CN108415987B - 一种电影推荐的冷启动解决方法 - Google Patents

一种电影推荐的冷启动解决方法 Download PDF

Info

Publication number
CN108415987B
CN108415987B CN201810144391.2A CN201810144391A CN108415987B CN 108415987 B CN108415987 B CN 108415987B CN 201810144391 A CN201810144391 A CN 201810144391A CN 108415987 B CN108415987 B CN 108415987B
Authority
CN
China
Prior art keywords
movie
user
cold
film
calculating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810144391.2A
Other languages
English (en)
Other versions
CN108415987A (zh
Inventor
陈炳才
刘杰
王健
余超
姚念民
卢志茂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201810144391.2A priority Critical patent/CN108415987B/zh
Publication of CN108415987A publication Critical patent/CN108415987A/zh
Application granted granted Critical
Publication of CN108415987B publication Critical patent/CN108415987B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/73—Querying
    • G06F16/735—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/7867—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title and artist information, manually generated time, location and usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Library & Information Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于数据挖掘技术领域，设计了一种电影推荐的冷启动解决方法。该方法区别于已有方法的特色在于，将电影的各类属性信息结合到推荐过程中，并根据可靠性赋予相应权重，该方法能够有效的解决电影推荐过程中未评价电影的推荐问题，提高电影推荐的准确率与覆盖率。该方法通过非冷启动电影的评分数据来训练各类电影标签信息的可信度权重，然后通过训练后的结果再结合冷启动电影标签信息来计算冷启动电影的预测评分。该方法可以有效解决冷启动电影的评分预测问题，提高推荐结果的准确度。

