【技术实现步骤摘要】
本专利技术属于数据推荐，尤其涉及一种基于交叉注意力机制的电影推荐方法和系统。
技术介绍
1、随着大数据时代的来临以及相关技术的高速发展，从海量数据中获得有效信息，在电影推荐系统中完成实际作用，提升电影推荐平台总体用户粘性，从而提升平台价值，是一个平台发展的趋势。而推荐系统是推荐平台的核心，其根据用户的兴趣，将用户所需要的产品、信息推荐给用户的个性化信息系统，也同样面临着从海量数据中挖掘用户信息需求的重要任务。
2、推荐系统的准确率和效率关键在于推荐算法，使用最广泛的的算法是协同过滤(collaborative fltering)推荐算法。cf(协同过滤)算法包括两类：基于内存的方法和基于模型的方法，其中基于内存的cf使用用户或项目之间的相似性来提出建议，由于该方法有效且易于实现，因此得到了广泛的应用。尽管协同推荐算法已经得到了广泛的研究和应用，但是随着推荐系统规模增大，相似度的计算变得越来越困难，协同推荐算法存在两个重要的问题：1.冷启动问题(sparsityproblem)：对于系统中的新用户或者新项目，由于没有对项目或者用户进行交互，因此协同过滤推荐算法就很难计算用户与用户之间的相似度或者项目与项目之间的相似度，无法将为新的用户推荐项目或者无法将新项目推荐给用户。2.稀疏性问题(cold-start problem)：推荐系统在大数据环境下的推荐过程中需要分析大量的数据，但是由于单个用户对项目的评分是有限的，这就导致了用户项目评分矩阵的稀疏性，稀疏的用户-项目评分矩阵难以计算出用户或者项目的相似性，严重影响着推荐
3、为了缓解协同推荐算法中的数据稀疏性和冷启动问题，将各种类型的辅助数据纳入推荐算法，被广泛研究的辅助数据并主要用于当前的推荐算法中包括：社会信任关系，项目内容，项目评论，社交网络和用户的社交标签。这些算法可以提高推荐结果准确性，减轻数据稀疏或冷启动问题。但是，在某些实际情况下，某些辅助数据无法获得的，大大降低了推荐结果的准确性。与这些辅助数据相比，用户基本数据(例如，用户性别，用户年龄和用户id)以及项目基本数据(例如项目名称，项目类别)更易于在网站上获得。利用用户和项目基本数据作为推荐系统的用户特征和项目特征，可以缓解数据稀疏性和冷启动问题，并提升推荐算法的效果。有些推荐算法虽然已经使用用户和项目的基本数据，但这些算法通常将用户和项目的基本数据直接通过某些规则或方法转换(例如，使用模糊数或区间数)。这些直接转换方法可能会导致信息丢失，无法从用户和项目基本数据中充分挖掘潜在或深层的用户和项目特征并给出推荐。此外，常用的推荐算法中，同时使用用户和项目基本数据构建推荐系统的研究仍然相对较少。因此，如何从用户和项目的基本数据的不同维度中提取和构建推荐模型的有用特征实现推荐是一个关键问题。
技术实现思路
1、本专利技术针对现有技术中的不足，提供一种基于交叉注意力机制的电影推荐方法和系统。
2、第一方面，本专利技术提供一种基于交叉注意力机制的电影推荐方法，包括：
3、根据用户信息和电影信息构建用户-电影特征矩阵；
4、提取用户-电影特征矩阵中的注意力特征；
5、提取用户-电影特征矩阵中的用户-电影交互特征；
6、对注意力特征和用户-电影交互特征进行融合；
7、采用融合后的特征、注意力特征和用户-电影交互特征进行电影评分预测，以根据预测的评分进行电影推荐。
8、进一步地，所述提取用户-电影特征矩阵中的注意力特征，包括：
9、构建经注意力机制计算后的第一特征向量表达式：
10、
11、其中，为用户-电影特征矩阵的第λ个通道经注意力机制计算后的第一特征向量；softmax(·)为激活函数；qλ、kλ和vλ均为第一中间矩阵；iλ为用户-电影特征矩阵的第λ个通道的输入；和均为用户-电影特征矩阵的第λ个通道的可训练的第一参数矩阵；t表示向量转置算子；dk为第一缩放因子；
12、根据第一特征向量表达式构建注意力特征o0″表达式：
13、o0″＝layernorm(add(o0′,feed-forward(o0′))；
14、其中，laynorm(·)为归一化算子；add(·)为合并算子；feed-forward(·)为前馈网络函数；o0′为特征提取阶段，归一化通道特征与输入特征的合并特征；o0′＝layernorm(add(o0,i)；i为用户-电影特征矩阵；o0为特征提取阶段，经注意力机制计算后的特征向量的合并结果；c为用户-电影特征矩阵的通道总数。
