The present invention discloses a method of using a multi-modal network to learn a movie recommendation based on social relations. The main steps are as follows: 1) for a group of video and users, build a SMR network with its correlation. And for the formation of SMR network construction sampling path, expression mapping and for the comprehensive expression of film and user nodes in the path sampling of the film with the user, then the loss function according to predefined update, the user obtains the final expression and comprehensive expression of the film. 2) to produce a comprehensive expression of the user and the film, and produce a movie recommendation for the user. Compared with the general movie recommendation solution, the invention extracts the multimodal information of the movie and forms the final effective user expression for the user, which can more accurately reflect the characteristics of the user and the movie, and generate more consistent movie recommendation. The effect of the invention in the film recommendation problem is better than that of the traditional method.
【技术实现步骤摘要】
一种利用多模态网络学习进行基于社交关系的电影推荐的方法
本专利技术涉及电影推荐生成,尤其涉及一种利用多模态网络学习进行基于社交关系的电影推荐的方法。
技术介绍
随着网络电影工业地发展,基于社交关系的电影推荐系统成为一种重要的在线网络服务,该服务的目标是针对于每一名用户,基于其社交关系推荐相关的电影。现有的技术主要是针对于用户的反馈与电影的一些人工选择的特征来构建用户电影推荐模型,该方法受困于缺乏对于多模态电影内容的有效可区分特征及基于社交关系的电影推荐系统的稀疏性。本专利技术将采用一种以随机游走为基础的学习方法来构建多模态的神经网络从而学习出多模态电影内容的表达及用户的推荐模型。利用所学习出的电影内容表达与用户的模型来进行基于社交关系的电影推荐。本方法将先针对于构建的异质的社交关系电影推荐网络(SMR网络),利用随机游走的方法构建样本路径。之后针对于路径中的电影节点利用VGG网络与LSTM网络分别提取电影的海报信息及电影的描述信息并合成为电影的综合表达,针对于路径中的用户节点构建用户映射矩阵,再针对于预定义的目标函数求出损失值,利用SGD的方法对于用户及电影矩阵进行更新。经过多次的更新之后,获取最终的用户映射与电影映射。利用最终形成的用户映射与电影映射对于用户进行电影的推荐排序。
技术实现思路
本专利技术的目的在于解决现有技术中的问题,为了克服现有技术中缺乏对于多模态电影内容的有效可区分特征及基于社交关系的电影推荐系统的稀疏性的问题,本专利技术提供一种多模态网络学习进行基于社交关系的电影推荐的方法。本专利技术所采用的具体技术方案是:利用多模态网络学习来解决基于 ...
【技术保护点】
一种利用多模态网络学习进行基于社交关系的电影推荐的方法,其特征在于包括如下步骤:1)针对于一组电影、用户,依据用户之间的相互关注关系、用户对于电影的评价构建含有其相关关系的SMR网络;2)对于步骤1)所得到的SMR网络,利用随机游走的方法,针对于SMR网络构建采样路径并进行如下操作:对于所采样路径中的电影节点,利用其海报及描述信息形成电影描述映射,对于用户节点,生成用户的描述映射;对于电影及用户的描述映射求出损失值,并进行梯度下降求解获取最终的用户及电影表达;3)利用步骤2)学习得到的用户及电影表达形成用户的电影推荐。
【技术特征摘要】
1.一种利用多模态网络学习进行基于社交关系的电影推荐的方法,其特征在于包括如下步骤:1)针对于一组电影、用户,依据用户之间的相互关注关系、用户对于电影的评价构建含有其相关关系的SMR网络;2)对于步骤1)所得到的SMR网络,利用随机游走的方法,针对于SMR网络构建采样路径并进行如下操作:对于所采样路径中的电影节点,利用其海报及描述信息形成电影描述映射,对于用户节点,生成用户的描述映射;对于电影及用户的描述映射求出损失值,并进行梯度下降求解获取最终的用户及电影表达;3)利用步骤2)学习得到的用户及电影表达形成用户的电影推荐。2.根据权利要求1所述利用多模态网络学习进行基于社交关系的电影推荐的方法,其特征在于所述的步骤2)具体步骤为:2.1)对于步骤1)形成的SMR网络利用随机游走的方法,针对于每一个节点进行采样,形成采样的路径;且进行路径采样时,限定只可以从被关注者到关注者进行采样;2.2)利用步骤2.1)所采样的节点,首先对于用户节点,随机生成用户映射矩阵U;对于路径上的电影节点,利用卷积神经网络VGG-Net生成该电影的电影海报I={i1,i2,...,in}的视频表达Y={y1,y2,...,yn}:其中n代表海报的张数,yi代表第i张海报ii对应的VGG-Net的输出表达;利用LSTM网络生成该电影的电影描述的文本表达X={x1,x2,...,xn}:其中n代表电影描述的个数,且与海报的张数相同均为n,xi代表第i段描述di对应的LSTM网络的输出;对于每一段描述,首先将该段的描述分成各个句子,对于每一个句子的每一个单词利用单词嵌入映射的方法,得到每一个单词的单词映射dit,将每一个句子的单词映射序列(di1,di2,...,dik)作为LSTM网络的输入,获取每一个句子的LSTM网络的输出作为该句子映射表达,将每一段的所有句子表达通过一个额外的Mean-pooling层得到该段落的表达xi;2.3)利用步骤2.2)找出的电影的视频表达Y={y1,y2,...,yn}与电影描述对应的文本表达X={x1,x2,...,xn},按照如下公式映射到同一多模态特征混合空间,并将两者加起来,得到多模态混合层的激活输出:zj=g(Wd·xj+αWiyj)其中,Wd与Wi分别为对应于电影文本描述特征分量xj与电影海报特征分量yj的维度变换权重矩阵,α代表电影文本描述特征分量与电影海报特征分量的相加相对权重,+代表对于电影文本描述特征分量与电影海报特征分量进行按元素相加,zj是最终形成的电影的第j项内容的混合表达;g(.)代表如下所示的元素级别的反正切函数:2.4)针对于步骤2.3)获得的所有电影的混合描述Z=(z1,z2,...,zn)构成的电影矩阵V与步骤2.2)获得的所有用户的映射构成的用户映射矩阵U,利用如下的目标函数来构建最终的训练网络:
【专利技术属性】
技术研发人员:赵洲,孟令涛,林志杰,杨启凡,蔡登,何晓飞,庄越挺,
申请(专利权)人:浙江大学,
类型:发明
国别省市:浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。