb)以及nsga-ii進行測試和比較。其中，基于用戶的協(xié)同過濾算法(usercf)根據(jù)用戶所看電影的評分數(shù)值，計算兩兩用戶之間的相似度，并選出與待推薦用戶的相似度從大到小排序前k個用戶，以這些相似度數(shù)值為權重，利用這些用戶已看過并評分的電影對待推薦的用戶未看過的電影進行預測評分。主要流程如圖3所示。基于內容的推薦算法(cb)根據(jù)電影類型的所屬關系計算各個電影之間的相似度大小，并對待推薦的用戶已經看過的電影評分比較高的電影，按照與之相似度大小對未看過的電影進行預測評分。主要流程如圖4所示?；趎sga-ii和ffnsga-ii的推薦算法而言，使用準確性和多樣性作為兩個優(yōu)化目標函數(shù)，使推薦列表在保持準確性的同時多樣性有所提高。目的在于求解n個不同電影的編號組合，即每個個體的基因位為一部電影的編號，用di表示i部待推薦電影的編號，個體編碼形式為：<d1，d2，di。。。dn>，采用實數(shù)編碼方式，編碼范圍為電影編號所在的范圍并且為整數(shù)形式，保持編碼中電影編號有序且不重復，以作為待推薦的n部不同電影的一種組合方式。下面詳細給出該發(fā)明技術方案中所涉及的各個細節(jié)問題的說明：s1進行個體編碼、初始化數(shù)據(jù)，并設定參數(shù)所述個體表示n個電影的編號，其中n表示需要推薦的電影個數(shù)；用di表示第i個需要推薦的電影編號，為了應用于解決個性化推薦領域的top-n問題，采用n個電影編號組合，個體編碼形式為：<d1，d2，di。。。dn>，采用實數(shù)編碼方式，編碼范圍為電影編號所在的范圍并且為整數(shù)形式；所述初始化數(shù)據(jù)將種群大小初始化為popsize，每次后代都產生popsize大小的種群；所述設定參數(shù)包括：設定交叉概率pc為0.9，變異概率pm為0.1，個體長度為n位，保持編碼中電影編號有序且不重復，以作為待推薦的n部不同電影的一種組合方式。s2相對熵過濾方式初始化電影推薦種群：step1.隨機產生s個，數(shù)目為n的推薦電影種群，記作臨時推薦電影種群p，即推薦電影種群p的電影列表數(shù)目為m×s，這里s為一位正整數(shù)；step2.對推薦電影種群p中的各個電影列表計算在待優(yōu)化問題中各個目標函數(shù)fit，表示為第i個電影列表在第t個目標函數(shù)上的數(shù)值；step3.對推薦電影種群p中的每個電影列表按照各個目標函數(shù)值fit之間的優(yōu)劣關系進行非支配排序分層的計算，并標記每個電影列表所在的層級ci，表示為第i個電影列表所在的層級；step4.以推薦電影種群p為全集空間，對推薦電影種群p中的每個電影列表計算擁擠距離di，表示為第i個電影列表擁擠距離的數(shù)值；step5.對于推薦電影種群中的每個電影列表的解向量xi和目標向量yi組成的一個完整向量作為綜合相對熵計算的基本單位，計算每兩個電影列表之間的相對熵rij；step6.對于每一個電影列表i，找出與其他電影列表相對熵最小的電影列表，并記錄該電影列表的編號k和相對熵的數(shù)值rik，這兩個電影列表組成一個待過濾組合；step7.按照相對熵過濾閾值r，過濾掉相對熵小于r的所有組合的兩個電影列表中非支配排序和擁擠距離表現(xiàn)差的電影列表，此時剩余的電影列表組合成的候選集合為p1；step8.在候選集合中p1，以每個電影列表的非支配排序層級ci與擁擠距離di作為兩個目標，評價電影列表之間的非支配關系來選擇最優(yōu)的前n個電影列表生成初始推薦電影種群p0，其中，n為推薦電影種群規(guī)模數(shù)目。s3選擇操作以錦標賽的方式進行電影列表的選擇，即從這popsize個電影列表中隨機選擇k個電影列表，k<popsize，從這k個電影列表中選取一個最優(yōu)的電影列表；選擇標準為以非支配排序所在層數(shù)si和擁擠距離數(shù)值di作為兩個目標，按照非支配優(yōu)勝關系，對各個電影列表進行比較，比較優(yōu)勝的電影列表為最優(yōu)電影列表；s4交叉操作交叉操作采用sbx交叉算子，假設當前代進化過程中的第t代待交叉的兩個電影列表為xat、xbt，α為交叉涉及的參數(shù)取值范圍為0～1，則xat+1、xbt+1為下一代產生的兩個電影列表；形式如下：s5變異操作對進化過程中的第gen代推薦電影種群pgen中的任一電影列表pi＝(pi1，pi2…pin)，i∈{1,2，…popsize}，以概率pm參與變異操作：產生一個小數(shù)r∈[0,1]，和一個隨機整數(shù)j∈[1,n]；令pi,j＝lj+r×(uj-lj)，對推薦電影群體pgen進行變異產生新推薦電影種群pgennew其中，可行解空間為[l,u]；s6維護推薦電影種群進化運用綜合相對熵過濾與自適應最優(yōu)非劣集合填充維護推薦電影種群進化，基本流程如下：step1.對每一代的進化結果集合中非支配排序最優(yōu)的電影列表放入到非支配集合中，作為整個進化過程中的最優(yōu)電影列表集合pbest；step2.