[發明專利]一種基于上下文典型性的電影推薦方法

有效

• 申請號: 202110083203.1
• 申請日: 2021-01-21
• 公開（公告）號: CN112784171B
• 公開（公告）日: 2022-11-04
• 發明（設計）人: 張清華;張金鎮;艾志華;李新太
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06F16/9536
• 分類號: G06F16/9536
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 盧勝斌

1.一種基于上下文典型性的電影推薦方法，其特征在于，該方法包括：

S1：獲取用戶數據，并將用戶數據進行集合，得到數據集；根據數據中的信息計算數據的上下文典型性；用戶數據包括電影信息、評分信息以及上下文屬性值；計算數據上下文典型性的公式為：

其中，表示用戶x對電影類型t的評分程度，C_h,k表示第h個上下文屬性的第k個屬性值，r表示評分程度，表示用戶x對電影類型t的評分頻率，f表示評分頻率；

S2：根據用戶數據以及每個用戶對不同電影類型的上下文典型性構建上下文典型性矩陣；

S3：在上下文典型性矩陣中尋找近鄰，根據近鄰的上下文屬性值計算近鄰用戶的評分；

S4：采用近鄰用戶的評分預測目標用戶在該上下文屬性值下對該電影的評分；

S5：根據用戶數據的評分信息，采用知識粒度計算出上下文屬性對每個電影類型的重要度；

S6：根據重要度和目標用戶在上下文屬性值下對該電影的評分計算出多上下文的預測評分；

S7：根據多上下文的預測評分對電影進行推薦。

2.根據權利要求1所述的一種基于上下文典型性的電影推薦方法，其特征在于，構建上下文用戶典型性向量的具體過程包括：

步驟1：計算出用戶在上下文屬性值下對電影類型的用戶典型性；

步驟2：將用戶對每個電影類型的上下文用戶典型性轉化為上下文用戶典型性向量；上下文用戶典型性向量的表達式為：

步驟3：將所有的上下文用戶典型性向量構建為上下文典型性矩陣；

其中，表示上下文用戶典型性向量，C_h,k表示第h個上下文屬性的第k個屬性值，表示用戶x在上下文屬性值C_h,k下對第n電影類型的用戶典型性。

3.根據權利要求2所述的一種基于上下文典型性的電影推薦方法，其特征在于，上下文典型性矩陣為：

其中，m表示用戶個數，n代表用戶組的個數，代表用戶x在上下文屬性值C_h,k下的用戶典型向量。

4.根據權利要求1所述的一種基于上下文典型性的電影推薦方法，其特征在于，在上下文典型矩陣中尋找近鄰的包括計算上下文典型性矩陣中的用戶數據與目標用戶數據的余弦相似度，對所有的余弦相似度的大小進行判斷，當余弦相似度最大的用戶數據為上下文典型性矩陣的近鄰；余弦相似度公式為：

其中，||·||表示向量的模，表示的上下文典型性向量。

5.根據權利要求1所述的一種基于上下文典型性的電影推薦方法，其特征在于，近鄰用戶對不同類型電影的單上下文的預測評分的公式為：

其中表示在上下文屬性值C_h,k下用戶i對電影y所屬的類型t的用戶典型性，表示近鄰用戶i在上下文屬性值C_h,k下對電影y的歷史評分。

6.根據權利要求1所述的一種基于上下文典型性的電影推薦方法，其特征在于，采用知識粒度計算出上下文屬性對每個電影類型的重要度的公式為：

其中，d_y,t表示電影y所屬的電影類型t，C_h,k表示第h個上下文屬性的第k個屬性值，[r]_dy,t表示在相同單上下文屬性的電影類型的評分集合，R_x,y表示用戶x對電影y的評分，n表示第n個評分。

7.根據權利要求1所述的一種基于上下文典型性的電影推薦方法，其特征在于，多上下文預測評分的公式為：

其中，x表示第x個用戶，c表示用戶所處的上下文屬性合集，y表示第y個電影，C_h,k表示第h個上下文屬性的第k個屬性值，d_y,t表示電影y所屬的電影類型t，G(d_y,t|C_h,k)表示上下文屬性值C_h,k對電影類型d_y,t的重要度，表示用戶x對電影y的單上下文預測評分。