覆盖约束多目标进化推荐算法用于平衡准确率、多样性与新奇性

《Neural Networks》：Coverage-Constrained Multi-Objective Evolutionary Recommendation Algorithm for Balancing Accuracy, Diversity, and Novelty

　　

深度学习通过自动特征提取和预训练技术缓解了推荐系统中的数据稀疏性和冷启动问题。然而，同质化现象对推荐结果的多样性产生了负面影响。为了平衡准确率（Accuracy）、多样性（Diversity）和新奇性（Novelty），研究人员提出了一种覆盖约束多目标进化推荐算法，命名为cCMOERA。该算法采用两个协作种群来逼近帕累托前沿（Pareto Frontier, PF），并在进化过程中调整适应度评估策略。此外，cCMOERA使用了改进的概率交叉操作，以准确率、多样性和新奇性作为目标函数，并将覆盖率（Coverage）作为约束条件。为了初始化算法，研究人员利用了由多粒度注意力推荐（Multi-Grained Attention Recommendation, MGAR）模型生成的候选推荐列表。最终的推荐列表通过计算种群适应度并进行克隆、交叉和变异等操作生成。实验结果表明，cCMOERA能够生成具有高准确率、多样性和新奇性的推荐列表。

论文解读：覆盖约束多目标进化推荐算法研究

研究背景与动机

在信息爆炸的时代背景下，个性化推荐系统已成为缓解用户信息过载、提升用户体验的核心技术，广泛应用于电子商务、社交媒体及在线娱乐等领域。尽管传统推荐策略在准确率上表现优异，但其局限性逐渐显现，主要表现为内容同质化、过度集中于热门物品以及长尾产品边缘化。这些问题不仅降低了用户的探索乐趣，还限制了平台内容的生态多样性，例如在电商平台上用户反复收到相似风格的高销量产品，而在内容平台上用户则容易陷入“过滤气泡”（Filter Bubbles）难以获取跨域或边缘化内容。为了解决这些问题，研究人员开始将多样性和新奇性纳入推荐系统的关键目标。多目标优化算法因其能够灵活平衡多个目标而被广泛采用，但在推荐领域中，现有的约束多目标进化算法仍面临严峻挑战。传统的约束支配原则（Constraint Dominance Principle, CDP）严格优先可行解，导致种群往往从极具潜力但暂时不可行的区域消失，最终陷入局部最优，尤其是在帕累托前沿不连续或被巨大不可行区域阻隔时。此外，传统的遗传算子常采用基于频率的交叉机制，忽略了推荐列表中特定的位置上下文，从而损害了推荐的精确性和个性化。鉴于此，研究人员开展了本项研究，旨在提出一种新的框架以克服上述缺陷。

研究方法与技术路径

研究人员提出了cCMOERA（coverage-constrained Multi-Objective Evolutionary Recommendation Algorithm），这是一个集成了协作种群与两阶段自适应适应度评估的约束多目标优化框架。该研究首先利用MGAR模型构建语义丰富的候选解空间，并将类别级覆盖率定义为基本结构约束。核心技术方法包括：1）采用结合SPEA2（Strength Pareto Evolutionary Algorithm 2）和MOEA/D（Multi-Objective Evolutionary Algorithm based on Decomposition）的双种群协同进化机制，前者通过支配关系维持分布良好的精英存档，后者通过问题分解加速向帕累托前沿搜索；2）设计了两阶段自适应适应度评估策略，引入动态ε-约束支配原则，第一阶段优先考虑跨区域探索以定位可行空间，第二阶段通过逐步收紧容忍阈值ε来细化搜索；3）使用改进的基于概率的交叉算子，结合克隆、交叉和变异操作生成最终推荐列表。

实验结果与分析

实验部分，研究人员在基准推荐数据集上验证了cCMOERA算法的有效性。首先利用MGAR评分预测算法生成初始推荐列表，随后通过cCMOERA多目标优化过程进行优化。通过与现有多目标推荐算法及传统单目标算法的比较，结果显示cCMOERA在生成具有高准确率、多样性和新奇性的推荐列表方面表现出优越性能。消融研究进一步证实了各组件的有效性。

结论与展望

研究结论表明，cCMOERA作为一种基于约束多目标优化的个性化推荐算法，成功解决了推荐系统中准确率、多样性和新奇性之间的平衡问题。通过在进化过程中引入覆盖约束和动态适应度评估，该算法有效避免了种群过早收敛于局部最优，并能稳健地识别高质量的非支配解。这项工作为打破复杂推荐场景中的“过滤气泡”提供了有力的技术支持，具有重要的理论与实践意义。论文成果发表于《Neural Networks》。