[发明专利]基于建模的节目数据推荐方法及系统

说明书

本发明提供了一种基于建模的节目数据推荐方法及系统，其中的方法包括：从预设用户节目观看数据库中提取规定时间阶段的用户观看数据作为训练数据和验证数据；根据训练数据对预设的NPR‑AI模型进行训练，并根据验证数据和训练好的NPR‑AI模型确定NPR‑AI模型的参数和信息的组合方式；在所述规定时间阶段后紧邻的时间周期的节目单中确定NPR‑AI模型的入模参数；基于入模参数和所述NPR‑AI模型进行用户观看节目的预测和推荐。本发明通过对节目的多源辅助信息进行分类表示，充分挖掘辅助信息、节目和用户之间的深层次关系，同时引入多层异质注意力机制，捕捉用户和节目之间更多的语义关系，从而更加准确地进行节目表示和用户表示，提高了推荐系统的性能。

技术领域

本发明涉及人工智能领域下的智能推荐领域，更为具体地，涉及一种基于建模的节目数据推荐方法及系统。

背景技术

大数据信息时代，互联网的发展日益迅猛，网络平台上的信息量呈指数级增长，出现了“信息过载”的问题。尤其是在蓬勃发展的娱乐影视领域，电视节目数量激增，为了从海量信息中准确地选择出用户感兴趣的有价值的信息，推荐系统应运而生。

目前，推荐系统已经在电子商务、新闻、电影等诸多领域发挥了重要作用，成为现代互联网应用场景中不可缺少的一部分。然而，现有的广播电视节目推荐方法主要是基于协同过滤的传统方法，它们基于用户和节目的基本交互数据进行推荐，节目属性信息数据使用率极低，对用户隐性行为挖掘不够全面，忽略了其他辅助信息的重要价值，无法满足针对不同用户进行个性化影视节目推荐需求。

因此，研究构建基于多源辅助信息的神经网络推荐方法是十分有必要的。

发明内容

鉴于上述问题，本发明的目的是通过提出基于辅助信息的神经网络推荐算法，融合异质注意力机制，探究不同辅助信息组合对推荐系统性能的影响，实现个性化推荐模型的构建，将其应用于广播电视节目推荐中，并提高推荐系统的准确性和排序性指标值。

根据本发明的一个方面，提供了一种基于建模的节目数据推荐方法，包括：

从预设用户节目观看数据库中提取规定时间阶段的用户观看数据作为训练数据和验证数据；

根据所述训练数据对预设的NPR-AI模型进行训练，并根据所述验证数据和训练好的NPR-AI模型确定所述NPR-AI模型的参数和信息的组合方式；

在所述规定时间阶段后紧邻的时间周期的节目单中根据所述参数和信息的组合方式确定所述NPR-AI模型的入模参数；

基于所述入模参数和所述NPR-AI模型进行用户观看节目的预测和推荐。

根据本发明的另一方面，提供了一种基于建模的节目数据推荐系统，包括：

数据提取单元，用于从预设用户节目观看数据库中提取规定时间阶段的用户观看数据作为训练数据和验证数据；

模型训练单元，用于根据所述训练数据对预设的NPR-AI模型进行训练；

模型验证单元，用于根据所述验证数据和训练好的NPR-AI模型确定所述NPR-AI模型的参数和信息的组合方式；

入参确定单元，用于在所述规定时间阶段后紧邻的时间周期的节目单中根据所述参数和信息的组合方式确定所述NPR-AI模型的入模参数；

预测推荐单元，用于基于所述入模参数和所述NPR-AI模型进行用户观看节目的预测和推荐。