[发明专利]一种基于异构信息网络的电影推荐方法

说明书

一种基于异构信息网络的电影推荐方法，包括链接建模，以用户、电影、电影类型三种类型的对象为结点构建用户‑电影异构网络，以电影类型结点为中心，对异构网络进行社团划分，筛选出符合要求的社团，提高其运算速度和效率，利用异构网络中的元路径，计算目标用户与社团中的每个用户之间的影响力，计算目标用户与电影类型的喜爱程度，特征建模，分析目标用户的每一个特征被划分到每种电影类型的概率，综合计算目标用户对每个电影类型的喜爱程度，对链接建模和特征建模的结果进行加权求和，分析目标用户对每一种电影类型的喜爱程度，按照目标用户对每一种电影类型的喜爱程度，选择电影类型，推荐评分高的电影。

技术领域

本发明属于数据挖掘应用中个性化推荐技术领域，特别是涉及一种基于异构信息网络的电影推荐方法。

背景技术

(1)推荐系统

随着互联网的迅速普及，大数据时代已经到来，随之而来的是信息过载问题，如何进行个性化的信息筛选和呈现是各类互联网应用领域中亟待解决的问题。采用科学的方法深度挖掘用户的兴趣并生成个性化推荐即构建个性化推荐系统，是解决这一问题的主要手段。

个性化推荐系统基于用户特征、兴趣和历史行为数据构建用户信息模型，使用特定的推荐技术，进而挖掘用户个人偏好，生成对目标用户的推荐。目前，主要的推荐系统有协同过滤推荐，基于内容的推荐，基于网络的推荐等。

1)协同过滤推荐

协同过滤推荐的思想是，根据目标用户的历史偏好，为目标用户或项目找到相似项，根据相似项对项目进行评分并推荐给目标用户，即最近邻技术。协同过滤推荐是推荐系统中运用最成功的推荐技术之一，在各种环境下被广泛运用，许多不同领域算法和技术都相继用于改进和优化其性能。按照分析对象分类，协同过滤推荐有基于用户的最近邻推荐和基于项目的最近邻推荐。基于用户的最近邻推荐的基本思想：第一步，根据一个用户对项目的评分数据集，寻找与目标用户有相似偏好的其他用户，这些用户被称为最近邻；第二步，如果目标用户没有对某一项目评分，则依据最近邻过去对该项目的评分来预测目标用户对改项目的评分。基于项目的最近邻推荐的思想与此类似。协同过滤算法简单、高效且准确率高，然而协同过滤推荐是从用户历史数据出发的，对于没有评分过的用户和没有被评分过的项目，则永远无法被推荐，即冷启动问题，这就是协同过滤算法的固有缺点。另外，实际情况下，数据库中的评分数据往往是稀疏的，所以，也存在数据稀疏的问题。

2)基于内容的推荐

基于内容的推荐主要运用于信息过滤，与协同过滤不同的是，基于内容的推荐不以用户对项目的评分为依据，而是基于用户本身的特征来判断用户的偏好，匹配与用户偏好相似度高的项目，进行推荐。基于内容的推荐只需要项目和用户的特征信息，不需要大量的用户数量和历史评分数据，只需要对目标用户的特征信息进行提取分析，就可以进行项目匹配推荐，有效避免了由于数据稀松导致的误差，也避免了新用户或者新项目在没有历史评分记录的情况下存在的冷启动问题，另外，由于推荐是基于用户或者项目的特征产生的，方便向用户解释推荐理由。然而，现有的技术对于内容的分析也就是对于用户或者项目的特征的提取仅限于一些简单的文本内容，较为复杂的内容分析还存在一定的困难，所以基于内容的推荐对用户兴趣的挖掘深度有限，推荐准确度有限。而且用户对于项目的爱好会随着时间发生改变，基于内容的推荐很难向用户推荐一些新的可能会感兴趣的项目。

3)基于网络的推荐

典型复杂网络近年来在各个学科领域被广泛研究，逐渐成为一个独立的研究方向。随着复杂网络的研究技术逐渐走向成熟，越来越多的研究者正在尝试将复杂网络运用到推荐系统中，基于网络的推荐也就发展起来。相对于基于内容的推荐，基于网络的推荐不用用户或者项目的特征信息，而是使用用户和项目作为结点，使用用户和项目之间的关系作为边，构建一个网络图。一般而言，基于网络的推荐都是通过一些算法来挖掘网络路径中潜在的用户偏好，比如使用随即游走算法来计算用户之间的相似度，用户与用户之间的路径数量和路径长度就代表着用户之间的影响力。

(2)异构网络