一种基于用户兴趣模型的电影个性化相似度计算方法

摘要

本发明公开了一种基于用户兴趣模型的电影个性化相似度计算方法，该方法根据用户的历史行为，即通过个性化电影推荐系统平台，挖掘用户对电影资源库的各种搜索行为以及观影和收藏行为；充分挖掘和分析不同用户在电影的演员、导演、类型、地区、时间、内容简介这六个基本属性上的不同的偏爱程度，即得到用户模型的第一层六维空间向量表示；根据用户上述行为，通过关键字提取或者语义分析，分析不同用户在上述六个维度上各特征值所占的权重，即得到用户模型的第二层六维空间向量表示；用一个两层的多维空间向量表示用户的兴趣模型，基于用户的兴趣模型和电影的基本内容特征，针对不同用户生成不同的电影相似度列表，从而提高推荐的效果。

主权项

一种基于老用户兴趣模型的电影个性化相似度计算方法，其特征在于，包括步骤：s1、基于某段时间T内的用户行为数据和该段时间内观影记录中评价最高的N部电影，建立用户动态行为信息库；s2、对上述用户动态行为信息库进行数据挖掘，得到用户对电影各维度的偏好、以及用户对电影中各维度上特征值的偏好，构建用户兴趣模型；其中，(1)用户对电影各维度的偏好采用空间向量可表示为一个六元组，即：V＝{V₁:w₁,V₂:w₂,V₃:w₃,V₄:w₄,V₅:w₅，,V₆:w₆}  (1.1)V_i表示电影的维度，w_i表示用户对电影各个维度的权重，i∈[1,6]，且通过对用户的搜索行为、条件查询行为的统计分析，以及对T段时间内用户高评分的N部电影的特征提取，挖掘用户在演员、导演、类型、地区、时间和内容简介六个维度不同的偏好程度，求得各维度权重w_i；(2)用户对电影中各维度上特征值的偏好可表示为：V_i＝{T_ij:W_ij}  (1.2)式中，T_ij为第i维度中的第j个特征值，W_ij为第i维度中特征值j的权重，且通过用户的搜索行为，挖掘用户感兴趣的演员和导演信息，通过用户对类型、时间、地区不同条件下的筛选查看，挖掘用户对这三个维度上感兴趣的特征值信息；通过分析用户高评分的N条观影记录和收藏记录，提取电影各维度特征值信息；综合以上分析，计算各维度各特征值的权重，即：V_ij＝w_i*W_ij  (1.3)式中，V_ij表示在第i维度中第j个特征值的兴趣度，i∈[1,6]，j∈[1,n)；s3、通过用户兴趣模型对电影六个维度的分析，根据公式(1.4)计算电影A和电影B之间各维度的相似度，生成个性化电影相似度表；$\mathrm{sim}({M_i}^A,{M_i}^B)=\frac{\underset{j\in (M_A\cap M_B)}{\Sigma }(V_{\mathrm{ij}}^A+V_{\mathrm{ij}}^B)}{2}---\left(1.4\right)$式中，i∈[1,4]，分别表示电影的演员、导演、类型、地区四个维度，j表示维度上特征值，V_ij表示电影在第i个维度上第j个特征值的权重；电影A和电影B在时间维度上的相似度计算公式为：$\mathrm{sim}({M_5}^A,{M_5}^B)=\frac{\min \left(\right|\mathrm{Date}-D_A|,|\mathrm{Date}-D_B\left|\right)}{\max \left(\right|\mathrm{Date}-D_A|,|\mathrm{Date}-D_B\left|\right)}---\left(1.5\right)$式中，Date表示当前的时间，D_A表示电影A的发布时间，D_B表示电影B的发布时间，min()表示取最小值，max()表示取最大值；电影A和电影B在内容简介维度上的相似度计算公式为sim(M₆^A,M₆^B)，利用Simhash算法计算得到；s4、根据s2和s3中得到的各维度权重及其各维度相似度，利用公式(1.6)计算电影相似度：$\mathrm{Sim}=\underset{i=1}{\overset{i=6}{\Sigma }}{w}_i·\mathrm{sim}({M_i}^A,{M_i}^B)---\left(1.6\right)$式中，w_i表示对应各维度的权重，sim(M_i^A,M_i^B)表示对应各维度的相似度，i∈[1,6]。