本发明专利技术公开了一种融合用户信息及兴趣变化的KGCN模型电影推荐方法，基本步骤为：获取用户的长、短期电影评分表、用户个人信息表；通过自然语言处理技术将用户个人信息融入用户的初始嵌入向量中；构建用户长、短期观看和评分电影的知识图谱，融合用户初始嵌入向量，分别通过KGCN模型及注意力机制生成用户长、短期兴趣表示；将用户长、短期兴趣表示进行加权求和生成用户兴趣表示，预测待预测电影，根据预测结果对用户实行推荐。本发明专利技术提供的方法瞄准解决推荐算法未考虑用户个人信息、用户兴趣存在变化的问题，在KGCN模型的基础上改进从而提升推荐效果。升推荐效果。升推荐效果。
【技术实现步骤摘要】
一种融合用户信息及兴趣变化的KGCN模型电影推荐方法
[0001]本专利技术涉及推荐算法
，具体说，是一种融合用户多类信息，利用注意力机制、知识图谱、KGCN等相关知识的电影推荐系统。
技术介绍
[0002]随着计算机技术的快速发展以及互联网的普及，用户可以选择通过影院、电脑、手机或电视观看电影。但海量的电影资源让用户难以有效选择自己感兴趣的电影，电影推荐系统应运而生，旨在提升用户选择感兴趣电影的效率，推荐算法是推荐系统的核心，对推荐效果有决定性作用。推荐算法是一种依据用户的历史记录和历史行为，在互联网中提取类似的信息数据，进而推荐给用户的技术，能有效提高信息的获取效率。协同过滤算法是一种传统的推荐算法，它根据用户的历史行为记录来挖掘分析数据，发现用户的兴趣爱好从而实现推荐。但是协同过滤推荐算法存在可解释性差、数据稀疏和冷启动问题，一般通过引入辅助信息进行混合推荐来解决。如专利CN202210813660.6提出了一种面向用户长短期兴趣衰减变化的电影推荐方法，通过引入用户的长短期观影记录，进而构建用户兴趣画像模型，实现电影推荐。专利CN201910219541.6提出一种基于用户平均加权兴趣向量聚类的协同过滤电影推荐方法，通过对用户平均加权兴趣克服协同过滤的不足。
[0003]知识图谱具有丰富的语义关系，可以关联自然界中各种类型的数据，挖掘数据之间的关系从而丰富数据的特征。电影是一个综合性非常强的领域，内在关系复杂，数据类型繁多，借助知识图谱可有效表达此类关系。知识图谱与协同过滤算法的融合应用于推荐系统，不仅可以解决协同过滤推荐算法面临的上述问题，还可以有效提升推荐的效果。如F Zhang(2016)提出一种CKE(Collaborative Knowledge Base Embedding for Recommender Systems)模型，将知识图谱与推荐系统融合做联合训练，从结构化、文本和视觉三个知识库中提取语义特征，与推荐物品融合，丰富物品信息用于推荐；H Wang(2019)等人提出一种KGCN(knowledge graph convolutional networks for recommender systems)模型，将物品的特征在知识图谱上传播，通过图卷积神经网络来抽取物品特征。
[0004]然而，上述方法都是只对物品的特征进行了提取分析，仅考虑了物品特征，没有考虑用户特征，或者仅考虑了其中一种因素，没有全面考虑，或者未能融合知识图谱。比如，用户个人信息以及兴趣的改变也会影响推荐的效果。尽管专利CN202210813660.6引入了长短期兴趣，但仅计算用户评分之间的相似性，并未利用到物品的特征，以及存在数据稀疏性。鉴于此，本专利技术在KGCN模型基础上，引入了用户个人信息和用户长、短期的兴趣变化，以达到丰富用户特征的目的，从而提升电影推荐效果。
技术实现思路
[0005](一)要解决的技术问题
[0006]针对当前电影推荐系统的不足，本专利技术旨在通过丰富用户特征信息，如个人信息、长短期影评记录，充分利用知识图谱在不同数据类型表达上的优势，挖掘用户感兴趣电影
的内关系，如电影名、导演、演员、上映时间、语种、区域、电影类型、评分等，进而依次对待预测电影进行评分，为不同客户进行准确推荐。本专利技术通过融入用户个人信息和分析用户长短期兴趣变化来提升推荐系统的推荐效果。
[0007](二)技术方案
[0008]本专利技术的目的采取以下技术步骤实现：
[0009]S1：数据准备
[0010]所准备的数据包括用户长期电影评分记录表，用户短期电影评分记录表，用户的个人信息表，其中：
[0011](1)电影数据集中的用户长期电影评分记录表存放于程序指定的目录固定位置，用户短期电影评分记录表存放于程序指定的目录位置；
