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：

推荐商品的ID号：
 
ans =
 
        9838
       17582
       21911
       14902
       14902
       12352
       24732
       23071
       23499
       11790
        1547
       16550
       16550
       16550
        1133
       11330
       27415
       28391
        6672
        8193
        8193
       12168
         241
       14020
       20631
       17958
       21336
       25227
        2257
        2257
       14182
        5369
       22313
       11280
       26699
       25792
       12168
       17060
        2963
       27791
       27791
       27791
       20297
       14182
       14182
       12599
        1547
        1547
       15584
        4479
       22583
       26298
       26006
        3627
       14020
        9657
       25086
       23662
       25372
       29203
       26871
       15934
       13883
       12220
       27785
       27785
       27785
       25488
       27989
       27989
        6672
       27508
       22583
        9829
        7386
        4647
       13554
       11939
        2635
       25372
       25372
        6080
       12162
       25329
       17550
        7868
        7868
       28410
        8637
       25488
       21838
       11083
         251
        6319
        6319
        2410
       23928
       19421
       13494
        7490
       23662
       14159
       11000
       11000
       12606
       21657
        4571
       15639
       12230
       24528
       17445
        1133
       11052
       23482
       23482
       23482
       23482
       23482
       23482
       22583
         241
       26969
       14902
        6672
       26722

2.算法运行软件版本

matlab2022a

3.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。

4.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)