[发明专利]一种基于三重自编码机结合知识图谱的电影推荐方法

说明书

本发明公开了一种基于三重自编码机结合知识图谱的电影推荐方法，包括1）将用户和电影之间的评论信息编码为情感分类，作为自动编码机的输入；2）基于电影的评级、辅助信息和生成的评论表示合并到半自动编码器中用于重构输出，通过半自动编码器学习获得扩展信息的低维特征表示，将获得的低维特征表示融合到电影的原始特征空间中，并将新的特征作为额外信息­­输入到半自编码机模型中；3）设计半自动编码器和自动编码器的串行连接，将第三个自编码器的输出预测评分矩阵与原始的评分矩阵进行对比。本发明能够利用用户和电影之间的交互信息和知识图谱对电影信息进行特征扩展，并通过自编码机处理拓展特征，达到为用户进行更准确推荐的目的。

技术领域

本发明涉及个性化数据推荐研究领域，特别涉及一种基于三重自编码机结合知识图谱的电影推荐方法。

背景技术

现如今，在所有与信息相关的应用场景中，随着互联网的快速发展，迫切需要个性化推荐来解决信息超载问题。

值得注意的是，许多成功的推荐系统共享了特征表示学习的各个方面，并已被广泛应用于许多在线服务，如电子商务和社交网络。现有的推荐系统方法大致可以分为三类:基于内容的推荐、协同过滤(CF)和混合方法。

基于内容的推荐方法学习项目的描述性特征，根据这些特征计算新项目与用户喜欢的项目之间的相似度，并生成最终的推荐，但要求特征内容有良好的结构性，并且用户的口味必须能够用内容特征形式来表达，不能显式地得到其它用户的判断情况。协同过滤方法通过考虑用户的历史行为发现用户的倾向，并产生推荐，但是面临着评分矩阵的稀疏问题以及泛化能力弱问题，为了解决这些问题，矩阵分解技术被提出，主要操作是从评分矩阵中学习用户或者商品的隐特征来优化推荐准确性，并且在实际应用中取得了重大的成功，但是矩阵分解方法在特征表示学习能力上存在局限性，因为大多方法通过直接对评分矩阵分解来学习用户以及商品的特征表示而没考虑额外信息。混合推荐方法将多种方法结合在一起，并尝试结合这些方法的优点，但是很难从其他信息源中获得辅助信息，而且大部分辅助信息本身很稀疏，很难有效、直接地融入推荐系统提高推荐精度。

发明内容

本发明的目的是克服现有技术缺陷，提供一种基于三重自编码机结合知识图谱的电影推荐方法，能够利用用户和电影之间的交互信息和知识图谱对电影信息进行特征扩展，并将半自动编码机和自动编码机串行连接，为用户进行更准确推荐。

本发明的目的是这样实现的：一种基于三重自编码机结合知识图谱的电影推荐方法，包括以下步骤：

1)将用户和电影之间的评论信息编码为情感分类，作为自动编码机的输入，用于生成项目的辅助信息；

2)基于电影的评级、辅助信息和生成的评论表示合并到半自动编码器中用于重构输出，通过半自动编码器学习获得扩展信息的低维特征表示，将获得的低维特征表示融合到电影的原始特征空间中，并将新的特征作为额外信息输入到半自编码机模型中；

3)设计半自动编码器和自动编码器的串行连接，通过获取半自动编码器生成的输出，再将生成的输出重新输入到第三个自动编码器中，将第三个自编码器的输出预测评分矩阵与原始的评分矩阵进行对比，计算预测精度，进行更精确的电影的推荐。

进一步的，所述步骤1)具体包括：

步骤1.1)使用BeautifulSoup网页爬虫技术，对MovieLens数据集中的对应电影进行评论信息的搜索；

步骤1.2)解析爬取评论的所在语句“'#mainsectiondiv.listerdiv.lister-listdivdiv.review-containerdiv.lister-item-contentdiv.contentdiv.text.show-more__control'”，对搜索到的网页结果进行筛选，提取出需要的评论信息，结果作为初始特征扩展。

进一步的，所述步骤2)具体包括：