[发明专利]一种基于神经网络和协同过滤的个性化电影推荐方法

摘要

本发明公开了一种基于神经网络和协同过滤的个性化电影推荐方法，采用Bert神经网络对电影情节进行特征提取，形成一个关于item的特征矩阵与Funk‑SVD形成衔接，再利用矩阵分解技术产生一个完整的U‑I矩阵，得到所有预测评分的一种快速有效的方法。先利用Bert神经网络对电影情节进行特征提取，并得到一个关于电影item的特征矩阵；然后将得到的特征矩阵与协同过滤算法Funk‑SVD算法衔接，再利用矩阵分解技术，梯度下降法进行优化，得到一个误差最小的完整的U‑I矩阵，最终获得所有预测评分等一系列操作；本发明在原有显式反馈和隐式反馈的基础上，加入辅助信息即电影情节，更加准确的获取item的特征矩阵，使最小误差降低了2.40％，提高了预测的精确度。

主权项

1.一种基于Bert神经网络和协同过滤算法中的Funk-SVD模型相结合的个性化电影推荐方法，其特征在于：包括以下步骤，/n步骤1，实验从MovieLens上获取了一组943*1682的评分矩阵，包括1682个item和943个user，对应只产生了100000组评分数据，U-I矩阵的稀疏度为93.7％；在Bert-SVD模型中，从IMDB上通过Python爬虫的方式爬取了每个item的电影情节，再从情节概括中提取的内容特征被用作项目推荐模型中的关键项目因子向量，成为推荐模型的关键组成部分；/n步骤2，首先采用随机数设定了一个943*100的user分解矩阵和1682*100的item分解矩阵，CF算法中的K值在此数据集中选取为100，为了验证加入bert的学习过程对误差的影响，进行了两组对比实验，一个是直接用两个随机值生成的矩阵，另一个是用bert通过电影情节计算出来的item特征矩阵替换掉原随机值生成的item特征矩阵，后续对运算结果进行了800次的迭代，使系统收敛，得到误差的最小值，因此训练后得到的两个特征矩阵就可以对此数据集中U-I矩阵的空缺项进行预测；/nSVD加入Bert神经网络后的结果对比：/n用Bert学习电影情节，预期输出结果为一个1682*100的item矩阵，直接代替由matlab随机值经过迭代生成的item特征矩阵；/n针对误差的计算采用的是RMSE——均方根误差亦称标准误差，其定义为，i＝1，2，3，…n；在有限测量次数中，均方根误差常用下式表示：[∑di^2/n]