[发明专利]一种融合标签信息和时间效应的协同过滤电影推荐方法

说明书

本发明公开了一种融合标签信息和时间效应的协同过滤电影推荐方法，包括步骤S1：利用标签信息挖掘用户兴趣，即综合分析用户的标签使用记录和电影评分信息，度量用户对各标签的偏好程度，计算用户标签偏好值；步骤S2：捕捉用户兴趣的动态变化，即根据艾宾浩斯遗忘原理定义时间权重函数，并利用时间权重函数给标签进行加权；步骤S3：计算用户间的兴趣相似度，找到与目标用户兴趣最相近的k个用户作为邻居集合；步骤S4：根据邻居用户的电影评分信息，预测目标用户对未知电影的评分，并将预测评分最高的前n部电影推荐给目标用户。本发明主要解决目前观影网站普遍存在的由于无法精准捕捉用户兴趣的动态变化导致电影推荐不准确的问题。

技术领域

本发明涉及电影个性化推荐领域，特别涉及一种融合标签信息和时间效应的协同过滤电影推荐方法。

背景技术

随着大数据时代的到来和多媒体技术的盛行，电影爱好者的数量呈现爆炸式增长。为了提高用户的观影体验，观影网站时刻关注用户兴趣的变化，并及时调整电影推荐列表，确保所推荐的电影时刻符合用户兴趣。

目前大多数观影网站认为用户的近期行为代表用户兴趣的最新走向，即只关注用户近期的标签使用记录，统计用户使用各标签的次数，来捕捉用户兴趣的变化。该方法有两点不足：

一是用户与某标签发生交互具有一定的偶然性，只单一的分析用户近期的标签使用记录并不能精准的挖掘出用户的真实兴趣；

二是只统计用户使用各标签的次数会出现热门标签权重较大的问题，导致捕捉到的用户兴趣趋于大众化。

针对上述问题，本发明提出了一种融合标签信息和时间效应的协同过滤电影推荐方法。

发明内容

为了克服现有技术中的不足，本发明提供一种融合标签信息和时间效应的协同过滤电影推荐方法，解决目前观影网站普遍存在的由于无法精准捕捉用户兴趣的动态变化导致电影推荐不准确的问题。

为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

一种融合标签信息和时间效应的协同过滤电影推荐方法，包括以下步骤：

步骤S1：利用标签信息挖掘用户兴趣，即综合分析用户的标签使用记录和电影评分信息，度量用户对各标签的偏好程度，计算用户标签偏好值；

步骤S2：捕捉用户兴趣的动态变化，即根据艾宾浩斯遗忘原理定义时间权重函数，并利用时间权重函数给标签进行加权；

步骤S3：计算用户间的兴趣相似度，找到与目标用户兴趣最相近的k个用户作为邻居集合；

步骤S4：根据邻居用户的电影评分信息，预测目标用户对未知电影的评分，并将预测评分最高的前n部电影推荐给目标用户。

进一步的，步骤S1中综合分析用户的标签使用记录和电影评分信息来计算用户标签偏好值，用户喜欢给带有某标签的电影高评分来表达对该标签的喜爱，故将用户的标签使用记录和电影评分信息相结合来计算用户标签偏好值，设用户u使用标签t标注过的电影集合为I＝{i₁,i₂,…,i_n}，则用户u对标签t的偏好值为：

式中，l(u,t)表示用户u对标签t的偏好值，表示用户u的评分均值，n表示被用户u使用标签t标注过的电影总数，r_u,i表示用户u对电影i的评分。

进一步的，步骤S2中根据艾宾浩斯遗忘原理定义时间权重函数，综合分析用户以前和近期的标签使用记录，利用艾宾浩斯遗忘原理定义时间权重函数，设用户u第一次使用标签t的时间为T₀，当前时间为T，且用户u在T₀到T的时间段内使用标签t的总次数为n，用户u对标签t的遗忘函数为f(u,t)，记忆函数为g(u,t)，则根据艾宾浩斯遗忘原理：