基于遗传优化的协同过滤推荐算法matlab仿真-编程知识

基于遗传优化的协同过滤推荐算法matlab仿真

1.算法运行效果图预览

2.算法运行软件版本

3.部分核心程序

4.算法理论概述

5.算法完整程序工程

1.算法运行效果图预览

最后得到推荐的商品ID号：

推荐商品的ID号：ans =983817582219111490214902123522473223071234991179015471655016550165501133113302741528391667281938193121682411402020631179582133625227225722571418253692231311280266992579212168170602963277912779127791202971418214182125991547154715584447922583262982600636271402096572508623662253722920326871159341388312220277852778527785254882798927989667227508225839829738646471355411939263525372253726080121622532917550786878682841086372548821838110832516319631924102392819421134947490236621415911000110001260621657457115639122302452817445113311052234822348223482234822348223482225832412696914902667226722

2.算法运行软件版本

matlab2022a

3.部分核心程序

...............................................................
while gen < MAXGEN;   genP1 = 0.9;P2 = 1-P1;FitnV=ranking(Objv);    Selch=select('sus',Chrom,FitnV);    Selch=recombin('xovsp', Selch,P1);   Selch=mut( Selch,P2);   phen1=bs2rv(Selch,FieldD);   for a=1:1:NIND  if  gen == 1LR(a)    = Supp0;               elseLR(a)    = phen1(a,1);      end%计算对应的目标值errs    = func_obj(data(Index(1:10000),:),Max_N,LR(a));E       = 1/errs;JJ(a,1) = E;end Objvsel=(JJ+eps);    [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   gen=gen+1; %保存参数收敛过程和误差收敛过程以及函数值拟合结论LR2(gen) = mean(LR);end %画图
figure;
plot(LR2(3:end),'b-o','linewidth',2);
xlabel('Iteration Number');
ylabel('Support value');
grid on;
save GA.mat LR2
endload GA.mat
figure;
plot(LR2(3:end),'b-o','linewidth',2);
xlabel('Iteration Number');
ylabel('Support value');
grid on;
%**************************************************************************
Supp        = LR2(end); %支持度阈值
%根据关联规则进行推荐算法
%初始商品推荐列表
[P,Support] = func_ProductList(data,Supp);if length(P) > Max_NLen            = length(P);  [tmps,I]       = sort(Support);Index          = I(Len-Max_N+1:Len);Recommend_list = P(Index);Support_list   = Support(Index);
elseRecommend_list = P;Support_list   = Support;
end
%获得最后的推介商品
R1 = [Prod_ID(Recommend_list),Support_list];save r1.mat R1 P Support Prod_IDdisp('推荐商品的ID号：');
Prod_ID(Recommend_list)
05_028m

4.算法理论概述

用户兴趣模型，即对用户的兴趣和爱好的准确描述。而在建立用户兴趣模型的时候，首先需要确定用户兴趣模型的表示形式。因此，用户兴趣模型的表示是用户兴趣模型的一个重要环节。所谓用户兴趣的表示，即个性化信息推荐的一个重要环节，影响用户兴趣的因素有很多种，比如年龄，学历，职业等。另外一方面，用户兴趣会随着时间的变化而变化，这对用户兴趣的表示增加了难度。其中一个最为基础的用户兴趣表示方法是通过关键词来表示的。但是通过关键词方式的用户兴趣表示方法具有一定的局限性。这个局限性，主要是因为关键词无法完全表达出用户兴趣导致的。

用户兴趣模型的构建，其本质就是和用户兴趣相关的信息的获取，然后构建一个可以读取识别这些信息的数学模型的过程。用户兴趣模型的构建过程如下图所示。

用户兴趣模型是个性化推荐技术的基础，通过建立一个优良的用户兴趣模型，可以实现更高性能的推荐系统。从而大大减少了用户寻找自己感兴趣信息的时间和精力。

协同过滤推荐（Collaborative Filtering Recommendation）技术，在推荐系统中是最为成功的技术之一。协同过滤，被称为社会过滤或者协作过滤。最早是由Goldberg等学者提出来的，之后发展快速且广泛。协同过滤方法，首先利用用户历史评价的记录，然后构建出用户评分矩阵，并且计算项目或用户之间相似度，最后是采用领域的方法向用户推荐。协同过滤，根据用户的历史喜好信息，计算用户之间的距离，然后对商品的评价进行加权评价值，利用目标用户的最近的邻居用户，预测目标用户对商品的喜好程度，系统根据对商品的喜好程度从而对目标用户进行个性化推荐。

支持度表示某一关联规则在数据中出现的普遍程度，即称为该关联规则在数据中的支持度，其中支持度的计算公式为：