电影推荐方法、系统、存储介质及设备技术方案

本发明专利技术提出一种电影推荐方法、系统、存储介质及设备，方法包括：基于电影知识图谱生成各电影的嵌入向量，计算两个电影之间的相似度以得到第一相似度，根据用户的观影评分构建用户评分矩阵，并计算任意两个电影之间的相似度以得到第二相似度；对第一相似度及第二相似度进行融合以得到最终相似度，并生成电影相似度矩阵；根据电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分；根据用户对未评价电影的预测评分生成用户的电影推荐集并推荐给用户。本发明专利技术的电影推荐方法能够解决数据稀疏性的问题，还能对未形成足够观影数据的新电影进行有针对性的有效推荐，以解决新电影冷启动的问题。动的问题。动的问题。

【技术实现步骤摘要】
电影推荐方法、系统、存储介质及设备


[0001]本专利技术涉及电影推荐领域，特别是涉及一种电影推荐方法、系统、存储介质及设备。

技术介绍

[0002]随着大数据时代的到来，网络信息数据呈现指数级增长，而其中也充斥着大量的垃圾信息，从而造成了信息过载，推荐机制是一种能为用户提供有效信息筛选的技术。不需要用户提供明确的需求，是通过分析用户对物品的行为信息，挖掘出用户的个性化需求，再通过用户的兴趣模型主动向用户提供满足其需求的信息，因其能够挖掘用户兴趣的特点，已经成为了为用户提供个性化服务的一个重要研究主题，并在电影领域也得到了广泛的应用。
[0003]传统的电影推荐机制通常是采用协同过滤的方式进行，但这种推荐方式会由于用户行为过少，使得用户行为矩阵过于稀疏而导致推荐的电影无法很好的满足用户需求及偏好，推荐效果不好，并且存在无法推荐新电影的冷启动问题。因此，急需提供一种新型的电影推荐方法来更好的满足用户及市场的需求。

