[发明专利]一种基于家庭知识图谱的电影推荐方法

权利要求书

1.一种基于家庭知识图谱的电影推荐方法，其特征在于，包括步骤如下：

A、构建并训练获取上下文感知推荐模型

(1)构建家庭知识图谱：

家庭知识图谱展示了实体和实体之间的关系，是对现实家庭事物及关系进行形式化地描述，使用三元组D＝(E,C,S)来表示家庭知识图谱，D表示知识库；E＝{e₁,e₂,...e_i,...e_j,...,e_|E|}，表示D中的主体实体集合，主体实体集合中有|E|种主体实体；C＝{c₁,c₂,...,c_i...,c_j...,c_|C|}，表示D中的关系集合，关系集合有|C|种不同的关系；S＝{s₁,s₂,...s_i,...s_j,...,s_|S|}，表示与主体实体集合E对应的客体实体集合，客体实体集合中有|S|种客体实体；三元组D的基本形式为e_i，c_i，s_i；

(2)数据预处理：

利用用户对电影的观看时长自动构建评分机制，获取用户-电影-评分矩阵；

(3)构建融入家庭成员相似度的上下文感知推荐模型：

计算用户之间的相似关系，包括步骤如下：

获取家庭知识图谱中与e_v有连接的s_v，e_v是指用户v的主体实体，s_v是指用户v的客体实体，统计客体实体s_v中包含的影视列表I_(v)；

利用所有家庭成员的交互的所有影视信息判断其兴趣相似度，计算家庭成员u,v间的兴趣相似度sim(u,v)，如式(Ⅰ)所示：

式(Ⅰ)中，I_(u)、I_(v)分别表示与家庭成员u、v有过交互的电影集合；r_uj、r_vj分别表示家庭成员u、v对电影j的实际评分；

定义相似用户特征矩阵W^M×D，W^M×D表示M个用户的D维特征矩阵，M为所有用户数量，D为特征矩阵维度；

用一个邻接矩阵T＝[t_uv]_M×M表示用户之间的相似关系，sim(u,v)0.5时，t_uv＝1，表示用户u与用户v相似，否则，t_uv＝0；

引入C中的c_i，将其作为步骤(2)中用户-电影-评分矩阵的第三维信息，并将其建模为一个三维张量，通过CP分解的方式学习原张量模型并对空缺值进行填充，包括步骤如下：

将来自M个用户在K种上下文C下对N个电影的打分记作张量R，R包含M×N×K个记录，r_uic表示用户u在C下对电影i的实际打分；

融入家庭成员间兴趣相似度的评分预测模型如式(II)所示：

式(II)中，表示用户u在C下对电影i的预测评分，U′_u、I_i、C_c分别为用户、电影、上下文信息的特征矩阵，U′_ud、I_id、C_cd分别是U′_u、I_i、C_c中的元素，b_u、b_i、b_c分别为用户、电影、上下文偏置，μ为全局平均分，D代表特征维数；

利用用户u的特征向量U′_u融合家庭成员相似关系与相似用户特征矩阵W，构建评分预测模型中用户u更精确的特征向量U′_u，如式(Ⅲ)所示：

式(Ⅲ)中，T_u是指与用户u相似的用户集合，|T_u|是指与用户u相似的用户数量，W_v表示与用户v的相似的用户特征向量；

(5)训练上下文感知推荐模型：在上下文感知推荐模型中，对于每一个已知评分r_uic，其目标损失函数L如式(Ⅵ)所示：

(6)通过步骤(5)训练好的上下文感知推荐模型，获得完整的三维张量R，R中元素为某家庭成员在某种心情下对某电影的评分数据，当家庭成员有观影意向时，获取该成员当前心情，并对该成员在该心情下的电影评分进行从高到低排序，为其推荐得分最高的电影。