本發(fā)明屬于知識服務領域，具體涉及一種基于交互式差分進化計算的用戶知識需求獲取方法。

背景技術：

在多數(shù)企業(yè)擁有龐大的知識數(shù)量和優(yōu)質(zhì)的知識資源的情況下，如何利用推送系統(tǒng)將知識主動推送給設計人員以提高企業(yè)生產(chǎn)效率是目前知識密集型企業(yè)關注的重點。在知識推送系統(tǒng)中，依據(jù)用戶的任務和行為信息對產(chǎn)品設計人員進行推送。那么如何將合適的知識文檔推送給新用戶和如何將新的知識文檔(即新項目)推送給需要的人的問題，即用戶/項目(知識文檔)冷啟動問題，是知識推送系統(tǒng)發(fā)展的關鍵問題。現(xiàn)存的冷啟動解決方案大多需要已知用戶評分數(shù)據(jù)，而且只能解決用戶、項目冷啟動問題之一。對于產(chǎn)品設計領域的知識推送系統(tǒng)冷啟動而言，由于用戶-知識文檔-評分數(shù)據(jù)的缺失，現(xiàn)有的冷啟動解決方案并不適用。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種基于交互式差分進化計算的用戶知識需求獲取方法，能夠在缺失用戶-知識文檔-評分數(shù)據(jù)的條件下，同時解決用戶冷啟動和項目冷啟動問題。

實現(xiàn)本發(fā)明的技術方案如下：

一種基于交互式差分進化計算的用戶知識需求獲取方法，包括以下步驟：

步驟一、將知識文檔轉化為向量，構建向量數(shù)據(jù)庫；

步驟二、將向量數(shù)據(jù)庫中的向量聚為N類，從每類中隨機抽取一個向量，得到N個種群向量，記為{xi(g)}，其中xi(g)表示種群中第g代的第i個向

量,i＝1,2,…,N；g＝0,1,2,……；

步驟三、將種群向量對應的知識文檔推送給用戶，設置用戶滿意度指標為點擊率，若用戶對所推送的知識文檔的點擊率不小于80％，執(zhí)行步驟六，若點擊率小于80％，執(zhí)行步驟四—步驟五；

步驟四、依次對第g代的N個種群向量分別進行變異、交叉得到新的N個向量{ui(g+1)}；

利用貪婪算法從得到的{ui(g+1)}和{xi(g)}中選擇得到下一代種群個體；

其中，f(ui(g+1))表示個體ui(g+1)的適應度值；

步驟五、利用余弦相似度算法依次計算N個g+1代種群向量與向量數(shù)據(jù)庫中的向量的相似度，選取最相近的N個向量所對應的知識文檔，交互次數(shù)累加1，執(zhí)行步驟三；

步驟六、將當前的N個種群向量作為用戶知識需求模型輸出。

進一步地，所述知識文檔包括pdf文檔，word文檔和txt文檔。

進一步地，步驟一中，采用doc2vec(文本向量轉化)技術將知識文檔轉化為向量。

進一步地，步驟二中，利用K-means方法將向量聚為N類。

有益效果：

本發(fā)明首次將進化算法與交互式方式結合來獲取用戶知識需求；根據(jù)用戶的點擊行為確定適應度函數(shù)并再次進行進化算子的計算，達到用戶滿意度時用戶點擊的文本數(shù)據(jù)，即可用來訓練用戶的知識需求模型，擬合用戶的知識需求。本發(fā)明實現(xiàn)了在缺失用戶-知識文檔-評分數(shù)據(jù)的條件下，同時解決用戶冷啟動和項目冷啟動問題。

附圖說明

圖1為本發(fā)明方法流程圖。

具體實施方式

下面結合附圖并舉實施例，對本發(fā)明進行詳細描述。

如圖1所示，本發(fā)明提供了一種基于交互式差分進化計算的用戶知識需求獲取方法，包括以下步驟：

步驟一、利用自然語言處理技術對知識文檔進行預處理，所述知識文檔包括pdf文檔，word文檔和txt文檔，所述預處理包括分詞和去除停用詞；然后利用doc2vec(文本向量轉化)技術將預處理后的知識文檔轉化為向量。構建知識文檔向量數(shù)據(jù)庫，該向量數(shù)據(jù)庫是底層處理的基礎數(shù)據(jù)，知識文檔是呈現(xiàn)給用戶的數(shù)據(jù)。

