CN113468415A - 一种融合电影属性和交互信息的电影推荐系统 - Google Patents

Abstract

本发明公开了一种融合电影属性和交互信息的电影推荐系统，通过数据采集模块获取每部电影的属性和用户历史观影信息，通过前向传输模块表示电影和用户的特征，并输出预测值。通过反向传输模块优化系统参数。通过判断模块判断预测输出层的输出值是否大于提前设定好的阈值。通过推荐模块判断是否将电影推荐给用户。本发明不仅利用了电影和用户的交互信息，还利用了电影的属性信息以及属性和属性之间的关系，可解释性增强，且有效缓解物品冷启动问题，从而获得更好的推荐效果。

Description

一种融合电影属性和交互信息的电影推荐系统

技术领域

本发明涉及人工智能技术领域，特别是一种融合电影属性和交互信息的电影推荐系统。

背景技术

互联网的出现和普及满足了用户对大量的数据的需求，不过也带来了数据冗余的问题，使得用户在面对网络上海量资源时，无法快速准确的选择自己想要的那部分信息，这样反而降低了信息的使用效率。推荐系统可以帮助用户过滤掉冗余的信息，以此来帮助用户减轻因为数据量过大而带来的负担。

例如，基于协同过滤的推荐方法，此方法仅仅利用了用户和电影之间的交互信息，通过余弦相似度等方法计算电影或用户之间的相似度，从而向用户推荐相似度高的电影，但是此方法存在可解释性差，物品冷启动等问题，且此类方法未能充分利用电影的信息。由于此类方法只进行了浅层的特征学习，而不能将电影和用户兴趣的深层特征表示出来，导致推荐系统不能很好的针对用户兴趣向用户推荐合适的电影。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种融合电影属性和交互信息的电影推荐系统，充分的利用电影包含的属性信息，以及电影属性之间的关系，以此来迎合用户的个性化并提高推荐的准确性，进而提高用户的使用体验。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种融合电影属性和交互信息的电影推荐系统，包括数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块；前向传输模块包括电影表示层、用户表示层和预测输出层；其中，

数据采集模块，用于获取每部电影的属性、用户历史观影信息以及用户和电影的交互信息；

电影表示层，用于根据电影的属性，将待推荐电影和用户历史观看的电影映射成电影的特征向量；

用户表示层，用于根据用户历史观影信息来表示用户的特征向量；

预测输出层，用于将待推荐电影的特征向量和用户的特征向量输入神经网络，预测用户对待推荐电影的预测值；

反向传播模块，用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优；

判断模块，用于判断预测输出层输出的预测值是否大于预先设定好的预测阈值；

推荐模块，根据判断模块的结果决定是否对待推荐电影进行推荐，当预测值大于预先设定好的预测阈值，将该电影推荐给用户，反之，则不推荐给用户。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，电影的属性包括导演、主演、上映时间和类型。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，用户历史观影信息包括电影名、用户对电影的评分和观影时长。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，电影表示层包括：

one-hot向量单元，采用one-hot编码技术对电影所有属性的内容进行编码处理，属性的每一个内容对应于一个独立的one-hot向量x∈R^N×1，其中R^N×1表示属性的内容的集合，N表示所有属性的内容的总个数；

映射单元，用于将所述的one-hot向量输入，从而输出属性的特征嵌入向量，属性的特征嵌入向量表示为c：c＝W^Tx，其中，c为K×1的向量，K表示属性的特征嵌入向量的维数，W为N×K的映射矩阵，上标T表示转置；

电影表示单元，用于利用属性的特征嵌入向量表示出电影的特征向量v。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，one-hot向量x的维度为N，第i个属性的内容对应one-hot向量中的第i个维度的值为1，one-hot向量的其他维度的值为0。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，电影表示单元，每个电影拥有多个属性信息，在将电影的每个属性信息的one-hot向量映射后，通过将电影的每个属性的向量相加表示出电影的特征向量v。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长来表示用户的特征向量，用户的特征向量为：

