公开(公告)号：CN110688585A

公开(公告)日：2020-01-14

申请号：CN201910912752.8

申请日：2019-09-25

Applicant: 北京工业大学

Inventor： 杨新武 ,  熊乐歌 ,  王羽钧 ,  董雨萌 ,  杜欣钰 ,  宋霖涛

IPC: G06F16/9536

Abstract: 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。

公开(公告)号：CN110688585B

公开(公告)日：2022-04-19

申请号：CN201910912752.8

申请日：2019-09-25

Applicant: 北京工业大学

Inventor： 杨新武 ,  熊乐歌 ,  王羽钧 ,  董雨萌 ,  杜欣钰 ,  宋霖涛

IPC: G06F16/9536

Abstract: 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。