(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210919539.1 (22)申请日 2022.08.02 (71)申请人 江西中业智能科技有限公司 地址 330000 江西省南昌市青云谱区昌南 工业园区昌南园五路5号1号楼4 401室 (72)发明人 李介　陶清华　张恒星　 (74)专利代理 机构 南昌旭瑞知识产权代理事务 所(普通合伙) 36150 专利代理师 彭琰 (51)Int.Cl. G06F 16/48(2019.01) G06F 16/435(2019.01) G06F 16/735(2019.01) G06F 16/78(2019.01) G06V 10/74(2022.01)G06V 10/80(2022.01) (54)发明名称 电影推荐方法、 系统、 存 储介质及设备 (57)摘要 本发明提出一种电影推荐方法、 系统、 存储 介质及设备， 方法包括： 基于电影知识图谱生成 各电影的嵌入向量， 计算两个电影 之间的相似度 以得到第一相似度， 根据用户的观影评分构建用 户评分矩阵， 并计算任意两个电影 之间的相似度 以得到第二相似度； 对第一相似度及第二相似度 进行融合以得到最终相似度， 并生成电影相似度 矩阵； 根据电影相似度矩阵和用户评分矩阵对用 户的所有未评价的电影进行评分预测以得到用 户对未评价电影的预测评分； 根据用户对未评价 电影的预测评分生成用户的电影推荐集并推荐 给用户。 本发 明的电影推荐 方法能够解决数据稀 疏性的问题， 还能对未形成足够观影数据的新电 影进行有针对性的有效推荐， 以解决新电影冷启 动的问题。 权利要求书3页 说明书11页 附图2页 CN 114996490 A 2022.09.02 CN 114996490 A 1.一种电影 推荐方法， 其特 征在于， 所述方法包括： 对电影数据库中电影的相关概念进行知识抽取以得到电影的各实体及对应的关系， 并 将电影的各实体及对应的关系填充至知识图谱的数据层中以形成电影知识图谱； 基于所述电影知识图谱将电影的实体及 关系映射到多维空间以得到电影的嵌入向量， 并根据各电影的嵌入向量对 任意两个电影之间的相似度进行计算以得到第一相似度； 根据用户的观影评分对电影进行向量化表示以生成电影的评分向量并构建用户评分 矩阵， 再根据各电影的评分向量对任意两个电影之间的相似度进行计算以得到第二相似 度； 对任意两个电影的所述第一相似度及所述第二相似度进行融合以得到任意两个电影 的最终相似度， 并根据各电影之间的最终相似度生成电影相似度矩阵； 根据所述电影相似度矩阵和用户评分矩阵对用户的所有未评价的电影进行评分预测 以得到用户对未评价电影的预测评分； 根据用户对未评价电影的预测评分对用户的所有未观看的电影进行排序并生成用户 的电影推荐集， 将所述用户的电影 推荐集中排序靠前的预设数量部电影 推荐给用户。 2.根据权利要求1所述的电影推荐方法， 其特征在于， 所述根据 所述电影相似度矩阵和 用户评分矩阵对用户的所有未评价的电影进行评分预测以得到用户对未评价电影的预测 评分的步骤具体包括： 从电影数据库中获取目标用户的所有未评价的电影以生成目标用户的未评价电影集 并从所述目标用户的未评价电影集中提取目标电影； 从所述电影相似度矩阵中获取目标电影与其他所有电影之间的相似度并按照相似度 的大小对电影进行排序； 获取排在前面的k个电影并生成所述目标电影的最相似电影集； 将所述目标电影的最相似电影集与目标用户评论过的电影集进行交集以生成目标电 影的参考电影集； 对所述目标电影的参 考电影集中各电影的权值进行计算； 根据所述目标电影的参考电影集从所述用户评分矩阵中获取目标用户对所述目标电 影的参考电影集中各电影的评分； 根据所述目标电影的参考电影集中各电影的权值及目标用户对所述目标电影的参考 电影集中各电影的评分进行评分加权和计算以得到目标用户对目标电影的预测评分； 依次计算目标用户对所述目标用户的未评价电影集中各电影的预测评分。 