某一代進化結束后的推薦電影種群pnew中有n個電影列表，每個電影列表在各個維度上的坐標數(shù)值為xim，表示該電影列表在第m維度上的取值，計算在待優(yōu)化問題中各個目標的數(shù)值fit，表示為該電影列表在第t個目標函數(shù)上的數(shù)值，其中，i為每個電影列表的順次編號；step3.對推薦電影種群pnew中的每個電影列表按照各個目標數(shù)值fit之間的優(yōu)劣關系進行非支配排序分層的計算，標記每個電影列表所在的層級ci，并計算每個電影列表的擁擠距離di；step4.根據(jù)電影列表所在的各個維度上的坐標值xim以及各個目標的數(shù)值fit，計算兩兩電影列表之間的綜合相對熵，對于每個電影列表，找到與其他電影列表的最小相對熵，并記錄該電影列表編號i和得到該最小相對熵的另一個電影列表的編號j以及相對熵數(shù)值sij，這樣就形成多組電影列表的點對。step5.代入計算的所有最小相對熵數(shù)值的平均值average(d)和電影推薦種群規(guī)模pop以及當前進化代數(shù)gen，計算得到當前代的過濾閾值δgen。step6.將最小相對熵數(shù)值sij小于閾值δgen的電影列表點對，在非支配排序和擁擠距離中表現(xiàn)差的進行過濾，此時過濾mgen個電影列表。step7.對于非支配集合pbest中的電影列表，根據(jù)每個電影列表所在的各個維度上的坐標值xi以及各個目標的數(shù)值fit計算與當前推薦電影種群pnew中各個電影列表的最小綜合相對熵，并以上述step6.中的δgen作為閾值過濾非支配集合pbest中綜合相對熵比較小的電影列表；step8.在過濾之后的非支配集合pbest中，選擇非支配排序與擁擠距離表現(xiàn)比較好的與過濾個數(shù)相同的mgen個最優(yōu)電影列表放入到當前推薦電影種群pnew中，以維持與推薦電影種群規(guī)模相同的數(shù)目，繼續(xù)執(zhí)行下一代的進化過程。s7終止條件判斷如果得到的結果為設定的預想結果則結束，否則轉s3；s8進入下一個遺傳循環(huán)將推薦電影種群pgennew作為下一代進化的初始推薦電影種群，繼續(xù)進行s3以上為基于改進nsga-ii的個性化電影推薦方法的主要流程步驟。下面詳述說明本發(fā)明的實驗結果：為了證明本發(fā)明所述方法在個性化電影推薦問題中的有效性，分別采用ffnsga-ii(本發(fā)明中的方法)和usercf、cb以及nsga-ii對個性化電影推薦中的top-n問題進行優(yōu)化，其中，n為一個組合中電影推薦的個數(shù)(這里分別取值為5、10、15、20)，實驗結果如表1所示。表1ffnsga-ii與usercf、cb以及nsga-ii的準確率對比indexncbusercfitemcfnsga-iiffnsga-ii30.03470.18960.15870.19350.199860.02860.18630.15490.19180.198290.03090.18390.16230.18550.1892f120.02960.18730.15690.18980.1951150.03260.19110.16020.19570.1989180.02550.17990.15880.18340.187210.03530.18870.16050.19240.1973240.02760.18040.15920.18520.1877270.03370.19260.16110.19480.1993表2ffnsga-ii與usercf、cb以及nsga-ii的多樣性對比indexncbusercfitemcfnsga-iiffnsga-ii30.65260.60590.57640.67180.690860.66020.61150.57880.67890.699790.66340.61350.57950.67510.691120.67040.60580.57010.6750.6902diversity150.66450.61770.58420.67210.6956180.66780.61890.57570.68150.7068210.66420.61950.58690.67310.6977240.67550.61050.58740.68440.6979270.67690.62180.57890.68240.7048由表1表2可知，采用ffnsga-ii(本發(fā)明中的方法)在n＝5、10、15、20的條件下都可以有效的提高電影推薦的準確性、多樣性，而nsga-ii在這兩方面則表現(xiàn)較差，usercf和cb這兩種傳統(tǒng)的推薦方法相比ffnsga-ii則更差。這充分說明針對nsga-ii改進的方法ffnsga-ii得到的電影推薦結果比nsgaii方法在提高準確性、多樣性方面有所提高，也明顯優(yōu)于usercf、cb兩種傳統(tǒng)的推薦方法。因此，與現(xiàn)有技術相比，本發(fā)明可以為用戶推薦更為精準和多樣化的電影列表。當前第1頁12