一种基于情境感知和长短记忆网络的推荐系统

摘要

本发明公开了一种基于情境感知和长短记忆网络的推荐系统，涉及电影推荐技术领域，包括采集模块、分析模块和呈现模块，其中，所述分析模块包括构件双向长短期记忆网络深度学习模型作为判别分析处理，其中；所述采集模块，用于获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，其中包括用户情境特征信息和评分信息。本发明对情境特征信息和评分信息提取并进行分类，构建出筛选用户兴趣模型，获取推荐影片阵列信息列表，再以加权的方式综合各个预测评分列表得到最终的预测结果，为用户提供更加个性化和更精确的情境感知推荐结果，不仅降低了系统成本，而且提高了推荐系统的精度，优化电影推荐的质量，能满足不同用户的需求。

说明书

技术领域

本发明涉及电影推荐技术领域，具体来说，涉及一种基于情境感知和长短记忆网络的推荐系统。

背景技术

随着互联网技术的飞速发展，人们接收到的信息越来越多以致有大量无效或冗余信息影响效率和时间，为了解决信息过载的问题，推荐系统应运而生。推荐系统为用户提供最可能需要的信息帮助用户节省精力和时间。情境感知推荐系统是推荐系统的一个热门研究分支，它将情境信息融入到推荐系统中，因为在很多应用中，在不同的情境下，用户的兴趣选择是不同的，所以推荐的信息也应该随之变化。

情境感知推荐系统所考虑的情境和具体应用有关，不同应用所需要的情境信息并不相同。情境可以是物理环境中的情境，如天气，地点，时间等，也可以是与应用相关的用户信息，物品信息等，只要是在用户与该应用交互过程中可能产生影响的实体均可称之为情境。

情境感知推荐过程大体可分为三个范式：情境前置过滤，情境后置过滤和情境推荐建模。前置过滤是将多维数据空间根据情境值进行降维处理，得到情境化的数据空间，然后用传统的推荐算法进行计算。后置过滤是不考虑情境信息，用传统的推荐算法进行计算得到推荐结果，然后再通过情境和用户行为之间的关系进行推荐结果的情境化过滤。情境推荐建模是指在推荐算法中加入情境信息。

目前的一些情境感知推荐算法能够为用户提供精度较高的推荐，但现有的技术仍存在一些问题：情境的类型和对应取值在初始被设定之后，便不会再改变，这主要表现在以下几点：

1、情境建模过程中,情境泛化过程往往依赖于领域专家知识，设定情境区间后，区间值不会随着数据集的变化而变化，移植性和动态性比较欠缺；

2、传统的情境感知推荐算法较少考虑新增了情境该如何处理；

3、传统的情境感知推荐算法大多将不同情境类型平等对待，而实际上不同用户对不同的情境类型看重程度都是不同的。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于情境感知和长短记忆网络的推荐系统，以克服现有相关技术所存在的上述技术问题。

本发明的技术方案是这样实现的：

一种基于情境感知和长短记忆网络的推荐系统，包括采集模块、分析模块和呈现模块，其中，所述分析模块包括构件双向长短期记忆网络深度学习模型作为判别分析处理，其中；

所述采集模块，用于获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，其中包括用户情境特征信息和评分信息；

所述分析模块，用于搭建训练双向长短期记忆网络深度学习模型，并将采集的观影特征信息进行提取进行对影库进行判别，获取推荐影片阵列信息列表作为输出；

所述呈现模块，用于将获取的影片阵列信息列表进行推荐呈现。

进一步的，其中所述用户情境特征信息和评分信息，包括含x个用户的用户集U＝{u1,u2,...,ux}，其中；用户填写的情境信息为显式情境信息，包括观影同伴、观看地点、观看方式和观影心情；评分信息为用户对该电影的评分，评分范围为1到5分。

进一步的，所述构件双向长短期记忆网络深度学习模型，包括采用Bagging算法进行基学习器的集成，输出对应评论的情感状态信息，包括以下步骤：

对已标注情感标签的数据集进行预处理，并将其分为训练集和测试集两部分；

对训练集的随机采样采用自助采样法，将训练集分为n个采样集与N个包外数据集；

利用采样集数据传入双向长短期记忆网络进行训练，n个基学习器的训练过程相互独立；

利用包外数据集传入基学习器中进行验证与权值修正；

重复上述步骤，直到完成全部n个基学习器的预测结果输出；

基于加权投票策略，对预测集样本进行情感倾向分析预测。

进一步的，包括获取电影信息特征对用户评论的权重占比，表示为：

其中，Weight(f

进一步的，分析用户对电影信息特征的偏好度，表示为：

其中，Prefer(f

进一步的，包括标定k部电影的电影集M＝{m1,m2,...,mk}；对于用户x根据其当前情境信息，为其推荐的电影列表为R(x)＝{mx1,mx2,...,mxN}，其中，N为推荐列表长度，m

本发明的有益效果：

本发明基于情境感知和长短记忆网络的推荐系统，集成采集模块和分析模块以及呈现模块，通过获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，将采集的观影特征信息进行提取进行对影库进行判别，获取推荐影片阵列信息列表作为输出；在将获取的影片阵列信息列表进行推荐呈现，实现对情境特征信息和评分信息提取并进行分类，构建出筛选用户兴趣模型，获取推荐影片阵列信息列表，再以加权的方式综合各个预测评分列表得到最终的预测结果，为用户提供更加个性化和更精确的情境感知推荐结果，不仅降低了系统成本，而且提高了推荐系统的精度，优化电影推荐的质量，能满足不同用户的需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的一种基于情境感知和长短记忆网络的推荐系统的原理框图。