15、进一步地，所述提取用户-电影特征矩阵中的用户-电影交互特征，包括：
16、构建用户-电影交互特征表达式：
17、h(ufλ,mfλ)＝ufλodot mfλ；
18、其中，h(ufλ,mfλ)表示用户-电影交互特征；ufλ表示用户-电影特征矩阵中第λ个用户特征；mfλ表示用户-电影特征矩阵中第λ个电影特征；odot表示向量对应元素相乘。
19、进一步地，所述对注意力特征和用户-电影交互特征进行融合，包括：
20、构建经注意力机制计算后的第二特征向量表达式：
21、
22、其中，o1λ为用户-电影特征矩阵的第λ个通道经注意力机制计算后的第二特征向量；softmax(·)为激活函数；q'λ、k'λ和v'λ均为第二中间矩阵；iλ为用户-电影特征矩阵的第λ个通道的输入；i＝x或i＝y；x为特征向量o″0；y为用户-电影交互特征的特征向量；和均为用户-电影特征矩阵的第λ个通道的可训练的第二参数矩阵；t表示向量转置算子；dk'为第二缩放因子；
23、根据第二特征向量表达式构建注意力特征o″1表达式：
24、o″1＝layernorm(add(o′1,feed-forward(o′1))；
25、其中，laynorm(·)为归一化算子；add(·)为合并算子；feed-forward(·)为前馈网络函数；o′1为特征融合阶段，归一化通道特征与输入特征合并特征；o′1＝layernorm(add(o1,i)；i为用户-电影特征矩阵；o1为特征融合阶段，经注意力机制计算后的特征向量的合并结果；c为用户-电影特征矩阵的通道总数。
26、进一步地，所述用户信息包括用户id、用户性别、用户年龄和用户职业；所述电影信息包括电影id、电影年份、电影种类和用户对电影的评分。
27、第二方面，本专利技术提供一种基于交叉注意力机制的电影推荐系统，包括：
28、构建模块，用于根据用户信息和电影信息构建用户-电影特征矩阵；
29、第一提取模块，用于提取用户-电影特征矩阵中的注意力特征；
30、第二提取模块，用于提取用户-电影特征矩阵中的用户-电影交互特征；
31、特征融合模块，用于对注意力特征和用户-电影交互特征进行融合；...
【技术保护点】
1.一种基于交叉注意力机制的电影推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述提取用户-电影特征矩阵中的注意力特征，包括：
3.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述提取用户-电影特征矩阵中的用户-电影交互特征，包括：
4.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述对注意力特征和用户-电影交互特征进行融合，包括：
5.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述用户信息包括用户id、用户性别、用户年龄和用户职业；所述电影信息包括电影id、电影年份、电影种类和用户对电影的评分。
6.一种基于交叉注意力机制的电影推荐系统，其特征在于，包括：
7.根据权利要求6所述的基于交叉注意力机制的电影推荐系统，其特征在于，所述第一提取模块包括：
8.根据权利要求6所述的基于交叉注意力机制的电影推荐系统，其特征在于，所述第二提取模块包括：
9.根据权利要求6所述
...【技术特征摘要】
1.一种基于交叉注意力机制的电影推荐方法，其特征在于，包括：
2.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述提取用户-电影特征矩阵中的注意力特征，包括：
3.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述提取用户-电影特征矩阵中的用户-电影交互特征，包括：
4.根据权利要求1所述的基于交叉注意力机制的电影推荐方法，其特征在于，所述对注意力特征和用户-电影交互特征进行融合，包括：
5.根据权利要求1所述的基于交叉注意力机制的电影推...
【专利技术属性】
技术研发人员：接标，季宇，魏宇辉，张志祥，吴召祥，岑至峰，程平，汪泽生，
申请(专利权)人：安徽师范大学，
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。