[发明专利]一种基于多模态知识图谱的电影推荐方法、系统及终端

说明书

本发明公开了一种基于多模态知识图谱的电影推荐方法、系统及终端，所述方法包括：根据单模态特征获取电影图片和文本信息，抽取电影图片和文本信息中的实体、属性和关系，得到知识本体后与知识图谱结构化数据进行知识融合和知识加工后得到多模态知识图谱；通过嵌入层将头实体和尾实体投影到向量空间中映射成两个嵌入向量，将路径中的每个关系分别投影表示为单独的嵌入向量；利用长短期记忆网络模型学习嵌入向量输出表示实体和关系的聚合路径；利用全连接层将聚合路径的最终状态进行投影，输出路径得分，通过平均池化聚合所有路径得分，输出用户观看电影的预测概率，并作为推荐评分展示给用户。本发明提高了电影推荐的全面性和准确率。

技术领域

本发明涉及电影推荐技术领域，尤其涉及一种基于多模态知识图谱的电影推荐方法、系统及终端。

背景技术

伴随着互联网的蓬勃发展，网络上的数据内容正以爆炸式的速度增长，过量信息同时呈现使得用户很难从中获取对自己有用的部分，信息使用效率反而降低。推荐算法现已成为对于信息数据提取和内容挖掘的一项关键技术。通过结合用户的历史电影点击记录，在面临庞大信息数据量的情况下，为用户高效地定位出令人满意的推荐信息，是提高企业竞争力的最有效途径和产生更高收益的有效方法。与此对应，消费者如何能快速地在如此庞大的信息库中找到自己感兴趣的目标电影，是他们提出的个性化的需求，同时也是身处信息时代的需求。

当今时代，我国经济的高速发展，人民的生活水平也在稳步上升，群众对精神文化生活的重视推动了我国电影行业的迅速发展，观影需求持续扩大，这些使得电影产量越来越高。用户总有观看电影的偏好，有些用户还不太明确自己喜欢的电影类型，那么通过用户的信息、关注领域、兴趣爱好、观影历史记录等，通过数据挖掘的手段，获得属于不同用户的不同特征，以此构建个性化电影推荐系统就显得极为重要。随着电影产量的指数级增长，电影质量参差不齐等问题也日益凸显出来。因此，立足于为用户提供观影建议的推荐系统便应运而生了。

知识图谱作为一种新兴的辅助信息类型在推荐系统中发挥着重要作用，通过引入一些额外的辅助侧信息，可以有效的解决现有推荐系统的数据稀疏性及冷启动问题，现有的基于知识图谱的推荐大多是通过图嵌入的方法对实体和关系进行表征，进而扩充原有物品和用户表征的语义信息，一个良好的基于知识图谱的推荐方法能提高推荐的准确率，有助于深层次的挖掘用户兴趣，提供多样性的推荐结果，避免推荐结果局限于单一类型，还具有一定的可解释性，为用户推荐TopN个可能感兴趣的物品，为企业挖掘大量隐藏的商业价值。所以说，融合知识图谱的推荐系统方法的好坏将直接影响最后的推荐效果，也就直接影响能否充分挖掘出商业价值。

传统的基于知识图谱的推荐方法有基于embedding(嵌入)和基于路径的方法。基于embedding的方法有做新闻推荐的深度知识感知网络(deep knowledge-aware network，DKN)、使用图嵌入方法的翻译距离模型(TransD，TransE，TransR)、合成推荐算法(Collaborative Knowledge Base Embedding for Recommender Systems，CKE)，基于路径的方法有异构信息网络(Heterogeneous Information Networks，HIN)等。这些方法都使用来自知识图谱的信息丰富user或item，前者是利用知识图谱的embedding指导项目的表示学习，将实体和关系映射到低维向量空间中，后者是利用用户-物品的连通性推断用户和物品的相似度，提升推荐效果。这些方法都在尝试丰富用户-物品多样化的关联关系，细粒度的挖掘用户-物品之间的连接性以及寻找路径中的隐含信息。因此，通过增加知识图谱的多模态信息构建和关注用户-物品之间语义信息等方法都被证实对提升推荐效果有着积极的影响，众所周知，embedding方法可以将知识图谱中的路径关系进行向量化的表达，而LSTM(Long Short-Term Memory，长短期记忆网络)模型在一定程度上解决了RNN由于U、W、b参数共享导致的梯度爆炸及梯度消失问题，增强记忆的长期依赖，方便对输入向量进行序列化建模，可以按顺序对元素进行编码，并具备长时记忆能力，以挖掘基于关系的实体语义信息。