3.根据权利要求2所述的电影推荐方法， 其特征在于， 所述根据用户对未评价电影的预 测评分对用户的所有 未观看的电影进 行排序并生成用户的电影推荐集， 将所述用户的电影 推荐集中排序靠前的预设数量部电影 推荐给用户的步骤具体包括： 从电影数据库中获取目标用户的所有已观看的电影并生成目标用户的已观看电影集； 对所述目标用户的未评价电影集与所述目标用户的已观看电影集进行交集以获得交 集电影； 将所述目标用户的未评价电影集中的交集电影进行删除并按照预测评分的高低进行 排序以生成目标用户的电影 推荐集； 将所述目标用户的电影 推荐集中排序靠前的预设数量部电影 推荐给目标用户。权　利　要　求　书 1/3 页 2 CN 114996490 A 24.根据权利要求2所述的电影推荐方法， 其特征在于， 所述对所述目标电影的参考电影 集中各电影的权值进行计算的步骤具体包括： 获取所述目标电影的参 考电影集中各电影与目标电影的相似度值； 将所述目标电影的参考电影集中各电影与目标电影的相似度值分别依次与所述目标 电影的参考电影集中各电影与目标电影的相似度值之和进 行相除， 以得到所述目标电影的 参考电影集中各电影的权值； 所述根据所述目标电影的参考电影集中各电影的权值及 目标用户对所述目标电影的 参考电影集中各电影的评分进行评分加权和计算以得到目标用户对目标电影的预测评分 的步骤具体包括： 将所述目标电影的参考电影集中各电影的权值分别依次与目标用户对所述目标电影 的参考电影集中各电影的评分进行对应相乘再累加在一起以得到目标用户对目标电影的 预测评分。 5.根据权利要求1所述的电影推荐方法， 其特征在于， 所述对任意两个电影的所述第 一 相似度及所述第二相似度进行融合以得到任意两个电影的最 终相似度， 并根据各电影之间 的最终相似度生成电影相似度矩阵的步骤具体包括： 根据融合因子对任意两个电影的所述第一相似度及所述第二相似度进行加权以得到 任意两个电影的最终相似度， 计算公式为： ， 其中， 为电影i和电影j的最终相似度， 为融合因子， 的取值范围为[0， 1]， 为电影i和电影j的第一相似度， 为电影i和电影j的第二相似度； 根据各电影之间的最终相似度生成电影相似度矩阵。 6.根据权利要求1所述的电影推荐方法， 其特征在于， 所述基于所述电影知识图谱将电 影的实体及关系映射到多维空间以得到电影的嵌入向量， 并根据各电影的嵌入向量对任意 两个电影之间的相似度进行计算以得到第一相似度的步骤具体包括： 基于所述电影知识图谱将电影的实体及关系映射到多维空间中以得到电影的嵌入向 量； 根据各电影的嵌入向量计算任意两个电影之间的欧几里 得距离； 根据两个电影之间的欧几里得距离计算两个电影之间的相似度以得到两个电影的第 一相似度。 7.根据权利要求1所述的电影推荐方法， 其特征在于， 所述根据用户的观影评分对电影 进行向量化表示以生成电影的评分向量并构建用户评分矩阵， 再根据各电影的评分向量对 任意两个电影之间的相似度进行计算以得到第二相似度的步骤具体包括： 根据各用户的观影评分对每个电影进行向量化表示以生成各电影的评分向量并构建 用户评分矩阵； 根据各电影的评分向量计算任意两个电影之间的余弦相似度以得到任意两个电影的 第二相似度。 8.一种电影 推荐系统， 其特 征在于， 包括： 知识图谱模块： 用于对电影数据库中电影的相关概念进行知识抽取以得到电影的各实 体及对应的关系， 并将电影的各实体及 对应的关系填充至知识图谱的数据层中以形成电影权　利　要　求　书 2/3 页 3 CN 114996490 A 3