CN105630930A - 一种基于时间上下文和协同过滤的电影推荐方法 - Google Patents

Abstract

本发明采用一种基于时间上下文与基于物品的协同过滤算法相结合的方法实现电影推荐，旨在改善电影推荐的精确度和用户满意度，其实现电影推荐的主要过程如下：第一，对电影添加心情标签，这部分需要专家根据心情的分类给电影加上合适的标签；第二，根据用户的时间上下文行为数据和选择的心情标签，计算符合条件电影之间的相似度；第三，根据相似度和基于时间上下文的协同过滤算法计算用户对符合条件电影的兴趣度，给出推荐列表；第四，用户观看后给出自己的评价，观看电影是否符合所选心情标签，统计此项数据，在之后的推荐中展示给其它用户供参考，从而让推荐的满意度提高。

Description

一种基于时间上下文和协同过滤的电影推荐方法

技术领域

本发明涉及一种基于时间上下文与基于item的协同过滤的电影推荐方法，是属于互联网应用领域。

背景技术

随着互联网技术的兴起，个性化推荐系统层出不穷，也应用到各个行业和领域当中。例如：淘宝、京东、亚马逊等一些电子商务网站根据用户的历史行为数据进行挖掘，实现了个性化推荐给用户一些商品，进而促进用户的消费。伴随着互联网技术的发展，人们的生活得到了极大的改善，这个平台给我们带来了各种各样的服务于体验，与互联网一同出现的还有一个词，那就是大数据，互联网+大数据让数据挖掘和个性化推荐技术得到了巨大发展。当我们上网想看电影时，我们可以从互联网中获取到个性化的推荐信息。从而可以从互联网海量资源中得到更适合我们的电影资源。

目前，市场上常见的电影推荐方法主要有3种，一种是基于用户兴趣模型，计算电影之间的相似度实现个性化推荐；一种是基于用户的历史评分反馈数据，实现基于热门推荐或者好评推荐；还有一种是基于社交网络，通过社交网络获取用户好友数据，做数据挖掘并分析，从而给用户提供个性化的推荐。

上述电影推荐方法主要集中研究了如何联系用户兴趣和物品，将某种程度上符合用户兴趣的电影推荐给用户，但这些方法都忽略了一点，就是用户所处的上下文。这些上下文包括用户访问电影推荐系统的时间、地点、心情等，这些因素对提高推荐系统的推荐效率是非常重要的，同时，这些因素也可能决定推荐的结果是否符合用户的需要。比如：某用户的兴趣爱好是看恐怖电影，该用户可能工作上不太顺利，在公司挨批了，心情比较郁闷，想找个电影来缓解下心情，这时推荐系统本该推荐个搞笑的电影，从而让用户从不愉快中走出来，重拾好心情，然而推荐系统根据用户的兴趣推荐了一个恐怖片，用户看完反而没有得到好心情，似乎变得更加的忧郁，这便说明了上述推荐方法的不足。

发明内容

本发明的目的在于提供一种基于时间上下文和协同过滤的电影推荐方法，主要用于解决传统推荐方法中没有考虑到用户访问推荐系统的上下文信息，导致推荐结果满意度不高等问题，从而提高电影推荐的准确率和满意度。

为解决上述的技术问题，本发明采用的方案如下：

第一步，由专家对心情类型进行划分并构建标签，为电影添加对应的心情标签，形成电影资源库；

第二步，用户进入电影推荐系统，选择符合自己心情的标签；

第三步，系统通过基于时间上下文的协同过滤算法给出个性化的推荐列表；

第四步，用户根据推荐列表选择电影观看，观看完成后，给出好评或者差评；好评代表着该推荐结果符合该心情标签，差评代表着不符合该心情标签；

第五步，根据用户给出的评价结果，不断的修正电影对应的心情标签，从而为今后的推荐提供依据，提高推荐准确率和满意度。

采用基于时间上下文的协同过滤算法的原因如下：

第一，用户在相隔很短的时间内心情和喜欢的物品具有更高的相似度，举个例子就是，用户在今天看的电影和用户昨天的看的电影其相似度在统计意义上应该大于用户今天看的电影和用户一年前看的电影的相似度。

第二，用户近期的行为相比用户很久之前的行为，更能体现用户现在的兴趣。因此在预测用户现在的兴趣时，应该加重用户近期行为的权重，优先给用户推荐那些和他近期喜欢的电影相似的电影。

有益效果

本发明对比已有的电影推荐方法，具有以下创新点：

a.利用给电影添加心情标签属性，在推荐过程中，加入了用户选择观看电影时的心情这个环节，使得推荐满意度提高；

b.将基于时间上下文和基于物品的协同过滤算法结合起来作为电影推荐的核心，融入了上下文的概念，使得推荐结果更加符合常理，效率更高。

本发明对比已有电影推荐方法具有以下显著优点：

1、提高了电影推荐结果的时效性和精确度；

2、提高了电影推荐结果的满意度。

附图说明

附图1是基于时间上下文和协同过滤的电影推荐方法的总体流程图。

具体的实施方式

下面结合说明书附图和具体实施方式对本发明作进一步的说明。

为解决上述的技术问题，本发明采用的技术方案是：一种基于时间上下文和协同过滤的电影推荐方法，包括以下的步骤：

S1、对电影添加心情标签，这部分需要专家首先对心情进行合理划分，然后根据心情的分类给电影加上合适的心情标签属性；

S2、用户选择符合自己心情的标签，根据用户的时间上下文行为数据和选择的心情标签，计算符合条件电影i与电影j之间的相似度sim(i,j)；

S3、根据上一步中计算好的相似度sim(i,j)和基于时间上下文的协同过滤算法计算用户u对符合条件电影i的兴趣度，给出推荐列表；

S4、用户观看后给出自己的评价，观看电影是否符合所选心情标签，只提供满意或者不满意两种选项，统计此项数据，在之后的推荐中展示给其它用户供参考，在下一次的用户看到推荐结果时，可以参考曾经用户对这部电影的评价，再从推荐列表中更加合理的选择电影观看，从而让推荐的满意度提高。

