[發明專利]一種利用用戶屬性進行電影推薦的方法

有效

• 申請號: 201910238934.1
• 申請日: 2019-03-27
• 公開（公告）號: CN110008377B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 胡勁松;鄭波
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06F16/78;G06N3/04
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

本發明公開了一種利用用戶屬性進行電影推薦的方法，屬于數據推薦領域，目的是為了解決傳統的推薦模型方法不合理的利用輔助信息，導致推薦結果不精準甚至出現較大偏差的問題。傳統的推薦系統模型對于用戶的一些屬性信息不加甄別，無視屬性對于對應物品的適應性，從而存在較大的不合理性，本方法通過對傳統推薦系統工作流程中的屬性利用環節加入注意力機制，從而有效地控制和決定在進行電影推薦時候，哪些用戶信息被保留，哪些被摒棄，使得整個推薦過程更加合理有效。同時，本方法結合了深度學習的大規模參數學習，使得模型的適用性和魯棒性更強。

技術領域

本發明涉及數據推薦領域，尤其是對于電影的預測評分及推薦，具體涉及一種利用用戶屬性進行電影推薦的方法。

背景技術

在大數據的時代背景下，只有充分利用好數據，才能在商業競爭中占得先機。電影推薦系統也是如此，只有讓系統充分學習大量用戶的歷史觀影數據，從影片庫中挑選出用戶可能會喜歡的電影，進行精準推薦，才能更有效地推廣電影的發行。然而多數電影推薦系統面臨這樣一個冷啟動問題：對于新的用戶，觀影歷史數據很少甚至沒有，很難對其進行推薦?；谏鲜鰡栴}，一些方法開始建模用戶的屬性特征，例如年齡、性別、職業這些在系統注冊的時候，便會錄入系統的項目。

現今基于協同過濾的個性化推薦系統大多數基于這樣一個思想：將用戶和待推薦的項目映射到一個低維度的特征空間中，用這兩個特征向量之間的距離來表示特定用戶對于特性項目的喜好程度，對于冷啟動的用戶，則在原始特征的基礎上，簡單的加上屬性特征。Y.Koren提出的SVD++模型是處理冷啟動問題的模型代表。最近，Xiangnan He等人又提出了NCF模型，將SVD++模型用神經網絡進行擴展。這些方法都考慮到了用戶屬性的建模問題，旨在解決新用戶的推薦問題，然而它們或多或少存在著不合理性。

上述對于用戶屬性建模的模型都存在這樣一個問題：不論對于目標用戶進行哪種電影的推薦，系統在建模用戶模型的時候，相同屬性在特征空間中的比重一致。這顯然是不合理的。考慮一個實際問題：對于動作電影的推薦，系統應該更關注用戶的性別，而對于浪漫愛情電影，則應該關注用戶的年齡，而不應該對于所有的電影，都一律使用一樣的屬性特征，這會造成很大的預測偏差。

發明內容

本發明的目的是針對現有技術的不足，提供了一種利用用戶屬性進行電影推薦的方法，在傳統的協同過濾矩陣分解推薦算法的基礎上，引入了深度學習領域表現良好的注意力機制，精準把控系統模型對于每個屬性的關注度參數，使得推薦模型對于不同電影，合理分配相應的注意力，從而能夠更合理地運用用戶提供的有效屬性信息，使得推薦結果更加合理精準。

本發明的目的可以通過如下技術方案實現：

一種利用用戶屬性進行電影推薦的方法，所述方法在傳統推薦模型的基礎上，引入注意力機制，在歷史數據的建模學習中，額外學習用戶屬性注意力參數，包括以下步驟：

S1、特征映射學習：首先從大量的現有用戶對電影評級數據中學習特征映射關系其中i和u分別表示電影和用戶的uuid，a表示用戶的屬性集，同時，學習和記錄對用戶屬性的注意力矩陣λ；

S2、用戶/電影原始特征映射：對于具體的用戶，根據學習到的映射關系參數，將其投影到K維度低維的特征空間中；同樣，對于待推薦影片或影片庫，根據其uuid獲得它們在特征空間中具體的特征值，這些特征，包括之后提到的屬性特征，都是特征空間中的一個向量；

S3、池化屬性特征融合：對于原始的用戶特征，利用其屬性集對其進行修正；

S4、預測評分：將影片庫的所有電影特征以及修正過后的用戶特征輸入到模型中，獲得最后的評分列表，即模型對當前用戶關于影片庫中所有該用戶未觀看的影片的一個評分預測；

S5、Top K推薦：排序評分列表，取Top K評分影片推薦給用戶。