[发明专利]一种知识图谱结合自编码机的电影推荐方法

权利要求书

1.一种知识图谱结合自编码机的电影推荐方法，其特征在于，包括以下步骤：

步骤1从知识图谱DBpedia中获取所有电影的电影语言类别作为额外信息；

步骤2使用multi-hot方法对获得的电影语言类别信息进行向量化表示，作为初始特征扩展；

步骤3使用自编码机对获得的初始特征扩展进行降维，将自编码机的编码层输出作为提取的低维特征表示；

步骤3.1通过公式(1)以及公式(2)完成对自编码机模型进行训练，保留模型参数：

ξ_l＝f(L^I·Q_l+p_l)              (1)

L′^I＝g(ξ_l·Q′_l+p′_l)           (2)

其中，L^I∈R^m×K是m个电影对应的语言类别向量，Q_l∈R^K×h,Q′_l∈R^h×K是自编码机的权值矩阵，p_l∈R^h,p′_l∈R^K是偏置向量，h是自编码机隐藏层的维度，为了避免模型过拟合，使用l₂范数对模型参数进行正则化，训练自编码机的目标函数如下所示：

其中表明在训练过程中只考虑有电影语言种类特征的样本；

步骤3.2在模型训练完成后，可通过公式(4)获得L^I的低维特征表示，用E^I表示低纬特征表示，公式(4)如下所示：

E^I＝f(L^I·Q_l+p_l)                        (4)；

步骤4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实现更准确的推荐；

步骤4.1通过步骤3.2获得特征扩展之后，将特征扩展矩阵E^I∈R^m×h，所有电影的部分观测评分矩阵r^I∈R^m×n以及数据集中自带的额外信息A^I∈R^m×y进行拼接，y为额外信息的维度，记为cat(E^I,r^I,A^I)∈R^m×(h+n+y)，

步骤4.2将通过步骤4.1得到的cat(E^I,r^I,A^I)作为输入数据输入到半自编码机模型中，通过公式(6)实现：

r^′I＝f(g(cat(E^I,r^I,A^I)·Q+b)·Q^′+b₁)            (6)

其中Q∈R^(h+n+y)×H，Q^′∈R^H×n是权重矩阵，b∈R^H，b₁∈Rⁿ是偏置向量，同时半自编码机的隐藏层维度设置为H，同时为了避免模型过拟合，使用l₂范数对参数正则化，最终目标函数如公式(7)所示：

步骤4.3最后通过公式(8)获得最终的预测的评分矩阵：

R^′＝f(g(cat(E^I,r^I,A^I)·Q+b)·Q^′+b₁)               (8)。