[0012](2)用户的个人信息表，存放于程序指定的目录固定位置；
[0013]S2：兴趣演化
[0014]导入S1所述各类数据，通过KGCN模型对其进行融合处理，获取用户长、短期兴趣偏好，进一步融合处理获取用户兴趣表示；
[0015]S3：模型预测
[0016]对待预测电影进行一序列处理后，获得对应的向量表示，与S2所提取的用户的兴趣表示一起，经融合处理获得电影评分预测，并以此实现对用户的电影推荐。
[0017]进一步，所述S2包括：
[0018](1)将用户个人信息表示为向量形式，并融入用户初始嵌入向量中；
[0019](2)依据步骤1所述用户长、短期电影评分记录表，分别构建相应的知识图谱，实体包括用户、电影、导演、演员、电影类别等；
[0020](3)分别将构建的长、短期电影知识图谱以及用户初始嵌入向量通过KGCN模型，分别生成对应的长、短期邻域表示向量；
[0021](4)引入注意力机制，依据生成的长期邻域表示向量h
j
，通过加权求和，构建用户
‑
电影之间的关系权重β
j
，并依次得到用户的长期兴趣偏好表示u
l
，计算式为：
[0022][0023](5)依据生成的短期邻域表示向量s
i
，通过匹配用户得分，即内积操作求出邻域表示向量分值最大者作为用户短期兴趣偏好表示u
s
；
[0024](6)依据用户长、短期兴趣偏好表示u
l
、u
s
，以加权求和的方式将其融合生成为用户的兴趣表示u
i
，计算式为：
[0025]u
i
＝w1u
l
+w2u
s
+b
[0026]其中，w1、w2为权重系数，b为偏置量。
[0027]进一步，所述S3包括：
[0028](1)输入待预测电影数据；
[0029](2)构建输入电影数据的知识图谱；
[0030](3)将知识图谱输入KGCN模型，输出待预测电影的向量表示；
[0031](4)将S2所述用户的兴趣表示u
i
与待预测电影向量表示v进行融合处理，通过内积计算用户对待预测电影的预测评分y
uv
，并依此对用户进行推荐，计算式为：
[0032][0033](三)有益效果
[0034]电影推荐效果受多种因素的影响，有观众内在信息，包括年龄、收入、职业、学历等，观众外在信息，长期影评记录、短缺影评记录(如一周内)等；有算法及模型的优劣，如算法的先进性及所融合的信息等。针对电影推荐系统当前的不足，本专利技术充分利用用户个人信息和长短期影评记录，借助知识图谱技术，充分挖掘和表达电影内在的及相互之间的逻辑关系，为电影推荐提供有效支撑；通过将个人信息多种信息等融合在一起，利用KGCN模型推理出用户的观影兴趣表示，进而为待推荐电影进行评分，筛选出用户感兴趣的电影，解决了当前电影推荐系统推荐效果不佳的问题，克服了因用户观影兴趣改变而推荐本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合用户信息及兴趣变化的KGCN模型电影推荐方法，其特征在于，包含以下步骤：S1：数据准备所准备的数据包括用户长期电影评分记录表，用户短期电影评分记录表，用户的个人信息表，其中：(1)电影数据集中的用户长期电影评分记录表存放于程序指定的目录固定位置，用户短期电影评分记录表存放于程序指定的目录位置；(2)用户的个人信息表，存放于程序指定的目录固定位置；S2：兴趣演化导入S1所述各类数据，通过KGCN模型对其进行融合处理，获取用户长、短期兴趣偏好，进一步融合处理获取用户兴趣表示；S3：模型预测对待预测电影进行一序列处理后，获得对应的向量表示，与S2所提取的用户的兴趣表示一起，经融合处理获得电影评分预测，并以此实现对用户的电影推荐。2.根据权利要求1所述的一种融合用户信息及兴趣变化的KGCN模型电影推荐方法，其特征在于，所述S2包括：(1)将用户个人信息表示为向量形式，并融入用户初始嵌入向量中；(2)依据S1所述用户长、短期电影评分记录表，分别构建相应的知识图谱，实体包括用户、电影、导演、演员、电影类别等；(3)分别将构建的长、短期电影知识图谱以及用户初始嵌入向量通过KGCN模型，分别生成对应的长、短期邻域表示向量；(4)引入注意力机制，依据生成的长期邻域表示向量h
j
，通过加权求和...
【专利技术属性】
技术研发人员：刘述民，张效铭，张云丽，谢树标，
申请(专利权)人：江西理工大学南昌校区，
类型：发明
国别省市：
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。