其中，u表示用户的特征向量，_Ru表示用户历史观看电影的集合，j表示该用户历史观看的电影的编号，v_j表示编号为j的电影特征向量，α_j表示编号为j的电影对于用户表示的权重，α_j表示为：

其中，r_u表示用户对电影的评分，

表示用户对电影的平均评分，r_max表示用户对电影的最大评分，t_u表示用户观看电影的时长，t_total表示用电影总时长，η为权重，α∈(0，1)，η∈(0，1)。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，预测输出层根据输入的待推荐电影的特征向量v和用户的特征向量u输出该用户对待推荐电影的预测值

其中，函数f()表示神经网络拟合的函数。

作为本发明所述的一种融合电影属性和交互信息的电影推荐系统进一步优化方案，反向传播模块用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优，损失函数为：

其中，M为训练集中包含样本的总数，L为损失值，y_uv表示用户对电影的真实值，

表示用户对待推荐电影的预测值，λ|||θ||²是正则项，θ表示神经网络的参数，λ表示正则项的系数，σ()为sigmoid函数。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明通过数据采集模块获取每部电影的属性和所有用户历史观看的电影，通过电影表示层将用户历史观看的电影和待推荐的电影映射成电影的特征向量，通过用户表示层根据用户的历史观影记录来表示用户的特征向量。通过预测输出层将用户的特征向量和待推荐电影的特征向量输入到神经网络中，输出该用户对电影的预测值。通过判断模块判断结果输出层的输出值是否大于提前设定好的阈值。通过推荐模块确定所述待推荐电影的预测值大于提前设定好的阈值，将该电影推荐给用户，反之，则不推荐给用户。

(2)本发明融合电影属性和交互信息的电影推荐系统，不仅利用了电影和用户的交互信息，还利用了电影的属性信息以及属性和属性之间的关系，可解释性增强，且有效缓解物品冷启动问题，从而获得更好的推荐效果。

附图说明

图1为本发明实施例提供的融合电影属性和交互信息的电影推荐系统的结构示意图。

图2为本发明实施例提供的融合电影属性和交互信息的电影推荐系统的电影表示层结构示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

如图1，其示出了本发明实施例提供的一种融合电影属性和交互信息的电影推荐系统的流程图，包括：

数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块。以下将对每一个模块进行详细说明。

数据采集模块用于获取每部电影的属性和用户历史观影信息。其中，电影的属性信息包括导演、主演、上映时间、类型和评分等信息；用户历史观影信息包括电影名、用户对电影的评分和观影时长等信息。

例如，共有三部电影《霸王别姬》、《赵氏孤儿》和《倩女幽魂》。《霸王别姬》的属性包括：导演(陈凯歌)、主演(张国荣、巩俐、葛优)、上映时间(1993)、类型(爱情、剧情)、评分(9.6)。《赵氏孤儿》的属性包括：导演(陈凯歌)、主演(葛优、范冰冰)、上映时间(2010)、类型(古装、剧情)。《倩女幽魂》的属性包括：导演(程小东)、主演(张国荣、王祖贤)、上映时间(1987)、类型(古装、爱情)。

所述的前向传输模块包括：电影表示层、用户表示层和预测输出层。

电影表示层用于将待推荐电影和用户历史观看的电影映射成电影的特征向量。

参阅图2，所述的电影表示层包括one-hot向量单元、映射单元和电影表示单元。

one-hot向量单元采用one-hot编码技术对电影所有属性的内容进行编码处理，属性的每一个内容对应于一个独立的one-hot向量x∈R^N×1，其中R^N×1表示属性的内容的集合，N表示所有属性的内容的总个数；

