近似概念的遗传生成算法及其推荐应用

由于构造概念格的时间复杂度高,在推荐领域已有研究者提出用概念集合来替代概念格。但目前对概念集合的研究未考虑近似概念的作用,因此将近似概念引入推荐应用,并提出基于遗传算法(GA)的近似概念生成算法(ACGA)和相应的推荐应用方案。首先由启发式方法生成初始概念集合;其次用交叉算子对初始概念集合中的概念的外延两两求交集,从而得到近似概念;然后用选择算子根据外延相似度以及相关阈值筛选出满足条件的近似概念来更新概念集合,而不满足条件的近似概念由变异算子按照用户相似度进行外延调整,直到其满足条件;最后基于新的概念集合,根据邻居用户的偏好向目标用户进行推荐。在4个推荐系统常用的数据集上进行实验,结果表明ACGA生成的近似概念提升了推荐效果,尤其是在2个电影评分数据集上,ACGA与概率矩阵分解(PMF)算法相比,F1值提升了近78%,召回率提升了近104%,精确度提升了近57%;与K最近邻(KNN)算法比较,精确度提升了近12%。