[发明专利]一种基于粒子群算法的艺术品推荐方法

说明书

本发明公开了一种基于粒子群算法的艺术品推荐方法，包括如下步骤：S1：形成用户和艺术品属性矩阵；S2：引入K‑means算法，并根据艺术品属性权重对传统算法进行改进，融合用户搜索行为的数量以及频度的特征，构建用户特征向量，进而通过基于属性权重进行相关用户聚类；S3：计算邻居集合：(1)、类别的聚类；(2)、最近邻搜索。本发明通过粒子群寻优过程，寻找全局最优的权重和最优的结果，自动把个性化需求信息及时提供到用户的手里。

技术领域

本发明涉及艺术品推荐技术领域，尤其涉及一种基于粒子群算法的艺术品推荐方法。

背景技术

随着人们收入水平的提高，艺术品消费也开始走进寻常百姓家。特别是移动互联网的普及，艺术品市场也全面进入互联网时代，艺术品的网上展示交易日益成为潮流。消费者面对大量的网上艺术品交易信息，常常会因此而迷失其中，出现信息膨胀也称作信息过载的问题，往往难以发现最需要或最适合的艺术品。用户推荐系统的出现有效地缓解了这一矛盾。但是，数据的稀疏性、冷启动以及忽略用户兴趣迁移等问题的存在却阻碍着推荐系统进一步的发展。对此，人们在努力寻找一种智能的服务方式，可以按照用户的意愿为用户选择他感兴趣的产品或服务。

为了解决这一矛盾问题，快速准确地找到所需信息，搜索引擎(SearchEngine)技术备受青睐，但是搜索引擎必须依据用户输入的准确信息来完成信息搜索工作，而且也没有顾及用户的个性化特点，只要关键词一致，那么每个用户获得的搜索结果都是相同，所以它的智能性低，难以在知识层面理解用户需求。

另外，搜索引擎工作的机制也决定了其只适合在用户主动搜索时进行被动式的服务，无法提供适时的主动推荐。为使用户得到需要而满意的服务，推荐系统成为必然之选。为此，我们提出了一种基于粒子群算法的艺术品推荐方法。

发明内容

本发明提出了一种基于粒子群算法的艺术品推荐方法，以解决上述背景技术中提出的问题。

本发明提出了一种基于粒子群算法的艺术品推荐方法，包括如下步骤：

S1：形成用户和艺术品属性矩阵；

S2：引入K-means算法，并根据艺术品属性权重对传统算法进行改进，融合用户搜索行为的数量以及频度的特征，构建用户特征向量，进而通过基于属性权重进行相关用户聚类；

S3：计算邻居集合：

(1)、类别的聚类，其具体步骤如下：

Step1、初始化一群微粒，且群体规模为m；

Step2、计算每个微粒的适应度；

Step3、对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；

Step4、如果否，就更新粒子的位置和速度；如果是，输出解决最优解即聚类中心；

Step5、未达到结束条件则转Step2，迭代终止条件为最大迭代次数Gk或/和微粒群迄今为止搜索到的最优位置满足预定最小适应阈值；

(2)、最近邻搜索，其具体步骤如下：

在经过目标艺术品聚类后，只需要在目标相似性最高几个聚类中就能够找到目标艺术品的大部分邻居，而不用在整个空间进行搜索，与目标相似性最高几个聚类空间相对于整个空间要小得多，因此能够大大提高在线搜索速度，让推荐系统实时性得到保证。

优选的，在S2中的K-means算法的处理流程如下：

(1)、从n个数据对象任意选择k个对象作为初始聚类中心；

(2)、根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；