[發明專利]一種基于大數據的電影語義個性化標簽優化方法

有效

• 申請號: 201710757109.3
• 申請日: 2017-08-29
• 公開（公告）號: CN107515934B
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 陽柯;劉楚雄;唐軍
• 申請（專利權）人: 四川長虹電器股份有限公司
• 主分類號: G06F16/955
• 分類號: G06F16/955;G06F16/48;G06K9/62
• 代理公司: 四川省成都市天策商標專利事務所 51213
• 代理人: 秦華云;吳瑞芳

1.一種基于大數據的電影語義個性化標簽優化方法，其特征在于：其方法步驟如下：

A、收集電影i和電影j的評論信息數據，所述評論信息數據包括電影簡介、電影長評和電影短評，采用開源中文分詞工具對評論信息數據進行分詞處理；建立停用詞數據庫，通過停用詞數據庫去除分詞后的評論信息數據中的停用詞得到有效評論數據；

B、計算詞頻TF：詞頻TF＝某個詞在某一評論文章中經過步驟A處理后的有效評論數據出現的次數，詞頻TF采用計算方式計算：

詞頻TF＝某個詞在某一評論文章中經過步驟A處理后的有效評論數據出現的次數/該有效評論數據中詞數；

C、計算文檔集頻率SF：文檔集頻率SF＝某個詞在所有評論文檔中出現過的文檔數目/總評論文檔數；

D、生成個性化標簽：個性化標簽＝詞頻TF與計算文檔集頻率SF的乘積，并按照權重值降序排列各標簽；

E、標簽異化：生成的個性化標簽中，通過詞向量模型計算出個性化詞語之間的距離；

所述詞向量模型方法如下：

E1、采用如下向量余弦的方法計算文本相似度：

D_i,j＝cos(x_i,x_j)

其中x_i，x_j的值是電影i、電影j的電影簡介分別通過Doc2vec算法得到一個固定維度的向量；

E2、比較各自定義電影標簽的相似度，得到相似度矩陣S用來表示標簽l_i與標簽l_j之間標簽的相似度，相同或近似標簽的相似度定義為1，相反標簽的相似度定義為0；

E3、引入置信度矩陣Y，Y_i,j≥0，其值表示電影i中標簽l_j的置信得分，即標簽優化結果；

E4、自定義電影標簽相似度定義：

其中，y_i，y_j分別表示電影i，電影j的自定義電影標簽；

E5、標簽優化目標函數，通過最小化電影簡介內容與標簽之間的差值，以及最小化電影實質標簽與用戶自定義標簽的差值，定義優化目標函數如下：

其中，表示電影i是否含有標簽l_j，α_j是比例因子，φ是罰項因子；

F、提取個性化標簽：步驟D的個性化標簽經過步驟E標簽異化合并之后的個性化標簽，按照權重值降序排列，選取前N個標簽作為該電影的個性化標簽L₀。

2.按照權利要求1所述的一種基于大數據的電影語義個性化標簽優化方法，其特征在于：還包括步驟G；

G、個性化標簽權重歸一化：對個性化標簽集合按照如下公式做歸一化計算：

其中，分別表示電影i、電影j的個性化標簽。

3.按照權利要求2所述的一種基于大數據的電影語義個性化標簽優化方法，其特征在于：還包括電影標簽融合步驟H；

H1、對步驟F的個性化標簽集合進行交集、差集運算，交集Inte＝L₁∩L₀，差集Diff₀＝L₀-Inte，差集Diff₁＝L₁-Inte，其中L₁，L₀分別表示優化之后的自定義標簽集合，個性化標簽集合；

H2、交集Inte作為電影最終標簽的部分標簽；

H3、融合Diff₀、Diff₁標簽，其中Diff₁權重較大，并且全部保留到電影的最終個性化標簽中；而Diff₀的標簽僅取權重前三或前三用以保留電影個性化標簽，最后得到最終電影標簽L。