[发明专利]SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备

说明书

本发明公开了一种SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备，包括以下步骤：采集测试所需要的用户电影数据集；将数据集输入深度信念网络进行预处理，将得到的处理数据输入SDDNE模型，通过拉普拉斯特征映射和堆叠降噪自编码器联合进行特征提取，得到用户、电影特征向量；将得到的特征向量进行拼接，得到用户‑电影评分矩阵，将得到的矩阵输入协同过滤模型，得到最终的电影推荐结果。本发明通过集成学习将SDDNE模型和协同过滤模型有效的结合在一起，从而可以极大的提高对用户喜欢的电影推荐准确度和稳定性。

技术领域

本发明属于电影推荐技术领域，特别涉及一种SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备。

背景技术

在对现有的电影推荐方法模型研究中，最初的研究者主要使用基于物品和用户的协同过滤(Collaborative Filtering recommendation)推荐方法模型，然而随着用户数量的增加以及所要处理的信息复杂程度的提升，导致了推荐结果准确度逐渐降低。之后研究人员采用了基于内容(Content-Based Recommendations)的推荐方法模型，混合推荐方法模型，以及加入了关联规则、效用和知识的推荐方法模型，但是研究人员所提出的模型在处理目前推荐方法所面临的海量用户数据以及数据之间复杂的结构关系，存在着处理过程缓慢以及无法得到很好的推荐效果的问题。现在的用户在面对网络中海量影视资源，无法很好的选择自己喜欢感兴趣的内容，导致了用户的观影体验非常差，降低了用户对现有电影推荐方法的满意度。

发明内容

为了解决现有技术中存在的问题，本发明提出了一种SDDNE模型协同过滤模型的电影推荐方法、系统、介质及设备，解决目前电影推荐方法在进行电影推荐时运行缓慢、推荐结果准确度较低的问题。

为实现上述目的，本发明采用以下技术方案：

一种SDDNE模型协同过滤模型的电影推荐方法，包括以下步骤：

采集电影推荐中影响因子的用户数据集，包括电影数据、评分数据和用户数据；

对用户数据集中相关影响因素数据通过作为深度置信网络DBN的输入，来进行数据预处理；

将预处理之后的数据输入到SDDNE模型中并进行训练，训练完毕得到用户和电影的特征向量；

将得到的特征向量进行拼接，得到用户-电影评分矩阵，将得到的矩阵输入协同过滤模型，得到最终的电影推荐结果。

进一步的，电影数据包括电影ID、电影类型和电影名称；评分数据包括用户ID、电影ID、评分时间以及评分分值；用户数据包括性别、年龄、职业和数量。

进一步的，M表示男性，F表示女性，将标示性别的“F”和“M”转换为1和0；将年龄化为七个年龄分段，七个分段转换为0、1、2、3、4、5、6七个整数；电影类别字段使用一位有效编码，将类别字段转化为整数值，用二进制向量来表示整数值；电影名称与电影类别一样创建将文本转化为字符串之后再转化为数字的字典；将转化后的数据作为深度置信网络DBN的输入，来进行数据预处理。

进一步的，DBN的训练过程包含两个阶段:无监督的预训练和有监督的微调阶段；预训练阶段：采用RBM逐层进行预训练，直接将数据输入到最底层RBM的可见层进行训练，从该层输出的数据直接输入到DBN的输入层，作为下一层的输入；直至完成DBN的预训练；微调阶段：有监督的微调训练要前向传播算法得到输出数据和后向传播算法得到偏置值和权重值。

进一步的，将预处理后的数据的邻接矩阵S作为SDDNE模型的输入，初始化参数θ，将S赋值给X，通过随机映射以污染X中部分单元得到被污染的数据

基于和θ，通过如下公式得到Y＝Y^K和