技术实现思路

[0004]本专利技术的目的在于提出一种电影推荐方法、系统、存储介质及设备，以解决上述
技术介绍
中的问题。
[0005]本专利技术提出一种电影推荐方法，所述方法包括：对电影数据库中电影的相关概念进行知识抽取以得到电影的各实体及对应的关系，并将电影的各实体及对应的关系填充至知识图谱的数据层中以形成电影知识图谱；基于所述电影知识图谱将电影的实体及关系映射到多维空间以得到电影的嵌入向量，并根据各电影的嵌入向量对任意两个电影之间的相似度进行计算以得到第一相似度；根据用户的观影评分对电影进行向量化表示以生成电影的评分向量并构建用户评分矩阵，再根据各电影的评分向量对任意两个电影之间的相似度进行计算以得到第二相似度；对任意两个电影的所述第一相似度及所述第二相似度进行融合以得到任意两个电影的最终相似度，并根据各电影之间的最终相似度生成电影相似度矩阵；根据所述电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分；根据用户对未评价电影的预测评分对用户的所有未观看的电影进行排序并生成用户的电影推荐集，将所述用户的电影推荐集中排序靠前的预设数量部电影推荐给用户。
[0006]根据本专利技术提出的电影推荐方法，具有以下有益效果：本专利技术的电影推荐方法将基于电影知识图谱的相似度和基于用户观影行为的相
似度进行融合以得到电影之间的最终相似度，能够弥补协同过滤算法忽略电影本身内容信息的缺陷，再根据电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分，来完善补充用户对所有没看过电影的评分，再根据用户对所有没看过电影评分的排序来针对用户进行电影推荐，这种推荐机制不仅能够解决数据稀疏性的问题，还能对未形成足够观影数据的新电影进行有针对性的有效推荐，以解决新电影冷启动的问题。
[0007]另外，根据本专利技术提供的电影推荐方法，还可以具有如下附加的技术特征：进一步地，所述根据所述电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分的步骤具体包括：从电影数据库中获取目标用户的所有未评价的电影以生成目标用户的未评价电影集并从所述目标用户的未评价电影集中提取目标电影；从所述电影相似度矩阵中获取目标电影与其他所有电影之间的相似度并按照相似度的大小对电影进行排序；获取排在前面的k个电影并生成所述目标电影的最相似电影集；将所述目标电影的最相似电影集与目标用户评论过的电影集进行交集以生成目标电影的参考电影集；对所述目标电影的参考电影集中各电影的权值进行计算；根据所述目标电影的参考电影集从所述用户评分矩阵中获取目标用户对所述目标电影的参考电影集中各电影的评分；根据所述目标电影的参考电影集中各电影的权值及目标用户对所述目标电影的参考电影集中各电影的评分进行评分加权和计算以得到目标用户对目标电影的预测评分；依次计算目标用户对所述目标用户的未评价电影集中各电影的预测评分。
[0008]进一步地，所述根据用户对未评价电影的预测评分对用户的所有未观看的电影进行排序并生成用户的电影推荐集，将所述用户的电影推荐集中排序靠前的预设数量部电影推荐给用户的步骤具体包括：从电影数据库中获取目标用户的所有已观看的电影并生成目标用户的已观看电影集；对所述目标用户的未评价电影集与所述目标用户的已观看电影集进行交集以获得交集电影；将所述目标用户的未评价电影集中的交集电影进行删除并按照预测评分的高低进行排序以生成目标用户的电影推荐集；将所述目标用户的电影推荐集中排序靠前的预设数量部电影推荐给目标用户。
[0009]进一步地，所述对所述目标电影的参考电影集中各电影的权值进行计算的步骤具体包括：获取所述目标电影的参考电影集中各电影与目标电影的相似度值；将所述目标电影的参考电影集中各电影与目标电影的相似度值分别依次与所述目标电影的参考电影集中各电影与目标电影的相似度值之和进行相除，以得到所述目标电影的参考电影集中各电影的权值；所述根据所述目标电影的参考电影集中各电影的权值及目标用户对所述目标电
影的参考电影集中各电影的评分进行评分加权和计算以得到目标用户对目标电影的预测评分的步骤具体包括：将所述目标电影的参考电影集中各电影的权值分别依次与目标用户对所述目标电影的参考电影集中各电影的评分进行对应相乘再累加在一起以得到目标用户对目标电影的预测评分。
[0010]进一步地，所述对任意两个电影的所述第一相似度及所述第二相似度进行融合以得到任意两个电影的最终相似度，并根据各电影之间的最终相似度生成电影相似度矩阵的步骤具体包括：根据融合因子对任意两个电影的所述第一相似度及所述第二相似度进行加权以得到任意两个电影的最终相似度，计算公式为：，其中，为电影i和电影j的最终相似度，为融合因子，的取值范围为[0，1]，为电影i和电影j的第一相似度，为电影i和电影j的第二相似度；根据各电影之间的最终相似度生成电影相似度矩阵。
