【技术实现步骤摘要】
本专利技术涉及影视推荐，特别涉及基于影视知识图谱多轮影视推荐方法。
技术介绍
1、目前在影视推荐
通常的技术方法是基于内容的推荐算法、协同过滤算法和神经网络算法。内容推荐算法使用影视作品的特征信息进行推荐，协同过滤算法则根据用户行为和兴趣进行推荐，而神经网络推荐算法通过数据采集、模型训练和效果反馈进行推荐。这些方法的缺陷在于无法很好地捕捉影视作品之间复杂的语义和关联关系，导致推荐准确度和用户体验不佳，这种缺陷的技术原因是以上方法对影视知识的表达和处理能力有限。
技术实现思路
1、本专利技术所解决的技术问题：本专利技术提供一种基于影视知识图谱多轮影视推荐方法，解决影视推荐准确度低的问题。
2、本专利技术解决上述技术问题采用的技术方案：基于影视知识图谱多轮影视推荐方法，包括以下步骤：
3、s1、构建影视知识图谱，所述构建影视知识图谱包括采用pagerank算法计算每部影视的影响力，利用betweenness centrality算法找到关键演员和关键导演，以及利用协同过滤算法计算影视与影视之间的相似关系；
4、s2、将影视知识图谱转换为邻接矩阵和特征矩阵，所述邻接矩阵包括关键演员之间的合作关系矩阵、关键导演执导影视关系矩阵和影视之间的相似关系矩阵；所述特征矩阵包括演员特征矩阵、导演特征矩阵和影视特征矩阵，所述影视特征矩阵中包括影视的影响力；
5、s3、使用pytorch构建gcn模型，利用邻接矩阵和特征矩阵以及用户特征矩阵来训练gc
6、s4、将某用户特征矩阵输入到已训练的gcn模型，获得个性化推荐候选集；
7、s5、创建dqn模型，输入某用户特征矩阵、个性化推荐候选集以及用户观影的行为序列，训练dqn模型，奖励函数为用户观影时长与影视时长之比，q值收敛时，停止训练，得到个性化推荐候选集中每部影视的q值，对个性化推荐候选集中的影视按照q值进行降序排列，选择前k部影视推荐给用户，得到用户的观影时长反馈，并优化gcn模型和dqn模型；
8、s6、利用优化后的gcn模型和dqn模型对用户进行下一轮影视推荐。
9、进一步的，s1中，所述采用pagerank算法计算每部影视的影响力包括以下步骤：
10、s101、初始化每部影视的pagerank值；
11、s102、设置阻尼因子；
12、s103、迭代计算pagerank值，直至收敛，在收敛时影视的pagerank值作为所述影响力。
13、进一步的，s1中，所述利用betweenness centrality算法找到关键演员和关键导演，包括以下步骤：
14、s111、利用betweenness centrality算法计算演员的介数中心性和导演的介数中心性；
15、s112、选取介数中心性最大的演员作为关键演员，选取介数中心性最大的导演作为关键导演。
16、进一步的，s1中，所述利用协同过滤算法计算影视与影视之间的相似关系的计算公式为：其中sim(i,j)表示影视i和影视j的相似关系，n(i)表示看过影视i的用户列表，n(j)表示看过影视j的用户列表，分母表示看过影视i和j用户数乘积开平方根，分子表示看过影视i和j的用户交集数跟乘积求和，|n(u)|表示用户u产生过观影行为的影视的个数。
17、进一步的，s3中，使用nn.module定义gcn模型的图卷积层，用于在图上进行卷积操作，包括演员graph convolution层、导演graph convolution层和影视graph convolution层，所述演员graph convolution层用于对关键演员之间的合作关系矩阵和演员特征矩阵进行卷积操作，所述导演graph convolution层用于对关键导演执导影视关系矩阵和导演特征矩阵进行卷积操作，所述影视graph convolution层用于影视之间的相似关系矩阵和影视特征矩阵进行卷积操作。
18、进一步的，s3中，gcn模型的的损失函数为均方误差，优化器为adam，学习率为0.001。
19、本专利技术的有益效果：本专利技术基于影视知识图谱多轮影视推荐方法，通过构建影视知识图谱，并在影视知识图谱中增加影视的影响力、关键导演、关键演员以及影视之间的相似关系，再将影视知识图谱转换为邻接矩阵和特征矩阵，使用pytorch构建gcn模型，利用邻接矩阵和特征矩阵以及用户特征矩阵来训练gcn模型，所述用户特征矩阵包括用户历史观影行为数据，获得已训练的gcn模型，以此来得到个性化推荐候选集，再利用dqn模型运算得到个性化推荐候选集中每部影视的q值，进行降序排列，选择前k部影视推荐给用户，得到用户的观影时长反馈，并优化gcn模型和dqn模型，利用优化后的gcn模型和dqn模型对用户进行下一轮影视推荐，以此，在多轮推荐后，实现根据用户行为进行准确的影视内容推荐，解决了影视推荐准确度低的问题。
本文档来自技高网...【技术保护点】
1.基于影视知识图谱多轮影视推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，S1中，所述采用PageRank算法计算每部影视的影响力包括以下步骤：
3.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，S1中，所述利用Betweenness Centrality算法找到关键演员和关键导演，包括以下步骤：
4.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，S1中，所述利用协同过滤算法计算影视与影视之间的相似关系的计算公式为：
5.根据根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，S3中，使用nn.Module定义GCN模型的图卷积层，用于在图上进行卷积操作，包括演员GraphConvolution层、导演Graph Convolution层和影视Graph Convolution层，所述演员GraphConvolution层用于对关键演员之间的合作关系矩阵和演员特征矩阵进行卷积操作，所述导演Graph Convoluti
6.根据根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，S3中，GCN模型的的损失函数为均方误差，优化器为Adam，学习率为0.001。
...【技术特征摘要】
1.基于影视知识图谱多轮影视推荐方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，s1中，所述采用pagerank算法计算每部影视的影响力包括以下步骤：
3.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，s1中，所述利用betweenness centrality算法找到关键演员和关键导演，包括以下步骤：
4.根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，s1中，所述利用协同过滤算法计算影视与影视之间的相似关系的计算公式为：
5.根据根据权利要求1所述的基于影视知识图谱多轮影视推荐方法，其特征在于，s3中，使用nn...
【专利技术属性】
技术研发人员：闫立鑫，韩亚，吴廷锋，陈灵，王洪君，
申请(专利权)人：四川长虹电器股份有限公司，
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。