Description

一种电影推荐的冷启动解决方法
技术领域
本发明属于数据挖掘技术领域，设计了一种电影推荐过程中冷启动问题的解决方法。该方法区别于已有方法的特色在于，将电影的各类属性信息结合到推荐过程中，并根据可靠性赋予相应权重，该方法能够有效的解决电影推荐过程中未评价电影的推荐问题，提高电影推荐的准确率与覆盖率。
背景技术
电影推荐是数据挖掘领域一个重要应用，而在电影推荐领域应用范围最广的技术是协同过滤技术。协同过滤技术的基本核心思想是利用群体智慧，认为相似用户的喜好也是相似的，目前主要分为以下几类：基于用户(或项目)的协调过滤算法、基于模型的协同过滤算法、以及混合过滤算法等。协同过滤算法的基本过程是构建用户-项目评分矩阵，寻找用户相似邻居群体，根据邻居群体的对此用户未评价的项目的做出预测，然后根据结果对用户做出相应的推荐。目前协同过滤算法存在着冷启动、数据稀疏、推荐精度低等问题。
其中冷启动问题在电影推荐过程中显得尤为突出，对于一些新上映的电影，由于没有评分记录，也就无法使用协同过滤算法寻找相似群体，进而无法进行推荐。
发明内容
本发明提出了一种电影推荐过程中冷启动问题的解决方法。目的在于解决没有评分记录电影的推荐问题。
本发明的技术方案：
一种电影推荐的冷启动解决方法，步骤如下：
步骤1.构建评分矩阵的用户集合是U＝{u1,u2,...um}；评分矩阵的电影集合I＝{i1,i2,...,in}；电影类型标签集合T＝{t1,t2,t3...tx}；电影导演标签集合D＝{d1,d2,d3...dy}；电影演员标签集合A＝{a1,a2,a3...az}；用户评分矩阵R(m×n)，其中，m代表用户数，n代表电影个数；
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C)；
Figure GDA0002957517130000021
其中，S(I)是电影集合中，电影评分记录数>阀值
Figure GDA0002957517130000027
的电影集合；
Figure GDA0002957517130000022
其中，Scold(I)是电影集合中，电影评分记录数为0的电影集合；
步骤3.计算非冷启动电影评分矩阵R'
R'＝{rk,j|ij∈I(H),rk,j∈R}；
其中rk,j是用户uk对电影ij的评分；
步骤4.将非冷启动电影评分矩阵R'按照训练集R'train是验证集R'testβ倍随机划分；
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type)；
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
Figure GDA0002957517130000023
其中，
Figure GDA0002957517130000024
Figure GDA0002957517130000025
是用户us对电影类型标签tw的评分；T'train是训练集中电影的类型标签集合；U'train是训练集中用户集合；I(tw)是训练集中电影类型为tw的电影集合；I(us)是训练集中用户us评分过的电影集合；
Figure GDA0002957517130000026
是训练集中R'train用户us对电影ib的评分；
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
Figure GDA0002957517130000031
其中，simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度；用户up∈U'train；用户uq∈U'train；T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合。
5.2.1)计算每个用户相似邻居集合S(uo)
其中，S(uo)是与用户uo相似度最高的N1个用户组成的集合；用户uo∈U'train；
5.2.2)计算验证集R'test的预测评分矩阵R1
Figure GDA0002957517130000032
其中，U'test是测试集中的用户集合；ug∈U'test；uh∈U'train；S(ug)是用户ug的相似邻居集合；
Figure GDA0002957517130000033
是训练集R'train中用户uh对电影if的评分，
Figure GDA0002957517130000034
是基于电影类别标签信息用户ug对电影if的预测评分；
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
Figure GDA0002957517130000035
其中，
Figure GDA0002957517130000036
是训练集R'train中用户uz对电影iv的评分；
Figure GDA0002957517130000037
是基于电影类别标签信息用户uz对电影iv的预测评分；
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director)，计算过程与步骤5一样；
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor)，计算过程与步骤5一样。
步骤8.计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
Figure GDA0002957517130000041
8.2)计算三类电影信息偏差值的和
sum(MAE)＝MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
Figure GDA0002957517130000042
Figure GDA0002957517130000043
Figure GDA0002957517130000044
