[发明专利]一种缓解数据稀疏性的电影推荐系统和方法

说明书

本发明涉及一种缓解数据稀疏性的电影推荐系统，包括初始数据输入模块和推荐列表模块；初始数据输入模块包括电影简介数据、电影评论数据、实际评分数据和剧组人员信息数据；所述的电影简介数据和实际评分数据经改进的卷积神经网络处理后传输至推荐列表模块；根据所述剧组人员信息数据建立数学模型，嵌入所述推荐列表模块；所述电影评论数据通过算法处理后，传输至推荐列表模块。本发明提供一种缓解数据稀疏性的电影推荐系统和方法，本申请收集电影简介数据、电影评论数据、实际评分数据和剧组人员信息数据，利用改进的卷积神经网络和数学模型进行电影信息的融合，生成新的推荐列表，提高了系统的准确性，缓解了用户‑评分矩阵的数据稀疏性的问题。

技术领域

本发明涉及深度学习领域，更具体地，涉及一种缓解数据稀疏性的电影推荐系统和方法。

背景技术

互联网和信息技术的飞速发展，为人们提供了便利的同时，也产生了海量的数据。用户要从海量的信息中快速提取自己感兴趣的信息，最直接的方式是搜索引擎和推荐系统。搜索引擎必须要精准输入关键词，推荐系统则是根据用户与商品项目之间的特征进行相似性推荐。

目前推荐系统最常用的算法大致可分为以下几种：1.基于内容的推荐算法，即根据商品之间的相似性进行推荐；2.基于知识的推荐方法能够将用户的需求映射到产品上；3.基于关联规则的推荐算法，该方法根据已经购买的历史商品，推荐与之最具有相关性的其他商品，该方法主要瓶颈是关联规则的发现；4.协同过滤推荐算法，该方法依据对商品的评分来向用户推荐商品，是应用最广泛的推荐方法之一；其他推荐算法，比如利用聚类，形成用户簇，在簇间发现相似性。利用神经网络或贝叶斯等方法进行评分预测，从而实现推荐等。但是由于数据量太大，而用户评分的项目通常只有很少一部分，导致评分矩阵比较稀疏，推荐质量下降，所以数据稀疏性是推荐系统中比较重要的问题。

目前在推荐系统中常用的优化稀疏矩阵的方法是填补空缺值或使用新的相似性计算方法。填补空缺值常见的有均值或众数填补，或者利用神经网络等方法进行数值预测填补。相似值计算方法是在原来计算相似度基础上，考虑用户或者物品，利用用户评分数据中包含的信息计算相似度。

发明内容

本发明为解决现有的电影推荐系统准确性差，提供的数据具有稀疏性的技术缺陷，提供了一种缓解数据稀疏性的电影推荐系统和方法。

为实现以上发明目的，采用的技术方案是：

一种缓解数据稀疏性的电影推荐系统，包括初始数据输入模块、数据处理模块和推荐列表模块；初始数据输入模块包括电影简介数据输入子模块、电影评论数据输入子模块、实际评分数据输入子模块和剧组人员信息数据输入子模块；

所述的电影简介数据输入子模块和实际评分数据输入子模块在数据处理模块中与改进的卷积神经网络进行融合，之后传输至推荐列表模块；所述剧组人员信息数据输入子模块在数据处理模块中建立数学模型，之后嵌入所述推荐列表模块；所述电影评论数据输入子模块在数据处理模块中通过AFINN算法处理后，传输至推荐列表模块。

上述方案中，本申请收集电影简介数据、电影评论数据、实际评分数据和剧组人员信息数据，利用改进的卷积神经网络和数学模型进行电影信息的融合，生成新的推荐列表，提高了系统的准确性，缓解了用户-评分矩阵的数据稀疏性的问题。

所述的卷积神经网络包括嵌入层、卷积层、池化层和输出层，所述的嵌入层、卷积层、池化层和输出层依次连接，所述卷积神经网络与电影简介数据和实际评分数据融合时，其嵌入层进行改进，将每个电影的简介表示成为一个词向量矩阵作为卷积层的输入。

所述嵌入层的改进是使用googlenews-vector预训练的词向量集将每个电影的简介表示成为一个词向量矩阵作为卷积层的输入。