[发明专利]一种电影推荐方法

说明书

本发明公开了一种电影推荐方法，属于推荐系统技术领域。首先认为相同类型的电影，在海报设计风格上具有相似的特点；因此需要获取电影相关的海报信息，在用变分自编码对这些电影海报进行特征提取，同时把提取的海报特征作为电影的潜在特征向量，根据电影的潜在特征向量使用余弦相似度计算电影之间的相似度，然后按照相似度进行排名，最后选取最相似的几部电影作为推荐结果推荐给用户。该方法具有复杂度低，且无传统协同过滤推荐法中的稀疏与冷启动等缺点。主要用于电影推荐。

技术领域

本发明属于推荐系统技术领域。

背景技术

伴随着互联网的飞速发展，人们认知的信息出现了爆发式的增长，过去三十年产生的信息比过去人类几千年所产生信息的总和还要多。在如此海量信息的情况下，用户如何获取有效信息变得十分困难。由此为了克服“信息过载”的问题，推荐系统应运而生。

而电影推荐系统是当今推荐系统中的一个重要应用，传统的电影推荐系统一般采用的是协同过滤算法，协同过滤简单来说是利用某种兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，协同过滤算法主要优点是能够推荐两个不相关的物品，但是协同过滤也面临着数据稀疏和冷启动等问题。传统的协同过滤一般分为基于用户和基于物品两类推荐算法。

而近年来，由于深度学习在隐藏特征提取中的优良效果，许多人把深度学习引入到推荐系统的隐藏特征的学习中。

通过对现有专利及相关技术的检索发现，现有的与电影推荐相关的方法和系统包括：

(1)CN106169083A公开了一种基于视觉特征的电影推荐方法，该方法中通过使用所述的推荐用户的一系列特征因子，以及预先提取的所述未评分点用的视觉特征以及所述视觉特征中各个特征的权重，采用预先建立的电影推荐模型，预测所述待推荐用户对所述未评分电影的预测评分。

其中，所述的视觉特征包括颜色直方图、SIFT特征，CNN特征和电影类别的特征等。

可以看出现存的方法虽然存在一定的优势，但是也存在一些不足：采用了CNN(卷积神经网络)特征，CNN神经网络是一种有监督神经网络，同时训练样本需要人工对数据进行标记，这样不利于处理大规模的数据。

目前存在应用神经网络到推荐电影的方法还较少，并且使用的多是有监督的神经网络，使用无监督神经网络的方法还很少；为了提高训练神经网络的效率，得到更高的电影推荐精度，鉴于以上陈述的已有方案的不足，本发明旨在提供效率更高、更完善的方案，并克服现有技术存在的缺陷

发明内容

本发明的目的是提供一种电影推荐方法，它能有效地解决更好的推荐电影的技术问题。

本发明目的是通过以下技术方案来实现的：一种电影推荐方法，包括以下几个步骤：

步骤一、根据电影数据集中的电影的ID，从IMDB网站中提供的API中下载电影的电影海报；

步骤二、构建变分自编码，变分自编码包括一个编码器和和一个解码器，为了对解码器的概率条件分布q_φ(z|x⁽ⁱ⁾)进行参数估计，使用编码器的条件概率分布p_θ(x^（i)|z)去逼近真实的后验概率q_φ(z|x⁽ⁱ⁾)，并采用了相对熵来判断两个分布的相似程度，于是目标公式为：

L(θ，φ；x⁽ⁱ⁾)＝KL(q_φ(z|x⁽ⁱ⁾)，p_θ(x⁽ⁱ⁾|z))+logp_θ(x⁽ⁱ⁾)