步骤9.计算冷启动电影的相似邻居集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
Figure GDA0002957517130000045
其中，
Figure GDA0002957517130000046
Figure GDA0002957517130000047
是电影
Figure GDA0002957517130000048
电影类型标签集合；
Figure GDA0002957517130000049
是电影
Figure GDA00029575171300000410
电影类型标签集合；
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
Figure GDA00029575171300000411
其中，
Figure GDA00029575171300000412
是电影
Figure GDA00029575171300000413
电影导演标签集合；
Figure GDA00029575171300000414
是电影
Figure GDA00029575171300000415
电影导演标签集合。
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
Figure GDA00029575171300000416
其中，
Figure GDA00029575171300000417
是电影
Figure GDA00029575171300000418
演员标签集合；
Figure GDA00029575171300000419
是电影
Figure GDA00029575171300000420
演员标签集合。
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
Figure GDA0002957517130000051
9.2)计算冷启动电影的相似邻居群体
Figure GDA0002957517130000052
其中，
Figure GDA0002957517130000053
是冷启动电影
Figure GDA0002957517130000054
的邻居群体，取与冷启动电影
Figure GDA0002957517130000055
相似度最高的前N2个非冷启动电影
Figure GDA0002957517130000056
作为其相似邻居群体；
步骤10.计算冷启动电影的预测评分
Figure GDA0002957517130000057
其中，
Figure GDA0002957517130000058
是要预测的冷启动电影，
Figure GDA0002957517130000059
Figure GDA00029575171300000510
是用户ut对未评分过电影
Figure GDA00029575171300000511
的预测评分；rt,j是用户ut对非冷启动电影
Figure GDA00029575171300000512
的评分；
Figure GDA00029575171300000513
是待预测冷启动电影
Figure GDA00029575171300000514
的相似电影集合。
本发明的有益效果：该方法通过非冷启动电影的评分数据来训练各类电影标签信息(例如电影类型标签、电影演员标签、电影导演标签)的可信度权重，然后通过训练后的结果再结合冷启动电影标签信息来计算冷启动电影的预测评分。该方法可以有效解决冷启动电影的评分预测问题，提高推荐结果的准确度。
附图说明
图1是本发明所提出的电影推荐的冷启动解决方法的具体实施的程序流程图。
具体实施方法
下面结合附图对本发明的实施方式进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
步骤1.构建评分矩阵的用户集合是U＝{u1,u2,...um}；评分矩阵的电影集合I＝{i1,i2,...,in}；电影类型标签集合T＝{t1,t2,t3...tx}；电影导演标签集合D＝{d1,d2,d3...dy}；电影演员标签集合A＝{a1,a2,a3...az}；用户评分矩阵R(m×n)，其中，m代表用户数，n代表电影个数；
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C)；
Figure GDA0002957517130000061
其中，S(I)是电影集合中，电影评分记录数>阀值
Figure GDA0002957517130000062
的电影集合，阀值
Figure GDA0002957517130000063
Figure GDA0002957517130000064
其中，Scold(I)是电影集合中，电影评分记录数为0的电影集合；
步骤3.计算非冷启动电影评分矩阵R'
R'＝{rk,j|ij∈I(H),rk,j∈R}；
其中，rk,j是用户uk对电影ij的评分；
步骤4.将非冷启动电影评分矩阵R'按照训练集R'train是验证集R'testβ倍随机划分，β＝4；
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type)；
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
Figure GDA0002957517130000065
其中，
Figure GDA0002957517130000066
Figure GDA0002957517130000067
是用户us对电影类型标签tw的评分；T'train是训练集中电影的类型标签集合；U'train是训练集中用户集合；I(tw)是训练集中电影类型为tw的电影集合；I(us)是训练集中用户us评分过的电影集合；
Figure GDA0002957517130000068
是训练集中R'train用户us对电影ib的评分；