图2是根据本发明实施例的一种基于情境感知和长短记忆网络的推荐系统的长短期记忆网络单元结构图。

图中：

1、采集模块；2、分析模块；3、呈现模块。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的实施例，提供了一种基于情境感知和长短记忆网络的推荐系统。

如图1所示，根据本发明实施例的基于情境感知和长短记忆网络的推荐系统，包括采集模块1、分析模块2和呈现模块3，其中，所述分析模块2包括构件双向长短期记忆网络深度学习模型作为判别分析处理，其中；

所述采集模块1，用于获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，其中包括用户情境特征信息和评分信息；

所述分析模块2，用于搭建训练双向长短期记忆网络深度学习模型，并将采集的观影特征信息进行提取进行对影库进行判别，获取推荐影片阵列信息列表作为输出；

所述呈现模块3，用于将获取的影片阵列信息列表进行推荐呈现。

其中，其中所述用户情境特征信息和评分信息，包括含x个用户的用户集U＝{u1,u2,...,ux}，其中；用户填写的情境信息为显式情境信息，包括观影同伴、观看地点、观看方式和观影心情；评分信息为用户对该电影的评分，评分范围为1到5分。

其中，所述构件双向长短期记忆网络深度学习模型，包括采用Bagging算法进行基学习器的集成，输出对应评论的情感状态信息，包括以下步骤：

对已标注情感标签的数据集进行预处理，并将其分为训练集和测试集两部分；

对训练集的随机采样采用自助采样法，将训练集分为n个采样集与N个包外数据集；

利用采样集数据传入双向长短期记忆网络进行训练，n个基学习器的训练过程相互独立；

利用包外数据集传入基学习器中进行验证与权值修正；

重复上述步骤，直到完成全部n个基学习器的预测结果输出；

基于加权投票策略，对预测集样本进行情感倾向分析预测。

其中，包括获取电影信息特征对用户评论的权重占比，表示为：

其中，Weight(f

其中，分析用户对电影信息特征的偏好度，表示为：

其中，Prefer(f

其中，包括标定k部电影的电影集M＝{m1,m2,...,mk}；对于用户x根据其当前情境信息，为其推荐的电影列表为R(x)＝{mx1,mx2,...,mxN}，其中，N为推荐列表长度，m

借助于上述方案，集成采集模块和分析模块以及呈现模块，通过获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，将采集的观影特征信息进行提取进行对影库进行判别，获取推荐影片阵列信息列表作为输出；在将获取的影片阵列信息列表进行推荐呈现，实现对情境特征信息和评分信息提取并进行分类，构建出筛选用户兴趣模型，获取推荐影片阵列信息列表，再以加权的方式综合各个预测评分列表得到最终的预测结果，为用户提供更加个性化和更精确的情境感知推荐结果，不仅降低了系统成本，而且提高了推荐系统的精度，优化电影推荐的质量，能满足不同用户的需求。

另外，具体的，包括用户情境特征信息和评分信息以四元组(user,movie,contexts,rate)的形式存储到用户-电影-情境-评分数据库；其中，user表示用户及其标识符，movie表示电影及其标识符，contexts表示用户对电影movie打分时显示填写的情境信息和系统隐式生成的情境信息，rate表示用户user在情境contexts下对电影item的评分；

另外，具体到数据库的部署和实现，系统主要涉及两个核心实体，即用户和电影。电影包含编号、电影名、电影类型、导演等基本属性。用户包含编号、用户名、年龄、性别等基本属性。而用户和电影之间具有操作的关系，即对电影的评价打分。获取用户表user、电影表movie和评分表rating。

另外，具体的，对于上述构件双向长短期记忆网络深度学习模型来说，包括以下步骤：1)提取正序与反序的词特征向量：将每个词前后的信息所对应的词向量序列分别以正序和反序的形式输入到双向LSTM网络中，提取对应的正反序列特征。双向LSTM网络的输出序列分别为正向特征向量序列y_f(0)至y_f(n)和反向特征向量序列y_r(n)至y_r(0)，对两个序列进行序列合并，得到相应的词特征向量。2)提取句特征向量：将词向量特征在序列合并的同时采用平均池化，即对词邻域内特征向量求平均，得到句特征向量。3)情感分类：将句特征向量序列化，对该序列信息进行神经网络全连接，之后将信息传入softmax层进行函数概率运算，最终得到情感状态分类结果(积极，中立，消极)。

具体的，如图2所示，LSTM有效解决了循环神经网络(Recurrent NeuralNetworks，RNN)出现的长距离信息依赖问题，LSTM单元中的细胞状态(Memory Cell)用于保存历史信息。历史信息分别受到3个门的控制:输入门(Input Gate)、遗忘门(ForgetGate)、输出门(Output Gate)。这种结构可以使之前输入的信息保存在网络中，并一直向前传递，输入门打开时新的输入才会改变网络中保存的历史状态，输出门打开时保存的历史状态会被访问到，并影响之后的输出，忘记们用于清空之前保存的历史信息，从而对文本序列信息进行有效利用。

综上所述，借助于本发明的上述技术方案，集成采集模块和分析模块以及呈现模块，通过获取用户观影特征信息，并作为双向长短期记忆网络深度学习模型的输入，将采集的观影特征信息进行提取进行对影库进行判别，获取推荐影片阵列信息列表作为输出；在将获取的影片阵列信息列表进行推荐呈现，实现对情境特征信息和评分信息提取并进行分类，构建出筛选用户兴趣模型，获取推荐影片阵列信息列表，再以加权的方式综合各个预测评分列表得到最终的预测结果，为用户提供更加个性化和更精确的情境感知推荐结果，不仅降低了系统成本，而且提高了推荐系统的精度，优化电影推荐的质量，能满足不同用户的需求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。