基于知识图谱的电影推荐技术研究

发布时间：2021-04-26 06:11

　　随着数据信息时代的数十年发展,互联网中的数据体量也愈加庞大,在人们检索时遇到了不同数据形式的大量数据信息所导致的信息过载问题。其中在电影领域多维度形形色色的数据信息快速增长为用户带来海量资源的同时也使得用户不能有效寻找自己感兴趣的电影。电影推荐系统凭借对冗余信息的过滤,可以为用户高效地寻找喜欢的电影,近年来受到很大关注。该系统使得用户在电影搜索时变得容易。但是传统的推荐系统在推荐性能上依然受到数据稀疏性以及冷启动的限制,主要原因是每个用户都拥有不同的兴趣爱好,因此对电影的喜好也是因人而异。系统中的用户数据较少无法获得用户数据因此不能对用户喜好做出正确预测,从而影响推荐效果。为了缓解数据稀疏性的影响,本文通过构建电影领域知识图谱,利用知识图谱计算电影间语义相似度,结合传统推荐算法实现个性化电影推荐。研究内容如下:首先介绍了电影领域知识图谱的设计与实现。翻译模型在构建知识图谱过程中具有复杂度较低且表示准确度较高等优点,因此本文采用计算量较小的翻译模型作为知识图谱表示模型。传统的翻译模型Trans E由于不能处理电影实体间的多关系,导致在推荐算法中相似度的计算准确率较低。于是本文选用改进的T... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
注释表
第1章 引言
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 推荐技术研究现状
        1.2.2 知识图谱研究现状
        1.2.3 基于知识图谱的推荐技术研究现状
    1.3 论文结构安排
        1.3.1 主要创新点
        1.3.2 论文结构
第2章 相关技术背景介绍
    2.1 知识图谱介绍
        2.1.1 知识抽取
        2.1.2 知识融合
        2.1.3 知识表示
    2.2 推荐技术介绍
        2.2.1 对象相似性度量方法
        2.2.2 基于用户的协同过滤算法
        2.2.3 基于物品的协同过滤算法
        2.2.4 基于矩阵分解的推荐算法
    2.3 K-means聚类算法介绍
    2.4 本章小结
第3章 基于知识图谱和协同过滤的电影推荐技术
    3.1 电影领域知识图谱分析
    3.2 表示学习Trans HR
    3.3 基于图谱的推荐算法
    3.4 两种相似度的融合
    3.5 实验分析
        3.5.1 数据集
        3.5.2 评价指标
        3.5.3 融合因子的设定
        3.5.4 算法比较
    3.6 本章小结
第4章 结合影评的知识图谱推荐
    4.1 影评中的相似信息
    4.2 文本聚类算法
        4.2.1 中文分词
        4.2.2 停用词过滤
        4.2.3 计算词频
        4.2.4 K-means文本聚类
        4.2.5 聚类参数确定
    4.3 中文电影知识图谱
    4.4 基于聚类知识图谱的推荐算法
        4.4.1 推荐过程
        4.4.2 基于矩阵分解的推荐算法
        4.4.3 算法评测
    4.5 实验分析
        4.5.1 电影属性词聚类抽取实验
        4.5.2 手肘法确定聚类数
        4.5.3 推荐结果
        4.5.4 比较实验
    4.6 本章小结
第5章 总结与展望
    5.1 全文总结
    5.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果


【参考文献】：
期刊论文
[1]基于矩阵分解和聚类的协同过滤算法[J]. 董立岩,王宇,任怡,李永丽.  吉林大学学报(理学版). 2019(01)
[2]融合知识图谱表示学习和矩阵分解的推荐算法[J]. 陈平华,朱禹.  计算机工程与设计. 2018(10)
[3]基于句法语义特征的实体关系抽取技术[J]. 姚春华,刘潇,高弘毅,鄢秋霞.  通信技术. 2018(08)
[4]一种改进的基于用户聚类的协同过滤推荐算法[J]. 刘璐,王志谦.  电视技术. 2018(06)
[5]知识图谱发展与构建的研究进展[J]. 朱木易洁,鲍秉坤,徐常胜.  南京信息工程大学学报(自然科学版). 2017(06)
[6]基于知识图谱表示学习的协同过滤推荐算法[J]. 吴玺煜,陈启买,刘海,贺超波.  计算机工程. 2018(02)
[7]Knowledge Graph Embedding for Hyper-Relational Data[J]. Chunhong Zhang,Miao Zhou,Xiao Han,Zheng Hu,Yang Ji.  Tsinghua Science and Technology. 2017(02)
[8]基于多叉树确定K值的动态K-means聚类算法[J]. 鲍黎明,黄刚.  计算机技术与发展. 2017(06)
[9]一种改进的top-N协同过滤推荐算法[J]. 肖文强,姚世军,吴善明.  计算机应用研究. 2018(01)
[10]自适应K值的粒子群聚类算法[J]. 白树仁,陈龙.  计算机工程与应用. 2017(16)

博士论文
[1]大规模知识图谱服务的系统与应用研究[D]. 何亮.中国科学技术大学 2018

硕士论文
[1]面向特定领域的知识图谱构建技术研究与应用[D]. 邢立栋.北京化工大学 2018
[2]基于实体描述和关系路径的知识图谱补全研究[D]. 罗琦.山东大学 2018
[3]基于知识图谱的推荐技术研究及应用[D]. 王一鸣.电子科技大学 2018
[4]基于遗传算法的模糊聚类在用户行为分析中的应用研究[D]. 唐海亮.山东师范大学 2017
[5]实时推荐中精确性和实时性改进算法研究[D]. 路顺.重庆大学 2017
[6]基于用户评论信息的推荐算法研究[D]. 刘真臻.武汉理工大学 2017
[7]Web实体间关系发现[D]. 赵珂.山东大学 2016
[8]Web大数据多层级相关推荐算法研究[D]. 杨光.武汉理工大学 2016
[9]个性化推荐系统的研究与应用[D]. 赵思雨.重庆理工大学 2016
[10]基于多策略的电影推荐方法研究[D]. 周文乐.中国科学技术大学 2015



本文编号：3160890