[0011]进一步地，所述基于所述电影知识图谱将电影的实体及关系映射到多维空间以得到电影的嵌入向量，并根据各电影的嵌入向量对任意两个电影之间的相似度进行计算以得到第一相似度的步骤具体包括：基于所述电影知识图谱将电影的实体及关系映射到多维空间中以得到电影的嵌入向量；根据各电影的嵌入向量计算任意两个电影之间的欧几里得距离；根据两个电影之间的欧几里得距离计算两个电影之间的相似度以得到两个电影的第一相似度。
[0012]进一步地，所述根据用户的观影评分对电影进行向量化表示以生成电影的评分向量并构建用户评分矩阵，再根据各电影的评分向量对任意两个电影之间的相似度进行计算以得到第二相似度的步骤具体包括：根据各用户的观影评分对每个电影进行向量化表示以生成各电影的评分向量并构建用户评分矩阵；根据各电影的评分向量计算任意两个电影之间的余弦相似度以得到任意两个电影的第二相似度。
[0013]本专利技术还提出一种电影推荐系统，包括：知识图谱模块：用于对电影数据库中电影的相关概念进行知识抽取以得到电影的各实体及对应的关系，并将电影的各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电影推荐方法，其特征在于，所述方法包括：对电影数据库中电影的相关概念进行知识抽取以得到电影的各实体及对应的关系，并将电影的各实体及对应的关系填充至知识图谱的数据层中以形成电影知识图谱；基于所述电影知识图谱将电影的实体及关系映射到多维空间以得到电影的嵌入向量，并根据各电影的嵌入向量对任意两个电影之间的相似度进行计算以得到第一相似度；根据用户的观影评分对电影进行向量化表示以生成电影的评分向量并构建用户评分矩阵，再根据各电影的评分向量对任意两个电影之间的相似度进行计算以得到第二相似度；对任意两个电影的所述第一相似度及所述第二相似度进行融合以得到任意两个电影的最终相似度，并根据各电影之间的最终相似度生成电影相似度矩阵；根据所述电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分；根据用户对未评价电影的预测评分对用户的所有未观看的电影进行排序并生成用户的电影推荐集，将所述用户的电影推荐集中排序靠前的预设数量部电影推荐给用户。2.根据权利要求1所述的电影推荐方法，其特征在于，所述根据所述电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测评分的步骤具体包括：从电影数据库中获取目标用户的所有未评价的电影以生成目标用户的未评价电影集并从所述目标用户的未评价电影集中提取目标电影；从所述电影相似度矩阵中获取目标电影与其他所有电影之间的相似度并按照相似度的大小对电影进行排序；获取排在前面的k个电影并生成所述目标电影的最相似电影集；将所述目标电影的最相似电影集与目标用户评论过的电影集进行交集以生成目标电影的参考电影集；对所述目标电影的参考电影集中各电影的权值进行计算；根据所述目标电影的参考电影集从所述用户评分矩阵中获取目标用户对所述目标电影的参考电影集中各电影的评分；根据所述目标电影的参考电影集中各电影的权值及目标用户对所述目标电影的参考电影集中各电影的评分进行评分加权和计算以得到目标用户对目标电影的预测评分；依次计算目标用户对所述目标用户的未评价电影集中各电影的预测评分。3.根据权利要求2所述的电影推荐方法，其特征在于，所述根据用户对未评价电影的预测评分对用户的所有未观看的电影进行排序并生成用户的电影推荐集，将所述用户的电影推荐集中排序靠前的预设数量部电影推荐给用户的步骤具体包括：从电影数据库中获取目标用户的所有已观看的电影并生成目标用户的已观看电影集；对所述目标用户的未评价电影集与所述目标用户的已观看电影集进行交集以获得交集电影；将所述目标用户的未评价电影集中的交集电影进行删除并按照预测评分的高低进行排序以生成目标用户的电影推荐集；将所述目标用户的电影推荐集中排序靠前的预设数量部电影推荐给目标用户。
4.根据权利要求2所述的电影推荐方法，其特征在于，所述对所述目标电影的参考电影集中各电影的权值进行计算的步骤具体包括：获取所述目标电影的参考电影集中各电影与目标电影的相似度值；将所述目标电影的参考电影集中各电影与目标电影的相似度值分别依次与所述目标电影的参考电影集中各电影与目标电影的相似度值之和进行相除，以得到所述目标电影的参考电影集中各电影的权值；所述根据所述目标电影的参考电影集中各电影的权值及目标用户对所述目标电影的参考电影集中各电影的评分进行评分加权和计算以得到目标用...

【专利技术属性】
技术研发人员：李介，陶清华，张恒星，
申请(专利权)人：江西中业智能科技有限公司，
类型：发明
国别省市：