论文部分内容阅读
近年来,电影产业的发展越来越受到人们关注,每年都有数以百计的电影上映。由于可以选择的影视节目太多,用户很难找到自己感兴趣的节目,如何让用户在短时间内从大量影视剧中找到自己爱好的节目成为系统研究领域的一个热点。因此,很多学者投身到电影推荐系统的研究中,电影推荐系统以从大量的电影资源中推荐出符合用户要求的电影为目的。对于一个推荐系统而言,预测一个给定的用户是否将会喜欢特定的物品(预测问题)或者是来识别一个给定用户感兴趣的N项物品(前N项推荐问题)是推荐系统研究的重点。在各种电影推荐系统中,基于内容的电影推荐算法在训练期间输入电影的内容,这对于新电影的发行有很大优势,能使其不受“冷启动”问题的影响;基于物品协同过滤的电影推荐算法根据所有用户对电影的评价,发现不同电影之间的相似度,然后根据用户的历史偏好信息将相似的电影推荐给该用户,具有更好的个性化程度。尽管基于内容的电影推荐算法和基于协同过滤的电影推荐算法都各有其优点,但是由于算法固有缺陷导致时效性不好、准确度不高等问题。为解决单一算法推荐质量差的问题,本文提出了基于内容和基于物品协同过滤的电影推荐算法,同时结合了神经网络算法,提高了电影推荐系统的性能。本文的主要任务是基于神经网络的内容提取和基于物品协同过滤的电影混合推荐系统向用户推荐电影,以达到更高的匹配准确度、更好的时效性和用户满意度为目标。该方法首先基于内容训练神经网络模型Word2VecCBOW,内容信息(例如:导演、演员等)作为训练数据获取向量形式的每一个特征元素,然后利用线性关系学习特征来计算每部电影之间的相似度;其次利用基于物品协同过滤的方法,获得不同电影之间的另一种相似度;将神经网络训练到的基于内容的电影相似度和协同过滤得到的相似度进行线性结合;最后根据电影相似度和用户历史偏好信息得到电影的预测评分,进而依据评分为用户生成电影推荐列表。本文实验是基于MovieLens-hetre数据集进行的,最后实验结果证明了本文方法的有效性。