[发明专利]一种知识图谱结合自编码机的电影推荐方法

说明书

本发明公开了一种知识图谱结合自编码机的电影推荐方法，包括以下步骤：1从知识图谱DBpedia中获取电影的电影语言类别作为额外信息；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并作为初始特征扩展；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；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电影推荐。本发明能够利用知识图谱对电影信息进行特征扩展，并通过自编码机处理拓展特征，得到高层次低维特征表示以便输入到推荐模型中进行预测，达到为用户进行更准确推荐的目的。

技术领域

本发明涉及个性化数据推荐研究领域，特别涉及一种知识图谱结合自编码机的电影推荐方法。

背景技术

现今，随着数据信息爆炸增长，人们面临着大量服务以及商品选择，同时也导致了用户更难高效的找到对自己有用的信息以及产品。推荐系统可以帮助人们缓解信息过载的问题。在各种推荐方法中，协同过滤推荐算法在近几十年取得了显著成效。但是面临着评分矩阵的稀疏问题以及泛化能力弱问题。为了解决这些问题，矩阵分解技术被提出，主要操作是从评分矩阵中学习用户或者商品的隐特征来优化推荐准确性，并且在实际应用中取得了重大的成功。

但是矩阵分解方法在特征表示学习能力上存在局限性，因为大多方法通过直接对评分矩阵分解来学习用户以及商品的特征表示而没考虑额外信息。受深度学习在特征表示学习方面的优异表现激励，越来越多基于深度学习的推荐系统被提出。与传统推荐系统相比，深度学习推荐系统能够更加有效地抽取用户以及商品的特征。而在所有的基于深度学习的推荐方法中，基于自动编码机的方法具有无需标签、收敛速度快和有效性好等优势，而得到了广泛的关注。这些方法虽然可以利用用户或者商品的额外信息，但是很难从其他信息源中获得辅助信息，而且大部分辅助信息本身很稀疏，很难有效、直接地融入推荐系统提高推荐精度。

发明内容

本发明的目的是克服现有技术缺陷，提供一种知识图谱结合自编码机的电影推荐方法，通过知识图谱补充有效的辅助信息，并使用自编码机实现对获得的稀疏信息的降维处理，将提取出的低维特征表示作为最终的辅助信息融合到推荐系统，达到提高个性化电影推荐准确度的目的。

本发明的目的是这样实现的：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。

作为本发明的进一步限定，所述步骤1具体包括：

步骤1.1使用DBpedia的api接口,对数据集中的电影进行信息搜索，该语句接口中QueryClass设置为film，QueryString则设置为filmname；

步骤1.2使用正则化公式“label([a-zA-Z]*-language films)/Label”对搜索到的网页结果进行筛选，提取出需要的电影语言类别信息。

作为本发明的进一步限定，所述步骤2具体包括：一部电影可对应多种语言类别，使用multi-hot方法对每部电影获得的语言类别信息进行向量化表示，得到电影i对应的语言类别向量lⁱ∈R^K其中向量的维度K是步骤1中提取出的电影语言类别总数，并将结果作为初始特征扩展。

作为本发明的进一步限定，所述步骤3具体包括：