一种基于ISOA算法的商品评分优化方法

技术领域

本发明涉及智能优化技术领域，具体涉及一种基于ISOA算法的商品评分优化方法。

背景技术

近年来，以云计算、物联网、5G等为代表的计算机应用技术迅猛发展，给人们的生活带来了诸多便利。然而每日产生的呈指数级增长的数据也造成了信息过载问题，导致了信息利用率降低。随着中国经济快速发展，实体零售行业日益繁荣，商品种类日新月异。消费者在购物时往往难以精准、快速的挑选心仪的商品。尤其在商场环境下，消费者几乎无法快速搜索自己想要的商品，越来越多的消费者更加青睐于线上购物。随着虚拟现实技术的不断发展，现有的VR眼镜可以对人眼关于某一物品的时长进行记录，本发明利用虚拟现实技术记录的关注时长，预测出用户对某件商品的喜爱程度，精准的进行商品推送，提高用户满意度的同时，增加平台收益。

发明内容

发明目的：本发明的目的是提供一种基于ISOA算法的商品评分优化方法通过收集用户关注度信息，再根据关注的内容为其推送相应的商品，从而给用户带来更好的使用体验同时实现盈利。

技术方案：本发明所述的一种基于ISOA算法的商品评分优化方法，包括以下步骤：

(1)利用VR设备获取关注度数据；

(2)建立关注度评分模型；

(3)通过改进的海鸥优化算法ISOA对关注度评分模型权重因子进行优化；

(4)输出最优权重因子，将最优权重因子导入模型进行计算评分。

进一步的，所述步骤(1)关注度数据包括：历史消费数据、商品浏览时长以及细节点关注时长。

进一步，所述步骤(2)实现过程如下：

f(x)＝λ

λ

其中，f(x)为关注度评分，k

进一步的，所述步骤(3)包括以下步骤：

(31)使用sigmoid函数作为非线性收敛因子A

(32)计算关注度评分更低的模型权值；

(33)计算X、Y和Z平面的运动的轨迹；

(34)利用正弦余弦算子改变海鸥算法的迭代方式；

(35)计算海鸥的最新位置；

(36)计算海鸥的最优位置。

进一步的，所述步骤(31)具体如下：

其中，

进一步的，所述步骤(32)具体如下：

其中，

进一步的，所述步骤(33)具体如下：

其中,r是海鸥进行攻击行为时螺旋飞行的半径；θ为[0，2π]区间内的随机角度值；u和v是常数；e是自然对数的底数；

进一步的，所述步骤(34)具体如下：

其中a是常数；r

进一步的，所述步骤(35)具体如下：

式中,TD(n)表示自由度为n的t分布；a＝0.1；b＝1；T为最大迭代次数。

进一步的，所述步骤(36)具体如下：按照一定概率接受自适应t分布变异的新解，随机生成一个参数pe∈[0,1]，新的最优海鸥位置为：

在进行迭代寻优时，通过概率pe确定最优解时会有两种选择：第一，继续按原算法选择最优解；第二，选择自适应t分布变异扰动后产生的新解。

有益效果：与现有技术相比，本发明具有如下显著优点：本发明将历史消费数据、商品浏览时长以及细节点关注时长三种因素作为关注度评分模型的输入并将当天商品成交订单信息作为历史消费数据上传到历史消费数据库中，有效保证了关注度评分的可靠性；本发明在原有的基础上加入了收敛因子对附加变量进行改进，引入正余弦算子协调算法的局部搜索和全局搜索能力，同时引入自适应分布变异策略以进行扰动变异产生新解，增加了种群的多样性，避免算法陷入局部最优。

附图说明

图1为本发明的结构框架图；

图2为本发明VR设备智能分析的流程图；

图3为本发明改进海鸥算法流程图；

图4为本发明平台月订单数对比图；

图5为本发明净收益对比图。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

如图1-2所示，本发明实施例提供一种基于ISOA算法的商品评分优化方法，包括以下步骤：

(1)利用VR设备获取关注度数据；关注度数据包括：历史消费数据、商品浏览时长以及细节点关注时长。

(2)建立关注度评分模型；实现过程如下：

f(x)＝λ

λ

其中，f(x)为关注度评分，k

(3)如图3所示，通过改进的海鸥优化算法ISOA对关注度评分模型权重因子进行优化；包括以下步骤：

(31)使用sigmoid函数作为非线性收敛因子A

其中，

(32)计算关注度评分更低的模型权值；具体如下：海鸥会向最佳位置所在方向移动，在个体到达到与其他海鸥存在冲突的位置后，会更新位置，从而更接近最佳位置，不断更新使得关注度评分更低的模型权值。

其中，

(33)计算X、Y和Z平面的运动的轨迹；具体如下：海鸥攻击猎物时，通过翅膀和重量保持高度，在空中进行螺旋飞行运动，不断改变攻击角度和速度。X、Y和Z平面的运动行为描述如下：

其中,r是海鸥进行攻击行为时螺旋飞行的半径；θ为[0，2π]区间内的随机角度值；u和v是常数；e是自然对数的底数；

(34)利用正弦余弦算子改变海鸥算法的迭代方式；具体如下：引入正弦余弦算子用以改变海鸥算法的迭代方式，丰富了海鸥种群的多样性，进一步平衡算法的全局搜索能力和局部开发能力，提高了收敛速度和精度，极大提升了算法的性能，提高模型评分的准确性。

其中a是常数；r

(35)计算海鸥的最新位置；具体如下：为了在前期丰富种群多样性的同时，后期保留海鸥种群的精英解，这里同时引入自适应参数ω。在迭代前期ω可取较大值，利用t分布变异产生新解增加种群多样性。随着迭代次数增加，算法逐渐接近最优解，自适应参数ω控制t分布对新解的影响逐步降低，充分保留了海鸥种群的精英解。

式中,TD(n)表示自由度为n的t分布；a＝0.1；b＝1；T为最大迭代次数。

(36)计算海鸥的最优位置。具体如下：按照一定概率接受自适应t分布变异的新解，随机生成一个参数pe∈[0,1]，新的最优海鸥位置为

这样算法进行迭代寻优时，通过概率pe确定最优解时会有两种选择：一是继续按原算法选择最优解，维持种群多样性的同时保留了精英解；二是选择自适应t分布变异扰动后产生的新解，其结合了高斯分布和柯西分布的优点。

(4)输出最优权重因子，将最优权重因子导入模型进行计算评分。

如图4所示，传统的随机推送方式平均每月的订单数约为1.709万单，而采用虚拟现实技术的智能推送方式，平均每月的订单数约为1.994万单，订单平均每月增加16.7％，表示本发明的智能推送能够有效向用户推送用户感兴趣的产品，激发用户的购物欲。

如图5所示，传统推送系统净收益每月约为16.908万元，而采用本发明的智能推送，净收益平均每月约为20.5075万元，平均每月可以增加3.599万元，每月的净收益有显著提高，有效达到了提高收益的目的。