[发明专利]一种基于神经网络和协同过滤的个性化电影推荐方法

说明书

本发明公开了一种基于神经网络和协同过滤的个性化电影推荐方法，采用Bert神经网络对电影情节进行特征提取，形成一个关于item的特征矩阵与Funk‑SVD形成衔接，再利用矩阵分解技术产生一个完整的U‑I矩阵，得到所有预测评分的一种快速有效的方法。先利用Bert神经网络对电影情节进行特征提取，并得到一个关于电影item的特征矩阵；然后将得到的特征矩阵与协同过滤算法Funk‑SVD算法衔接，再利用矩阵分解技术，梯度下降法进行优化，得到一个误差最小的完整的U‑I矩阵，最终获得所有预测评分等一系列操作；本发明在原有显式反馈和隐式反馈的基础上，加入辅助信息即电影情节，更加准确的获取item的特征矩阵，使最小误差降低了2.40％，提高了预测的精确度。

技术领域

本发明属于基于人工智能的个性化推荐领域，具体采用Bert神经网络对电影情节进行特征提取，形成一个关于item的特征矩阵与Funk-SVD形成衔接，再利用矩阵分解技术产生一个完整的U-I矩阵，得到所有预测评分的一种快速有效的方法。

背景技术

目前使用较多的实现推荐系统的主要途径有三种：基于内容推荐(CB)、协同过滤推荐(CF)和混合推荐。

·CB:将物品与用户先前喜欢的物品进行比较，然后推荐最匹配的物品。但该方法存在的主要问题是冷启动问题和相似用户可靠性问题。

·CF：协同过滤是推荐系统中最流行的算法，通过分析用户和物品交互数据来建模，预测用户对物品的喜好。其主要的障碍在于用户和物品交互数据的稀疏性。

·混合过滤：是指将多种推荐算法结合,实现缺点互补,实现更好的推荐效果。在实际应用中,我们可以针对具体问题采用合适的组合策略。目前基于内容的推荐和协同过滤推荐的组合是研究和应用较多的组合。

在计算物品评分矩阵时，为了提取更为准确的特征向量，对电影情节采用了自然语言处理(NLP)。现存两种处理预训练产生词向量和下游具体NLP任务的关系的策略：基于特征处理(如ELMo)和微调处理(如the Generative Pre-trained Transformer(OpenAIGPT))。这两种处理方式都会限制预训练产生词向量的结果，其原因主要是其标准语言模型是单向的，这限制了在训练中使用的结构，并导致特征提取的准确度下降。

发明内容

针对现有技术中存在的上述问题，本发明提出一种基于神经网络和协同过滤的个性化电影推荐方法。对于想得到用户的物品的评分，并实现个性化推荐，本发明提出的方法整体思路是，先利用Bert神经网络对电影情节进行特征提取，并得到一个关于电影item的特征矩阵；然后将得到的特征矩阵与协同过滤算法Funk-SVD算法衔接，再利用矩阵分解技术，梯度下降法进行优化，得到一个误差最小的完整的U-I矩阵，最终获得所有预测评分等一系列操作。

为实现上述目的，本发明采用的技术方案为一种基于基于神经网络和协同过滤的个性化推荐方，包括以下步骤：

神经网络Bert：