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
Figure GDA0002957517130000071
其中，simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度；用户up∈U'train；用户uq∈U'train；T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合。
5.2.1)计算每个用户相似邻居集合S(uo)
其中，S(uo)是与用户uo相似度最高的N1个用户组成的集合，N1＝15；用户uo∈U'train；
5.2.2)计算验证集R'test的预测评分矩阵R1
Figure GDA0002957517130000072
其中，U'test是测试集中的用户集合；ug∈U'test；uh∈U'train；
Figure GDA0002957517130000073
是训练集R'train中用户uh对电影if的评分，
Figure GDA0002957517130000074
是基于电影类别标签信息用户ug对电影if的预测评分；
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
Figure GDA0002957517130000075
其中，
Figure GDA0002957517130000076
是训练集R'train中用户uz对电影iv的评分；
Figure GDA0002957517130000077
是基于电影类别标签信息用户uz对电影iv的预测评分；
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director)，计算过程与步骤5一样；
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor)，计算过程与步骤5一样。
步骤8.计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
Figure GDA0002957517130000081
8.2)计算三类电影信息偏差值的和
sum(MAE)＝MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
Figure GDA0002957517130000082
Figure GDA0002957517130000083
Figure GDA0002957517130000084
其中λ＝3；
步骤9.计算冷启动电影的相似电影集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
Figure GDA0002957517130000085
其中，
Figure GDA0002957517130000086
Figure GDA0002957517130000087
是电影
Figure GDA0002957517130000088
电影类型标签集合；
Figure GDA0002957517130000089
是电影
Figure GDA00029575171300000810
电影类型标签集合；
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
Figure GDA00029575171300000811
其中
Figure GDA00029575171300000812
是电影
Figure GDA00029575171300000813
电影导演标签集合；
Figure GDA00029575171300000814
是电影
Figure GDA00029575171300000815
电影导演标签集合。
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
Figure GDA0002957517130000091
其中
Figure GDA0002957517130000092
是电影
Figure GDA0002957517130000093
演员标签集合；
Figure GDA0002957517130000094
是电影
Figure GDA0002957517130000095
演员标签集合。
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
Figure GDA0002957517130000096
9.2)计算冷启动电影的相似邻居群体
Figure GDA0002957517130000097
其中，
Figure GDA0002957517130000098
是冷启动电影
Figure GDA0002957517130000099
的邻居群体，取与冷启动电影
Figure GDA00029575171300000910
相似度最高的前N2个非冷启动电影
Figure GDA00029575171300000911
作为其相似邻居群体，N2＝15；
步骤10.计算冷启动电影的预测评分
Figure GDA00029575171300000912
其中，
Figure GDA00029575171300000913
是要预测的冷启动电影，
Figure GDA00029575171300000914
Figure GDA00029575171300000915
是用户ut对冷启动电影
Figure GDA00029575171300000916
的预测评分；rt,j是用户ut对非冷启动电影
Figure GDA00029575171300000917
的评分；
Figure GDA00029575171300000918
是待预测冷启动电影
Figure GDA00029575171300000919
的相似电影集合。