采用基于时间上下文的协同过滤算法得出个性化推荐列表的具体过程如下：

第一步，基于用户利用用户行为离线计算电影之间的相似度，公式如下：

$sim(i,j)=\frac{{\Σ}_{u\∈N\left(i\right)\∩N\left(j\right)}f\left(\right|t_{ui}-t_{uj}\left|\right)}{\sqrt{\left|N\left(i\right)\right|\left|N\left(j\right)\right|}}$

注意，上面公式sim(i,j)表示电影i与电影j的相似度；N(i)表示喜欢电影i的用户数；t_ui是用户u对电影i产生行为的时间。f函数的含义是用户对电影i和电影j产生行为的时间越远，则f越小。即数学衰减函数，此处使用如下衰减函数：

$f\left(\right|t_{ui}-t_{uj}\left|\right)=\frac{1}{1+\mathrm{\α}|t_{ui}-t_{uj}|}$

其中，α是时间衰减参数，它的取值在不同系统中不同，如果一个系统用户兴趣变化快，就应该取比较大的α，反之需要取比较小的α。

第二步，根据用户的历史行为和电影相似度矩阵，给用户做在线个性化推荐，计算用户u对物品i的兴趣p(u,i)，公式如下：

$p(u,i)=\underset{j\∈N\left(u\right)\∩S(i,k)}{\Σ}sim(i,j)\frac{1}{1+\mathrm{\β}|t_0-t_{uj}|}$

其中t₀是当前时间，S(i，k)是和物品i最相似的k个物品的集合，上面公式表明，t_uj越靠近t₀，和物品j相似的物品就会在用户u的推荐列表中获得越高的排名。β是时间衰减参数，需要根据不同的数据集选择合适的值。

Claims (5)

1.一种基于时间上下文与协同过滤算法相结合的电影推荐方法，其特征在于，采用了基于时间上下文和协同过滤算法实现电影推荐，具体的步骤如下：

S1、对电影添加心情标签，这部分需要专家首先对心情进行合理划分，然后根据心情的分类给电影加上合适的标签；

S2、用户选择符合自己心情的标签，根据用户的时间上下文行为数据和选择的心情标签，计算符合条件电影之间的相似度；

S3、根据相似度和基于时间上下文的协同过滤算法计算用户对符合条件电影的兴趣度，给出推荐列表；

S4、用户观看后给出自己的评价，观看电影是否符合所选心情标签，统计此项数据，在之后的推荐中展示给其它用户供参考，从而让推荐的满意度提高。

2.根据权利要求1所述的基于时间上下文与协同过滤算法相结合的电影推荐方法，其特征在于，对于电影，按照专家给出的心情的类型划分，给电影添加对应的心情标签属性。

3.根据权利要求1所述的基于时间上下文与协同过滤算法相结合的电影推荐方法，其特征在于，对于符合用户心情和根据用户行为上下文得到的电影，计算电影之间的相似度，具体计算公式如下：

$sim(i,j)=\frac{{\Σ}_{u\∈N\left(i\right)\∩N\left(j\right)}f\left(|t_{ui}-t_{uj}|\right)}{\sqrt{\left|N\left(i\right)\right|\left|N\left(j\right)\right|}}$

注意，上面公式sim(i,j)表示电影i与电影j的相似度；N(i)表示喜欢电影i的用户数；t_ui是用户u对电影i产生行为的时间。f函数的含义是用户对电影i和电影j产生行为的时间越远，则f越小。即数学衰减函数，此处使用如下衰减函数：

$f\left(|t_{ui}-t_{uj}|\right)=\frac{1}{1+\mathrm{\α}|t_{ui}-t_{uj}|}$

其中，α是时间衰减参数，它的取值在不同系统中不同，如果一个系统用户兴趣变化快，就应该取比较大的α，反之需要取比较小的α。

4.根据权利要求1所述的基于时间上下文与协同过滤算法相结合的电影推荐方法，其特征在于，利用用户上下文历史数据和上一步中计算好的电影相似度信息，根据基于Item的协同过滤算法计算用户u对电影i的兴趣度，计算公式如下：

$p\left(u,i\right)=\underset{j\∈N\left(u\right)\∩S\left(i,k\right)}{\Σ}sim\left(i,j\right)\frac{1}{1+\mathrm{\β}|t_0-t_{uj}|}$

其中t₀是当前时间，S(i，k)是和物品i最相似的k个物品的集合，上面公式表明，t_uj越靠近t₀，和物品j相似的物品就会在用户u的推荐列表中获得越高的排名。β是时间衰减参数，需要根据不同的数据集选择合适的值。

5.根据权利要求1所述的基于时间上下文与协同过滤算法相结合的电影推荐方法，其特征在于，在用户观看完推荐的电影后，增加了反馈方法，使得个性化的推荐随着时间增长变得更加合理，用户的满意度提升。