[發(fā)明專利]一種基于異構(gòu)信息網(wǎng)絡(luò)的電影推薦方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201611248620.2
• 申請(qǐng)日: 2016-12-29
• 公開（公告）號(hào): CN106709037B
• 公開（公告）日: 2019-11-08
• 發(fā)明（設(shè)計(jì)）人: 余嘯;劉進(jìn);殷曉飛;崔曉暉;楊威;井溢洋
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): G06F16/9535
• 分類號(hào): G06F16/9535;G06F16/9536;G06F16/2458
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 魯力

一種基于異構(gòu)信息網(wǎng)絡(luò)的電影推薦方法，包括鏈接建模，以用戶、電影、電影類型三種類型的對(duì)象為結(jié)點(diǎn)構(gòu)建用戶?電影異構(gòu)網(wǎng)絡(luò)，以電影類型結(jié)點(diǎn)為中心，對(duì)異構(gòu)網(wǎng)絡(luò)進(jìn)行社團(tuán)劃分，篩選出符合要求的社團(tuán)，提高其運(yùn)算速度和效率，利用異構(gòu)網(wǎng)絡(luò)中的元路徑，計(jì)算目標(biāo)用戶與社團(tuán)中的每個(gè)用戶之間的影響力，計(jì)算目標(biāo)用戶與電影類型的喜愛程度，特征建模，分析目標(biāo)用戶的每一個(gè)特征被劃分到每種電影類型的概率，綜合計(jì)算目標(biāo)用戶對(duì)每個(gè)電影類型的喜愛程度，對(duì)鏈接建模和特征建模的結(jié)果進(jìn)行加權(quán)求和，分析目標(biāo)用戶對(duì)每一種電影類型的喜愛程度，按照目標(biāo)用戶對(duì)每一種電影類型的喜愛程度，選擇電影類型，推薦評(píng)分高的電影。

技術(shù)領(lǐng)域

本發(fā)明屬于數(shù)據(jù)挖掘應(yīng)用中個(gè)性化推薦技術(shù)領(lǐng)域，特別是涉及一種基于異構(gòu)信息網(wǎng)絡(luò)的電影推薦方法。

背景技術(shù)

(1)推薦系統(tǒng)

隨著互聯(lián)網(wǎng)的迅速普及，大數(shù)據(jù)時(shí)代已經(jīng)到來(lái)，隨之而來(lái)的是信息過(guò)載問(wèn)題，如何進(jìn)行個(gè)性化的信息篩選和呈現(xiàn)是各類互聯(lián)網(wǎng)應(yīng)用領(lǐng)域中亟待解決的問(wèn)題。采用科學(xué)的方法深度挖掘用戶的興趣并生成個(gè)性化推薦即構(gòu)建個(gè)性化推薦系統(tǒng)，是解決這一問(wèn)題的主要手段。

個(gè)性化推薦系統(tǒng)基于用戶特征、興趣和歷史行為數(shù)據(jù)構(gòu)建用戶信息模型，使用特定的推薦技術(shù)，進(jìn)而挖掘用戶個(gè)人偏好，生成對(duì)目標(biāo)用戶的推薦。目前，主要的推薦系統(tǒng)有協(xié)同過(guò)濾推薦，基于內(nèi)容的推薦，基于網(wǎng)絡(luò)的推薦等。

