1.一种基于多目标进化算法的个性化商品推荐方法,其特征在于,包括:S1、按照预设比例将多类数据集分成多类训练集与测试集,再将多类训练集以一对多方式分成若干个二类训练子集;
S2、对多目标种群进行初始化,并对二类训练子集进行二进制编码得到N个个体;
S3、将N个个体体进行多目标迭代得到pareto前沿面;
S4、将pareto前沿面上AUC值最大的个体对应的SVM分类器作为预测模型;
S5、根据模型改进策略对预测模型进行改进,得到目标预测模型;
S6、根据目标预测模型对测试集进行预测,根据测试集中每个样本的AUC值对测试集中每个样本进行分类,得到测试集中每个样本的类别,根据每个样本的类别确定每个样本对应的商品种类。
2.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法,其特征在于,步骤S2,具体包括:S21、对二类训练子集中的样本进行二进制编码,得到一组长度为二类训练子集样本数相同的01字符串,0表示选取该训练样本,1表示不选取该训练样本,将得到的二进制字符串记为一个个体;
S22、重复执行步骤S21,直到得到N个个体。
3.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法,其特征在于,步骤S3,具体包括:S31、将N个个体作为父代进入多目标种群迭代过程,并计算每个个体的TPR与FPR,TPR=TP/(TP+FN),FPR=FP/(FP+TN),其中,TP表示正样本被正确分类成正类样本的个数,FN表示负样本被错误分类成正类样本的个数,FP表示正样本被错误分类成负类样本的个数,TN表示负样本被正确分类成负类样本的个数;
S32、根据TPR与FPR计算拥挤距离和适应度值,并产生子代个体;
S33、将父代与子代合并进入第一次迭代,并通过精英机制选出新的子代且作为下一次迭代中的父代;
S34、重复步骤S31至步骤S33,直到迭代次数达到预设的最大迭代数,得到pareto前沿面,所述pareto前沿面表示一组非支配的个体,每个个体为一组二进制字符串。
4.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法,其特征在于,步骤S4,具体包括:S41、选取pareto前沿面上的所有个体所对应的训练样本,然后利用线性SVM训练训练样本,得到每个个体的分类器,根据各个体的分类器计算各个体的AUC值;
S42、选取各个体的AUC值中AUC值最大的个体对应的SVM分类器作为预测模型。
5.根据权利要求1所述的基于多目标进化算法的个性化商品推荐方法,其特征在于,步骤S5,具体包括:S51、将预测模型对应的AUC值与预设的阈值进行比较,若预测模型对应的AUC值小于阈值时,执行步骤S52;否则,将预测模型作为目标预测模型;
S52、选取pareto前沿面上AUC值最大的个体对应的训练样本,然后将该训练样本中多数类样本进行欠采样技术,并与少数类样本进行合并后训练得到新的SVM分类器,并计算得到新的AUC值;;
S53、重复执行步骤S52,直到得到N个新SVM分类器与对应的AUC值;
S54、将N个AUC值中最大值的与预测模型对应的AUC值进行比较,选取二者中较大AUC值对应的SVM分类器作为目标预测模型。