作为解决信息过载的有效工具,推荐系统赢得了用户的青睐。其中协同过滤算法以用户之间的历史信息为依据,向用户做出个性化推荐,因其简单有效得到了广泛的应用。但是噪声用户、数据稀疏等问题限制了算法性能的进一步提升。为了缓解上述问题,信息核用户的思想被提出。但是目前仅有通过事先定义标准的方法来构建信息核用户组合。针对这一问题,我们将搜索信息核用户组合建模为组合优化问题,并利用进化算法及其变体搜索信息核用户组合。具体包括以下内容:(1)提出了基于精英种群的进化算法搜索信息核用户,算法利用顺序交叉对精英种群进行操作,从而加速进化。实验结果验证了提出算法的有效性。结果显示该方法与现存的启发式策略方法和传统协同过滤方法相比,可以有效地识别信息核用户,提高推荐准确率。此外,该方法极大地降低了在线推荐时间。(2)提出了基于变长编码的进化算法,用以缓解系统包含大规模用户时传统进化算法收敛速度慢等不足。算法首先初始化种群个体,个体长度是事先设定的,然后通过交叉算子对种群个体中的基因进行组合以便优秀的用户组合在一起,接着通过特定的变异算子增加或者减少个体的长度,对个体中的部分基因位进行替换。此外,通过重置种群的策略,广泛搜索解空间。实验结果证明,该方法较基于精英种群的进化算法有更好的能力快速搜索到优秀的信息核用户组合,并且可以找到总数更少的信息核用户,降低在线推荐时间。(3)提出了虚拟信息核用户的概念。虚拟信息核致力于解决稀疏数据和用户数量过多带来的困扰。首先依据用户的历史数据对其进行聚类,然后将属于同一类的用户虚拟成一个用户,降低数据稀疏性,最后利用基于精英种群的进化算法在虚拟用户中搜索虚拟信息核用户。实验结果显示所提出的算法提高了系统的准确率和召回率,而且一定程度上缓解了可扩展性问题。