步驟二、確定用戶單次瀏覽條目數(shù)量N，設置交互次數(shù)初始值actNum＝1。其中瀏覽條目數(shù)量N指呈現(xiàn)給用戶的界面所示的知識文檔個數(shù)。交互次數(shù)定義為：算法每生成一次推薦列表，便將知識文檔推送給用戶，用戶對推薦的知識文檔進行一系列的點擊，利用差分進化算法處理用戶點擊過的知識文檔并再次生成推薦列表。這樣的一次算法推送-用戶點擊的過程成為一次交互。將向量數(shù)據(jù)庫中的向量利用K-means方法聚為N類，從每類中隨機抽取一個向量，得到N個種群向量，每個向量為一個個體，參與后續(xù)的進化算法計算，記為{xi(g)}，其中xi(g)表示種群中第g代的第i個向量,i＝1,2,…,N；g＝0,1,2,……；

步驟三、將種群向量對應的知識文檔推送給用戶，設置用戶滿意度指標為點擊率CTR(Click-Through-Rate)，若用戶對所推送的知識文檔的點擊率不小于80％，執(zhí)行步驟六，若點擊率小于80％，執(zhí)行步驟四—步驟五；

步驟四、進行差分進化算子計算。其具體步驟為：

依次對第g代的N個種群向量分別進行變異操作得到中間體{vi(g+1)}；

vi(g+1)＝xr1(g)+F·xr2(g)-xr3(g)),i≠r1≠r2≠r3

其中，xr1(g)為第g代待變異向量，r1＝1,2,…,N，xr2(g)和xr3(g)為第g代種群向量中兩個不同的向量，r2＝1,2,…,N,r3＝1,2,…,N,r1≠r2≠r3，F為縮放因子，是一個常數(shù)；

對種群中的所有向量{xi(g)}及變異得到的中間體{vi(g+1)}進行個體間交叉操作得到新的N個向量{ui(g+1)}；其中，ui(g+1)中的各元素uj,(g+1)根據(jù)下式得到，j＝1,2,…,D,其中D為向量元素總數(shù)：

其中，CR為交叉概率，為設定值；vj,i(g+1)為中間體vi(g+1)的第j個元素，xj,(g)為xi(g)的第j個元素；若隨機數(shù)rand(0,1)小于等于交叉概率CR，則第g+1代的第i個向量的第j個元素取中間體的第j個元素；反之，則取第g代的第i個向量的第j個元素；

利用貪婪算法從得到的{ui(g+1)}和{xi(g)}中選擇得到下一代種群個體；

其中，f(ui(g+1))表示個體ui(g+1)的適應度值；

f(i)將進化算法的迭代過程與用戶行為信息聯(lián)系起來，用戶對呈現(xiàn)的推薦列表進行點擊，被用戶點擊過得文檔對應適應度值1，未被點擊的文本對應的適應度值為0。

步驟五、利用余弦相似度算法依次計算N個g+1代種群向量與向量數(shù)據(jù)庫中的向量的相似度，選取最相近的N個向量所對應的知識文檔，交互次數(shù)累加1，執(zhí)行步驟三；

步驟六、將當前的N個種群向量作為用戶知識需求模型輸出，并輸出當前交互次數(shù)。

上述步驟一—步驟六即為用戶知識需求獲取的具體過程，可以獲知用戶對哪些知識文檔感興趣。

本發(fā)明中，種群數(shù)量N、縮放因子F和交叉概率CR可根據(jù)實際數(shù)據(jù)集進行實驗，在最小交互次數(shù)內(nèi)達到用戶滿意度的參數(shù)組合(種群數(shù)量N、縮放因子F和交叉概率CR)即為最佳優(yōu)化策略值。

當新用戶進入系統(tǒng)時，可以通過本方法快速獲取其知識需求，訓練其知識需求模型，在后續(xù)的推薦過程中將合適的知識推送給新用戶，以解決新用戶冷啟動問題。當新項目進入系統(tǒng)時，可以利用已經(jīng)訓練好的用戶知識需求模型判斷新項目(即新的知識文檔)為哪些用戶所需，并將新知識推送給合適的用戶，以解決新項目冷啟動問題。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。

總結

以上是生活随笔為你收集整理的java头像交互式差分演变_一种基于交互式差分进化计算的用户知识需求获取方法与流程...的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。