Claims (1)

1.一种电影推荐的冷启动解决方法，其特征在于，步骤如下：
步骤1.构建评分矩阵的用户集合是U＝{u1,u2,...um}；评分矩阵的电影集合I＝{i1,i2,...,in}；电影类型标签集合T＝{t1,t2,t3...tx}；电影导演标签集合D＝{d1,d2,d3...dy}；电影演员标签集合A＝{a1,a2,a3...az}；用户评分矩阵R(m×n)，其中，m代表用户数，n代表电影个数；
步骤2.计算非冷启动电影集合I(H)与冷启动电影集合I(C)；
Figure FDA0002957517120000011
其中，S(I)是电影集合中，电影评分记录数>阀值
Figure FDA0002957517120000017
的电影集合；
Figure FDA0002957517120000012
其中，Scold(I)是电影集合中，电影评分记录数为0的电影集合；
步骤3.计算非冷启动电影评分矩阵R'
R'＝{rk,j|ij∈I(H),rk,j∈R}；
其中rk,j是用户uk对电影ij的评分；
步骤4.将非冷启动电影评分矩阵R'按照训练集R′train是验证集R′testβ倍随机划分；
步骤5.计算基于电影类型信息预测的预测平均绝对偏差值MAE(type)；
5.1)计算用户-电影类型评分矩阵Rtype(m×x)
Figure FDA0002957517120000013
其中，
Figure FDA0002957517120000014
Figure FDA0002957517120000015
是用户us对电影类型标签tw的评分；T′train是训练集中电影的类型标签集合；U′train是训练集中用户集合；I(tw)是训练集中电影类型为tw的电影集合；I(us)是训练集中用户us评分过的电影集合；
Figure FDA0002957517120000016
是训练集中R′train用户us对电影ib的评分；
5.2)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
5.2.1)计算用户之间的相似度
Figure FDA0002957517120000021
其中，simt(p,q)是用户up与用户uq在用户-电影类型评分矩阵Rtype(m×x)中的相似度；用户up∈U′train；用户uq∈U′train；T(p,q)是用户up与用户uq的共同评价过的电影类型标签集合；
5.2.1)计算每个用户相似邻居集合S(uo)
其中，S(uo)是与用户uo相似度最高的N1个用户组成的集合；用户uo∈U′train；
5.2.2)计算验证集R′test的预测评分矩阵R1
Figure FDA0002957517120000022
其中，U′test是测试集中的用户集合；ug∈U′test；uh∈U′train；S(ug)是用户ug的相似邻居集合；
Figure FDA0002957517120000023
是训练集R′train中用户uh对电影if的评分，
Figure FDA0002957517120000024
是基于电影类别标签信息用户ug对电影if的预测评分；
5.2.3)计算根据电影类型信息预测的预测绝对偏差值MAE(type)
Figure FDA0002957517120000025
其中，
Figure FDA0002957517120000026
是训练集R′train中用户uz对电影iv的评分；
Figure FDA0002957517120000027
是基于电影类别标签信息用户uz对电影iv的预测评分；
步骤6.计算基于电影导演信息预测的预测绝对偏差值MAE(director)，计算过程与步骤5一样；
步骤7.计算基于电影演员信息预测的预测平均绝对偏差值MAE(actor)，计算过程与步骤5一样；
步骤8.计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
8.1)计算三类电影信息偏差值的平均值
Figure FDA0002957517120000031
8.2)计算三类电影信息偏差值的和
sum(MAE)＝MAE(type)+MAE(director)+MAE(actor)
8.3)计算电影类型信息权重αtype，电影导演信息权重αdirector，电影主演信息权重αactor
Figure FDA0002957517120000032
Figure FDA0002957517120000033
Figure FDA0002957517120000034
步骤9.计算冷启动电影的相似邻居集合
9.1)计算冷启动电影的与非冷启动电影之间的相似度
9.1.1)计算冷启动电影的与非冷启动电影之间的电影类别标签相似度
Figure FDA0002957517120000035
其中，
Figure FDA0002957517120000036
是电影
Figure FDA0002957517120000037
电影类型标签集合；
Figure FDA0002957517120000038
是电影
Figure FDA0002957517120000039
电影类型标签集合；
9.1.2)计算冷启动电影的与非冷启动电影之间的电影导演标签相似度
Figure FDA00029575171200000310
其中，
Figure FDA00029575171200000311
是电影
Figure FDA00029575171200000312
电影导演标签集合；
Figure FDA00029575171200000313
是电影
Figure FDA00029575171200000314
电影导演标签集合；
9.1.3)计算冷启动电影的与非冷启动电影之间的电影演员标签相似度
Figure FDA00029575171200000315
其中，
Figure FDA00029575171200000316
是电影
Figure FDA00029575171200000317
演员标签集合；
Figure FDA00029575171200000318
是电影
Figure FDA00029575171200000319
演员标签集合；
9.1.4)计算冷启动电影的与非冷启动电影之间的相似度
Figure FDA0002957517120000041
9.2)计算冷启动电影的相似邻居群体
Figure FDA0002957517120000042
其中，
Figure FDA0002957517120000043
是冷启动电影
Figure FDA0002957517120000044
的邻居群体，取与冷启动电影
Figure FDA0002957517120000045
相似度最高的前N2个非冷启动电影
Figure FDA0002957517120000046
作为其相似邻居群体；
步骤10.计算冷启动电影的预测评分
Figure FDA0002957517120000047
其中，
Figure FDA0002957517120000048
是要预测的冷启动电影，
Figure FDA0002957517120000049
Figure FDA00029575171200000410
是用户ut对未评分过电影
Figure FDA00029575171200000411
的预测评分；rt,j是用户ut对非冷启动电影
Figure FDA00029575171200000412
的评分；
Figure FDA00029575171200000413
是待预测冷启动电影
Figure FDA00029575171200000414
的相似电影集合。
CN201810144391.2A 2018-02-12 2018-02-12 一种电影推荐的冷启动解决方法 Expired - Fee Related CN108415987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810144391.2A CN108415987B (zh) 2018-02-12 2018-02-12 一种电影推荐的冷启动解决方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810144391.2A CN108415987B (zh) 2018-02-12 2018-02-12 一种电影推荐的冷启动解决方法

