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

最后得到推荐的商品ID号：

2.算法运行软件版本

matlab2022a

3.部分核心程序

...............................................................
while gen < MAXGEN;   
      gen
      P1 = 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 == 1
              LR(a)    = Supp0;               
          else
              LR(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
end

load 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_N
   Len            = length(P);  
   [tmps,I]       = sort(Support);
   Index          = I(Len-Max_N+1:Len);
   Recommend_list = P(Index);
   Support_list   = Support(Index);
else
   Recommend_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_ID

disp('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：

此外，置信度说明某一关联规则成立的必然程度，即称为该关联规则在数据库的可信度，其中支持度的计算公式为：

通过判断支持度和置信度是否超过阈值，来判断是否产生一个强规则，那么预先设置这个支持度阈值和置信度阈值是十分重要的，对最后的推荐准确度有着重要影响。这里，通过遗传算法来优化支持度阈值和置信度阈值。

这里，设置优化目标函数为：

其中函数f表示的是当设置不同的支持度阈值和置信度阈值下，整个推荐算法获得的推荐正确率，然后通过GA算法流程图进行阈值的优化。

5.算法完整程序工程

OOOOO

OOO