1)協(xié)同過(guò)濾推薦

協(xié)同過(guò)濾推薦的思想是，根據(jù)目標(biāo)用戶的歷史偏好，為目標(biāo)用戶或項(xiàng)目找到相似項(xiàng)，根據(jù)相似項(xiàng)對(duì)項(xiàng)目進(jìn)行評(píng)分并推薦給目標(biāo)用戶，即最近鄰技術(shù)。協(xié)同過(guò)濾推薦是推薦系統(tǒng)中運(yùn)用最成功的推薦技術(shù)之一，在各種環(huán)境下被廣泛運(yùn)用，許多不同領(lǐng)域算法和技術(shù)都相繼用于改進(jìn)和優(yōu)化其性能。按照分析對(duì)象分類，協(xié)同過(guò)濾推薦有基于用戶的最近鄰?fù)扑]和基于項(xiàng)目的最近鄰?fù)扑]。基于用戶的最近鄰?fù)扑]的基本思想：第一步，根據(jù)一個(gè)用戶對(duì)項(xiàng)目的評(píng)分?jǐn)?shù)據(jù)集，尋找與目標(biāo)用戶有相似偏好的其他用戶，這些用戶被稱為最近鄰；第二步，如果目標(biāo)用戶沒有對(duì)某一項(xiàng)目評(píng)分，則依據(jù)最近鄰過(guò)去對(duì)該項(xiàng)目的評(píng)分來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)改項(xiàng)目的評(píng)分。基于項(xiàng)目的最近鄰?fù)扑]的思想與此類似。協(xié)同過(guò)濾算法簡(jiǎn)單、高效且準(zhǔn)確率高，然而協(xié)同過(guò)濾推薦是從用戶歷史數(shù)據(jù)出發(fā)的，對(duì)于沒有評(píng)分過(guò)的用戶和沒有被評(píng)分過(guò)的項(xiàng)目，則永遠(yuǎn)無(wú)法被推薦，即冷啟動(dòng)問(wèn)題，這就是協(xié)同過(guò)濾算法的固有缺點(diǎn)。另外，實(shí)際情況下，數(shù)據(jù)庫(kù)中的評(píng)分?jǐn)?shù)據(jù)往往是稀疏的，所以，也存在數(shù)據(jù)稀疏的問(wèn)題。

2)基于內(nèi)容的推薦

基于內(nèi)容的推薦主要運(yùn)用于信息過(guò)濾，與協(xié)同過(guò)濾不同的是，基于內(nèi)容的推薦不以用戶對(duì)項(xiàng)目的評(píng)分為依據(jù)，而是基于用戶本身的特征來(lái)判斷用戶的偏好，匹配與用戶偏好相似度高的項(xiàng)目，進(jìn)行推薦。基于內(nèi)容的推薦只需要項(xiàng)目和用戶的特征信息，不需要大量的用戶數(shù)量和歷史評(píng)分?jǐn)?shù)據(jù)，只需要對(duì)目標(biāo)用戶的特征信息進(jìn)行提取分析，就可以進(jìn)行項(xiàng)目匹配推薦，有效避免了由于數(shù)據(jù)稀松導(dǎo)致的誤差，也避免了新用戶或者新項(xiàng)目在沒有歷史評(píng)分記錄的情況下存在的冷啟動(dòng)問(wèn)題，另外，由于推薦是基于用戶或者項(xiàng)目的特征產(chǎn)生的，方便向用戶解釋推薦理由。然而，現(xiàn)有的技術(shù)對(duì)于內(nèi)容的分析也就是對(duì)于用戶或者項(xiàng)目的特征的提取僅限于一些簡(jiǎn)單的文本內(nèi)容，較為復(fù)雜的內(nèi)容分析還存在一定的困難，所以基于內(nèi)容的推薦對(duì)用戶興趣的挖掘深度有限，推薦準(zhǔn)確度有限。而且用戶對(duì)于項(xiàng)目的愛好會(huì)隨著時(shí)間發(fā)生改變，基于內(nèi)容的推薦很難向用戶推薦一些新的可能會(huì)感興趣的項(xiàng)目。

3)基于網(wǎng)絡(luò)的推薦

典型復(fù)雜網(wǎng)絡(luò)近年來(lái)在各個(gè)學(xué)科領(lǐng)域被廣泛研究，逐漸成為一個(gè)獨(dú)立的研究方向。隨著復(fù)雜網(wǎng)絡(luò)的研究技術(shù)逐漸走向成熟，越來(lái)越多的研究者正在嘗試將復(fù)雜網(wǎng)絡(luò)運(yùn)用到推薦系統(tǒng)中，基于網(wǎng)絡(luò)的推薦也就發(fā)展起來(lái)。相對(duì)于基于內(nèi)容的推薦，基于網(wǎng)絡(luò)的推薦不用用戶或者項(xiàng)目的特征信息，而是使用用戶和項(xiàng)目作為結(jié)點(diǎn)，使用用戶和項(xiàng)目之間的關(guān)系作為邊，構(gòu)建一個(gè)網(wǎng)絡(luò)圖。一般而言，基于網(wǎng)絡(luò)的推薦都是通過(guò)一些算法來(lái)挖掘網(wǎng)絡(luò)路徑中潛在的用戶偏好，比如使用隨即游走算法來(lái)計(jì)算用戶之間的相似度，用戶與用戶之間的路徑數(shù)量和路徑長(zhǎng)度就代表著用戶之間的影響力。

(2)異構(gòu)網(wǎng)絡(luò)