Publications (2)

Publication Number Publication Date
CN108415987A CN108415987A (zh) 2018-08-17
CN108415987B true CN108415987B (zh) 2021-05-11

Family

ID=63128396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810144391.2A Expired - Fee Related CN108415987B (zh) 2018-02-12 2018-02-12 一种电影推荐的冷启动解决方法

Country Status (1)

Country Link
CN (1) CN108415987B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569374B (zh) * 2019-08-20 2022-03-18 成都信息工程大学 一种基于改进协同过滤算法的电影推荐方法
CN111708946B (zh) * 2020-06-18 2023-08-01 卓尔智联(武汉)研究院有限公司 一种个性化电影的推荐方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834710A (zh) * 2015-04-30 2015-08-12 广东工业大学 一种电影推荐评分系统的冷启动处理方法
CN104935963A (zh) * 2015-05-29 2015-09-23 中国科学院信息工程研究所 一种基于时序数据挖掘的视频推荐方法
CN105760544A (zh) * 2016-03-16 2016-07-13 合网络技术（北京）有限公司 视频推荐方法和装置
CN106202328A (zh) * 2016-07-01 2016-12-07 中国传媒大学 一种用于新项目冷启动的推荐方法
KR101708254B1 (ko) * 2015-09-25 2017-02-21 인하대학교 산학협력단 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법.
CN106802956A (zh) * 2017-01-19 2017-06-06 山东大学 一种基于加权异构信息网络的电影推荐方法
CN107220365A (zh) * 2017-06-07 2017-09-29 四川大学 基于协同过滤与关联规则并行处理的精准推荐系统及方法
CN107608990A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种直播个性化推荐方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102207972B (zh) * 2011-06-15 2013-03-27 中山大学 一种数字电视的影视节目推荐方法及其装置
WO2014046649A1 (en) * 2012-09-19 2014-03-27 Thomson Licensing Initial recommendation system seeding
CN104063481B (zh) * 2014-07-02 2017-11-14 山东大学 一种基于用户实时兴趣向量的电影个性化推荐方法
CN107608988A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种混合个性化推荐方法
CN106651461A (zh) * 2016-12-30 2017-05-10 重庆邮电大学 基于灰理论的电影个性化推荐方法
CN107391713B (zh) * 2017-07-29 2020-04-28 内蒙古工业大学 一种解决协同过滤推荐技术中冷启动问题的方法及系统
CN107506459A (zh) * 2017-08-29 2017-12-22 环球智达科技（北京）有限公司 一种基于影片相似度的影片推荐方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834710A (zh) * 2015-04-30 2015-08-12 广东工业大学 一种电影推荐评分系统的冷启动处理方法
CN104935963A (zh) * 2015-05-29 2015-09-23 中国科学院信息工程研究所 一种基于时序数据挖掘的视频推荐方法
KR101708254B1 (ko) * 2015-09-25 2017-02-21 인하대학교 산학협력단 협업적 필터링과 캐릭터 넷을 이용한 스토리 기반의 영화 추전 시스템 및 방법.
CN105760544A (zh) * 2016-03-16 2016-07-13 合网络技术（北京）有限公司 视频推荐方法和装置
CN106202328A (zh) * 2016-07-01 2016-12-07 中国传媒大学 一种用于新项目冷启动的推荐方法
CN107608990A (zh) * 2016-07-12 2018-01-19 上海视畅信息科技有限公司 一种直播个性化推荐方法
CN106802956A (zh) * 2017-01-19 2017-06-06 山东大学 一种基于加权异构信息网络的电影推荐方法
CN107220365A (zh) * 2017-06-07 2017-09-29 四川大学 基于协同过滤与关联规则并行处理的精准推荐系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Recommendation Algorithm Based on Dynamic Label Preference Trust Probability Matrix Decomposition Model;Yang Yadong等;《Computer Engineering》;20171015;第43卷(第10期);全文 *
电影推荐系统的设计与实现;尤方圆;《中国优秀硕士学位论文全文数据库信息科技辑》;20140615;全文 *

Also Published As

Publication number Publication date
CN108415987A (zh) 2018-08-17

Similar Documents

Publication Publication Date Title
Wang et al. Unified video annotation via multigraph learning
Jiang et al. Fast and accurate content-based semantic search in 100m internet videos
US20180357211A1 (en) Constructing a Narrative Based on a Collection of Images
CN104935963B (zh) 一种基于时序数据挖掘的视频推荐方法
US20160180402A1 (en) Method for recommending products based on a user profile derived from metadata of multimedia content
WO2017070656A1 (en) Video content retrieval system
Gao et al. CI-GNN: Building a category-instance graph for zero-shot video classification
Ma et al. LGA: latent genre aware micro-video recommendation on social media
Sen et al. Video skimming: Taxonomy and comprehensive survey
CN110059222B (zh) 一种基于协同过滤的视频标签添加方法
CN106778686A (zh) 一种基于深度学习和图论的拷贝视频检测方法和系统
US20220188366A1 (en) Combined Wide And Deep Machine Learning Models For Automated Database Element Processing Systems, Methods And Apparatuses
Stanescu et al. A hybrid recommender system: User profiling from keywords and ratings
CN106204103B (zh) 一种移动广告平台寻找相似用户的方法
CN103761286B (zh) 一种基于用户兴趣的服务资源检索方法
CN113806630A (zh) 基于注意力的多视角特征融合跨域推荐方法及装置
CN108415987B (zh) 一种电影推荐的冷启动解决方法
Mahadevan et al. Integrated topic modeling and sentiment analysis: a review rating prediction approach for recommender systems
Mazaheri et al. Learning a multi-concept video retrieval model with multiple latent variables
Takama et al. Context-aware music recommender system based on implicit feedback
He et al. UP-TreeRec: building dynamic user profiles tree for news recommendation
CN112231579A (zh) 基于隐式社群发现的社会化视频推荐系统与方法
Yang et al. Interactive variance attention based online spoiler detection for time-sync comments
CN113360784B (zh) 一种用于设备运维方案推荐的知识图谱优化的协同过滤算法
CN113688281B (zh) 一种基于深度学习行为序列的视频推荐方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210511