具体的，电影的第i个属性的内容对应one-hot向量中的第i个维度的值为1，one-hot向量的其他维度的值为0。例如，所述的三部电影的属性共16个，则属性的one-hot向量为16维。假设导演“陈凯歌”属性编号为1，则“陈凯歌”的one-hot向量为(1，0，0，0，0，.....，0)。电影《霸王别姬》的属性可以表示为：

映射单元用于将所述的one-hot向量输入，输出属性的特征嵌入向量，属性的特征嵌入向量表示为：c＝W^Tx，其中，c为K×1的向量，W为N×K的映射矩阵；当属性的内容非常多时，one-hot向量的维度就会非常大，这使得表达的效率低下。因此，利用映射矩阵W对one-hot向量进行降维，其中矩阵W是可训练的参数。

例如《霸王别姬》的导演“陈凯歌”的特征嵌入向量表示为：c₁＝W^Tx₁。

电影表示单元用于利用所述的属性的特征嵌入向量表示出电影的特征向量v。每个电影拥有多个属性信息，在将电影的每个属性信息用one-hot向量表示并映射后，通过将电影的每个属性的向量相加表示出电影的向量v。

例如《霸王别姬》的特征向量表示为：v₁＝c₁+c₂+....+c₈。

用户表示层用于根据用户历史观看的电影信息来表示用户的特征向量。

所述的用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长等信息来表示用户的特征表示，所述的用户的特征向量为：所述的用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长等信息来表示用户的特征表示，所述的用户的特征向量为：

其中，u表示用户的特征向量，R_u表示用户历史观看电影的集合，j表示该用户历史观看的电影的编号，v_j表示编号为j的电影特征向量，α_j表示不同电影对于用户表示的权重。

可以理解，用户对于历史观看电影的喜欢程度并不一样。因此，不同电影能代表用户的兴趣的程度也不同。在表示用户特征向量时，对于那些用户喜欢的电影，分配的权重相对较大，对于那些用户不喜欢的电影，分配的权重相对较小。

所述的权重α_j表示为:

其中，r表示用户对电影的评分，

表示用户对电影的平均评分，r_max表示用户对电影的最高评分，t_u表示用户观看电影的时长，t_total表示用电影总时长，η为权重。

可以理解，用户对历史观看电影的评分可以有效的反映用户对该电影的喜欢程度，但是考虑到不同用户对电影的打分习惯不同，部分用户给电影的评分普遍偏高，而部分用户给电影的评分普遍偏低，因此需要考虑用户的打分习惯，相对评分高的电影，分配的权重越大。此外，用户观看电影的相对时长也能够有效的反应用户对该电影的喜欢程度，用户观看电影的相对时长越长，分配的权重越大。

所述的权重η可以根据实验得出具体的值，且η∈(0，1)。

例如用户观看了150分钟的《霸王别姬》，并打出9.0的评分，用户的平均评分为7.5，用户对电影的最高评分为9.5，电影的总时长为160分钟，假设η为0.5，则《霸王别姬》对用户特征表示的权重为：

预测输出层s12根据输入的待推荐电影的特征向量v和用户的特征向量u输出该用户对待推荐电影的预测值

所述的预测值为：

其中，函数f()表示神经网络拟合的函数。

可以理解，给定一个带推荐电影和用户，我们可以通过输入电影的特征向量和用户的特征向量得到用户对该电影的预测值。

请参阅图1，本发明提供的融合电影属性和交互信息的电影推荐系统还包括反向传输模块。

所述的反向传播模块用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优，所述的损失函数为：

其中，M为训练集中包含样本的总数，L为损失值，y_uv表示用户对电影的真实值，

表示用户对电影的预测值，λ|||θ||²是正则项，θ表示神经网络的参数，λ表示正则项的系数，所述的σ(x’)为sigmoid函数，表示为：

x’为自变量。

可以理解，本发明提供的融合电影属性和交互信息的电影推荐系统，不仅利用了电影和用户的交互信息，还利用了电影的属性信息以及属性和属性之间的关系，可解释性增强，且有效缓解物品冷启动问题；此外，本发明在构造用户向量时，将用户和电影的交互信息考虑进去，更加合理的为每部电影分配权重，能够更好的改善推荐效果。

