一种融合知识图谱和协同过滤的电影推荐方法

技术特征：
1.一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：所述电影推荐方法融合知识图谱和斜率过滤，具体的包括如下步骤：步骤1、收集用户已经评价的项目信息；步骤2、通过基于用户的协同过滤算法，计算用户之间的相似度矩阵；步骤3、根据步骤2得到的评分矩阵，构建知识图谱，知识图谱是由若干个有向图表示的(h,r,t)以及这些三元组的相互联系构成，其中，h和t代表实体，r代表关系；步骤4、在步骤3构建的知识图谱中，添加多模态信息，得到多模态知识图谱；步骤5、使用transr模型嵌入实体和关系，得到所需的实体向量表达式；步骤6、根据训练得到的实体向量，根据余弦相似度计算用户的相似度：其中：和表示向量，a
i
表示用户a第i维数值，b
i
表示用户b第i维数值n表示向量的维数；步骤7、调整融合比例，生成融合相似度矩阵sim：sim(a,b)＝α*sim1(a,b) (1-α)*sim2(a,b)其中：α∈(0,1]为融合比例；步骤8、根据步骤7生成的融合相似度矩阵，对目标用户对电影的评分进行推荐，选取评分最高的若干项目做出推荐结果。2.根据权利要求1所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：所述步骤4中，所述多模态知识图谱的获取过程为：获取电影图片和用户对电影的评价，抽取图片和文本信息的实体、属性和关系，与知识图谱进行数据融合后得到多模态知识图谱。3.根据权利要求1或2所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：步骤2中用户之间的相似度计算方式为：其中，sim(x,y)表示用户x和用户y之间的相似度，s
xy
＝s
x
∩s
y
，表示用户x和用户y共同评过分的电影集合，r
(x,s)
表示用户x对电影s的评分，a
x
表示在s
xy
中用户x对电影的平均评分，r
(y,s)
表示用户y对电影s的评分，a
y
表示在s
xy
中用户y对电影的平均评分。4.根据权利要求1所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：所述步骤5具体为：对于每个三元组(h,r,t)，将实体通过矩阵m
r
投影到关系空间r中，通过投影得到h
r
，t
r
，使得h
r
r＝t
r
，打分函数为f
r
(h,t)，具体为：h
r
＝hm
r
,t
r
＝tm
r
f
r
(h,t)＝||h
r
r-t
r
||2。5.根据权利要求1所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：步骤8中，目标和用户对电影的评分表达为：
其中：t
u
表示用户u对电影的平均评分，c表示用户u的邻居数目，r
i
表示u的邻居用户i对当前电影的评分，t
i
表示用户i对电影的平均评分，sim(i,u)表示用户i和用户u的相似度，p
u
表示用户u对当前电影的评分，计算出目标用户的预测评分后将预测评分最高的top-n项目推荐给用户。6.根据权利要求1所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：步骤3中，将电影信息构建知识图谱时，实体主要包括：电影，演员，题材，电影之间的关系主要包括：act in、direcitor、belong to。7.根据权利要求1所述的一种融合知识图谱和协同过滤的电影推荐方法，其特征在于：步骤1中的项目信息包括用户对电影的浏览次数、用户对电影的评分以及用户对电影打的标签。

技术总结
本发明属于推荐系统领域，公开了一种融合知识图谱和协同过滤的电影推荐方法，包括：步骤1、收集项目信息，步骤2、通过协同过滤算法，计算用户之间的相似度矩阵；步骤3、根据评分矩阵，构建知识图谱；步骤4、构建多模态知识图谱；步骤5、使用TransR模型嵌入实体和关系，得到所需的实体向量；步骤6、根据实体向量计算用户的相似度，步骤7、调整融合比例，生成融合相似度矩阵；步骤8、根据融合相似度矩阵，对目标用户对电影的评分进行推荐，选取评分最高的若干项目做出推荐结果。本发明考虑了物体自身的信息及关联，也考虑了用户兴起的主观性，与传统的协同过滤推荐相比，在推荐准确率、召回率、F值上具有更好的表现。上具有更好的表现。


技术研发人员：章韵 韩文杰
受保护的技术使用者：南京邮电大学
技术研发日：2022.12.09
技术公布日：2023/3/10