互联网的普及使得数据信息在我们的生活中扮演着越来越重要的角色,数据带给我们生活便利的同时使得我们不得不面临信息过载的困局。为了有效处理愈加严重的信息过载现象,提高对信息的检索能力,推荐系统进入了人们的视野。协同过滤算法作为推荐算法领域中表现最出色的算法之一,在海量信息的轰炸下渐渐暴露了其固有的一些缺陷,其中可扩展性问题就严重抑制了协同过滤算法的发展。可扩展性问题指的是协同过滤算法计算所需的时间消耗与空间消耗随着数据规模的增大呈现出指数型增长的趋势,这种增长趋势导致了协同过滤算法性能急剧下降。本文提出基于协同进化算法的信息核优化方法,用于提升推荐精度,降低在线推荐时间,以应对可扩展性问题。这种利用协同进化算法寻找合适信息核的行为,我们称之为信息核协同进化优化。利用优化后的信息核进行协同过滤推荐,能够在保证推荐精度的同时缓解可扩展性问题。具体的研究内容如下:1.基于信息核的推荐算法能够减少在线推荐时间,然而现有的信息核提取方式主要是基于启发式策略来构建信息核。这些方法通过主观标准或者经验进行构造,得到的信息核组合一般只是局部最优。针对上述情况,本文提出一种基于协同进化算法的信息核优化方法,用于克服当前的信息核提取方法无法充分发挥信息核优势的缺陷。相比启发式策略方法,协同进化算法具有更好的全局搜索性能,优化出的信息核具备更优的推荐质量,能够充分发挥信息核的优势。实验结果表明,文中提出的基于协同进化算法的信息核优化方法能够发现质量更优的信息核,从而较大地提高信息核的推荐精度。2.上述基于协同进化算法的信息核优化方法能够发挥信息核的优势,但是由于该协同进化算法十分强调精英在进化中的作用,可能导致进化过程中种群多样性不足从而出现早收敛的情况。为了进一步提高协同进化算法在进化过程中的种群多样性,对上述算法进行改进,提出了一种基于队长差异性的选择机制。首先通过增大精英子种群规模提高收敛速度,然后使用队长差异性选择机制保持进化后期种群的多样性,避免出现早收敛的情况。除此之外,我们针对挑选推荐项目可能会出现的情况:当出现多个预测评分相同的项目时,该选择哪个项目加入推荐列表,提出了基于项目流行度的优先推荐规则。根据实验结果,队长差异性选择机制可以有效缓解早收敛的现象,基于项目流行度的优先推荐规则对于信息核的推荐精度有了明显的改善。3.将需要同时考虑多个选择标准的信息核优化问题建模为多目标优化问题,提出了一种基于多目标协同进化算法的信息核优化方法。该算法旨在针对用户不同的需求提供不同的信息核组合方案,从而达到推荐精度与多样性之间的平衡。通过对该算法仿真测试的结果证实,基于多目标协同进化算法的信息核优化方法能够获得不同的信息核,从而满足用户的不同需求,且基于多目标协同进化算法的信息核优化方法表现出了较好的收敛性能。