判断模块用于判断结果输出层的输出值是否大于提前设定好的阈值。

推荐模块用于确定所述待推荐电影的预测值大于提前设定好的阈值，将该电影推荐给用户，反之，则不推荐给用户。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (9)

1.一种融合电影属性和交互信息的电影推荐系统，其特征在于，包括数据采集模块、前向传输模块、反向传输模块、判断模块和推荐模块；前向传输模块包括电影表示层、用户表示层和预测输出层；其中，

数据采集模块，用于获取每部电影的属性、用户历史观影信息以及用户和电影的交互信息；

电影表示层，用于根据电影的属性，将待推荐电影和用户历史观看的电影映射成电影的特征向量；

用户表示层，用于根据用户历史观影信息来表示用户的特征向量；

预测输出层，用于将待推荐电影的特征向量和用户的特征向量输入神经网络，预测用户对待推荐电影的预测值；

反向传播模块，用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优；

判断模块，用于判断预测输出层输出的预测值是否大于预先设定好的预测阈值；

推荐模块，根据判断模块的结果决定是否对待推荐电影进行推荐，当预测值大于预先设定好的预测阈值，将该电影推荐给用户，反之，则不推荐给用户。

2.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影的属性包括导演、主演、上映时间和类型。

3.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，用户历史观影信息包括电影名、用户对电影的评分和观影时长。

4.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影表示层包括：

one-hot向量单元，采用one-hot编码技术对电影所有属性的内容进行编码处理，属性的每一个内容对应于一个独立的one-hot向量x∈R^N×1，其中R^N×1表示属性的内容的集合，N表示所有属性的内容的总个数；

映射单元，用于将所述的one-hot向量输入，从而输出属性的特征嵌入向量，属性的特征嵌入向量表示为c：c＝W^Tx，其中，c为K×1的向量，K表示属性的特征嵌入向量的维数，W为N×K的映射矩阵，上标T表示转置；

电影表示单元，用于利用属性的特征嵌入向量表示出电影的特征向量v。

5.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，one-hot向量x的维度为N，第i个属性的内容对应one-hot向量中的第i个维度的值为1，one-hot向量的其他维度的值为0。

6.根据权利要求4所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，电影表示单元，每个电影拥有多个属性信息，在将电影的每个属性信息的one-hot向量映射后，通过将电影的每个属性的向量相加表示出电影的特征向量v。

7.根据权利要求6所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，用户表示层根据用户历史观看电影对应的特征表示、用户对电影的评分和用户观影时长来表示用户的特征向量，用户的特征向量为：

其中，u表示用户的特征向量，_Ru表示用户历史观看电影的集合，j表示该用户历史观看的电影的编号，v_j表示编号为j的电影特征向量，α_j表示编号为j的电影对于用户表示的权重，α_j表示为：

其中，r_u表示用户对电影的评分，

表示用户对电影的平均评分，r_max表示用户对电影的最大评分，t_u表示用户观看电影的时长，t_total表示用电影总时长，η为权重，α∈(0，1)，η∈(0，1)。

8.根据权利要求7所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，预测输出层根据输入的待推荐电影的特征向量v和用户的特征向量u输出该用户对待推荐电影的预测值

其中，函数f()表示神经网络拟合的函数。

9.根据权利要求1所述的一种融合电影属性和交互信息的电影推荐系统，其特征在于，反向传播模块用于优化神经网络的各个参数，通过最小化损失函数使得神经网络的预测效果达到最优，损失函数为：

其中，M为训练集中包含样本的总数，L为损失值，y_uv表示用户对电影的真实值，

表示用户对待推荐电影的预测值，λ||θ||²是正则项，θ表示神经网络的参数，λ表示正则项的系数，σ()为sigmoid函数。

Images