[發明專利]一種知識圖譜結合自編碼機的電影推薦方法

有效

• 申請號: 202011470189.2
• 申請日: 2020-12-14
• 公開（公告）號: CN112528074B
• 公開（公告）日: 2023-06-16
• 發明（設計）人: 李云;朱毅;楊陽
• 申請（專利權）人: 揚州大學
• 主分類號: G06F16/735
• 分類號: G06F16/735;G06F16/783
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 董旭東;陳棟智

本發明公開了一種知識圖譜結合自編碼機的電影推薦方法，包括以下步驟：1從知識圖譜DBpedia中獲取電影的電影語言類別作為額外信息；2使用multi?hot方法對獲得的電影語言類別信息進行向量化表示并作為初始特征擴展；3使用自編碼機對獲得的初始特征擴展進行降維，將自編碼機的編碼層輸出作為提取的低維特征表示；4將獲得的低維特征表示融合到電影的原始特征空間中，并將新的特征作為額外信息--輸入到半自編碼機模型中實現更準確的電影推薦。本發明能夠利用知識圖譜對電影信息進行特征擴展，并通過自編碼機處理拓展特征，得到高層次低維特征表示以便輸入到推薦模型中進行預測，達到為用戶進行更準確推薦的目的。

技術領域

本發明涉及個性化數據推薦研究領域，特別涉及一種知識圖譜結合自編碼機的電影推薦方法。

背景技術

現今，隨著數據信息爆炸增長，人們面臨著大量服務以及商品選擇，同時也導致了用戶更難高效的找到對自己有用的信息以及產品。推薦系統可以幫助人們緩解信息過載的問題。在各種推薦方法中，協同過濾推薦算法在近幾十年取得了顯著成效。但是面臨著評分矩陣的稀疏問題以及泛化能力弱問題。為了解決這些問題，矩陣分解技術被提出，主要操作是從評分矩陣中學習用戶或者商品的隱特征來優化推薦準確性，并且在實際應用中取得了重大的成功。

但是矩陣分解方法在特征表示學習能力上存在局限性，因為大多方法通過直接對評分矩陣分解來學習用戶以及商品的特征表示而沒考慮額外信息。受深度學習在特征表示學習方面的優異表現激勵，越來越多基于深度學習的推薦系統被提出。與傳統推薦系統相比，深度學習推薦系統能夠更加有效地抽取用戶以及商品的特征。而在所有的基于深度學習的推薦方法中，基于自動編碼機的方法具有無需標簽、收斂速度快和有效性好等優勢，而得到了廣泛的關注。這些方法雖然可以利用用戶或者商品的額外信息，但是很難從其他信息源中獲得輔助信息，而且大部分輔助信息本身很稀疏，很難有效、直接地融入推薦系統提高推薦精度。

發明內容

本發明的目的是克服現有技術缺陷，提供一種知識圖譜結合自編碼機的電影推薦方法，通過知識圖譜補充有效的輔助信息，并使用自編碼機實現對獲得的稀疏信息的降維處理，將提取出的低維特征表示作為最終的輔助信息融合到推薦系統，達到提高個性化電影推薦準確度的目的。

本發明的目的是這樣實現的：一種知識圖譜結合自編碼機的電影推薦方法，其特征在于，包括以下步驟：

步驟1從知識圖譜DBpedia中獲取所有電影的電影語言類別作為額外信息；

步驟2使用multi-hot方法對獲得的電影語言類別信息進行向量化表示，作為初始特征擴展；

步驟3使用自編碼機對獲得的初始特征擴展進行降維，將自編碼機的編碼層輸出作為提取的低維特征表示；

步驟4將獲得的低維特征表示融合到電影的原始特征空間中，并將新的特征作為額外信息輸入到半自編碼機模型中實現更準確的推薦。

作為本發明的進一步限定，所述步驟1具體包括：

步驟1.1使用DBpedia的api接口,對數據集中的電影進行信息搜索，該語句接口中QueryClass設置為film，QueryString則設置為filmname；

步驟1.2使用正則化公式“label([a-zA-Z]*-language?films)/Label”對搜索到的網頁結果進行篩選，提取出需要的電影語言類別信息。

作為本發明的進一步限定，所述步驟2具體包括：一部電影可對應多種語言類別，使用multi-hot方法對每部電影獲得的語言類別信息進行向量化表示，得到電影i對應的語言類別向量lⁱ∈R^K其中向量的維度K是步驟1中提取出的電影語言類別總數，并將結果作為初始特征擴展。

作為本發明的進一步限定，所述步驟3具體包括：