【技术实现步骤摘要】
本专利技术涉及数据推荐领域，具体提供一种电影推荐方法及装置。
技术介绍
1、随着大数据时代的来临以及相关技术的高速发展，从海量数据中获得有效信息，在电影推荐系统中完成实际作用，提升电影推荐平台总体用户粘性，从而提升平台价值，是一个平台发展的趋势。难以找到自己喜爱的电影无疑会降低电影平台库的使用效率，体验感不高，影响用户友好度。而推荐系统是平台的重要组成部分，其根据用户的兴趣，将用户想看的内容推荐给用户的个性化信息系统，也同样面临着从海量数据中挖掘用户信息需求的重要任务。
2、近些年，随着深度学习的研究不断发展，基于深度学习的推荐算法模型大量提出。基于深度学习的推荐模型具有许多优点：与线性模型不同，深度神经网络能够使用诸如relu、softmax、tanh等非线性激活函数对数据进行建模；深度神经网络能够从输入数据中有效地学习潜在的表示因子和高阶的特征交互，减轻了特征工程的工作；另外，深度神经网络在一些序列的模型任务中成果显著。
3、现阶段的推荐系统主要分为基于内容的推荐系统与基于协同过滤的推荐系统。基于内容的推荐系统是将电影内容、情节等作为特征值进行提取，然后预测用户对于电影的评分，最后根据评分对用户进行推荐。基于协同过滤的推荐系统主要是计算用户之间以及电影之间的相似度，挖掘电影与用户之间的潜在特征，然后根据学习的潜在关联对评分预测并对用户进行推荐。中国专利cn201910238934提出了一种利用用户属性进行电影推荐的方法，该方法通过协同过滤的准则，利用深度学习中的注意力机制对每个属性的关注度参数进行调整
技术实现思路
1、本专利技术是针对上述现有技术的不足，提供一种实用性强的电影推荐方法。
2、本专利技术进一步的技术任务是提供一种设计合理，安全适用的电影推荐装置。
3、本专利技术解决其技术问题所采用的技术方案是：
4、一种电影推荐方法，具有如下步骤：
5、s1、获取用户观影记录和历史影评、评分、电影内容、情节和电影信息的记录，分别对两种数据进行预处理；
6、s2、将历史影评、电影信息、评分传送至lstm注意力机制神经网络中来搭建分类模型，并利用分类模型对电影进行情感分类；
7、s3、根据用户近期观影记录获取近期观影信息，生成新的特征序列，将新的特征序列通过lstm和am结构，搭建电影推荐模型，对用户当前的情感类别进行分析；
8、s4、根据步骤s2和s3获取的数据进行分析，根据注意力机制模型向用户推荐最符合用户当前情感的电影。
9、进一步地，在步骤s1中，对电影信息进行预处理，并提取电影的特征信息，依据历史影评信息进行特征鉴别和提取。
10、进一步地，在步骤s2中，选取步骤s1中获取数据中最有情感代表性且最合适的特征来提取出情感特征，依此分析出电影所属的情感类别，将历史影评、电影信息、评分传送至lstm注意力机制神经网络中来搭建分类模型，并利用所述分类模型对电影进行情感分类。
11、进一步地，根据lstm和am的情感分类模型中实现对电影的情感类别进行划分，融合了双层lstm结构和注意力机制的神经网络模型由三层lstm、注意力层及输出层组成。
12、进一步地，在步骤s3中，根据用户近期观影记录获取近期观影信息，生成新的特征序列，将新的所述特征序列通过lstm和am结构，对用户当前的情感类别进行分析；
13、距离当前时间越短的电影信息参考价值越大，选取近期观看的电影，提取出每部电影的特征序列并进行加权处理，新得到的特征序列具有较高的实时性。
14、进一步地，获取的新的所述特征序列将作为接下来三层lstm结构的输入数据，再经过注意力层和隐层来对信息进行筛选，加强输出与情感类别的对应关系，接下来得到的数据悉数映射到用于多分类的softmax层，以此判别用户当前的情感分类。
15、进一步地，在步骤s4中，根据步骤s2和步骤s3获取的电影分类及用户情感分类值，用用户情感分类为基础根据注意力机制匹配电影情感分类；
16、用户选择是否接受推荐，若接受，则推荐成功，以后将继续向用户推荐这类情感下的电影；
17、若用户不接受推荐，则需要返回步骤s2重新分析用户当前的情感状态以便接下来推荐其他电影。
18、一种电影推荐装置，包括：至少一个存储器和至少一个处理器；
19、所述至少一个存储器，用于存储机器可读程序；
20、所述至少一个处理器，用于调用所述机器可读程序，执行一种电影推荐方法。
21、本专利技术的一种电影推荐方法及装置和现有技术相比，具有以下突出的有益效果：
22、本专利技术不仅考虑到用户的情感状态，还同时考虑到电影本身质量以及电影影评的时序性特征，使得推荐能够更为精准的提供给所需的用户。根据不同用户的观影历史及近期观影记录，使用不同的推荐方法，这样处理的好处是在对历史电影数据进行分析的同时更多的考虑到用户的情绪转变，最大限度的利用了用户历史数据等电影资源，更加全面的利用了电影的各方面特征信息，周期短，更贴近用户当前的情绪状态，能够大幅度提高电影推荐的效率及准确度。
本文档来自技高网...【技术保护点】
1.一种电影推荐方法，其特征在于，具有如下步骤：
2.根据权利要求1所述的一种电影推荐方法，其特征在于，在步骤S1中，对电影信息进行预处理，并提取电影的特征信息，依据历史影评信息进行特征鉴别和提取。
3.根据权利要求2所述的一种电影推荐方法，其特征在于，在步骤S2中，选取步骤S1中获取数据中最有情感代表性且最合适的特征来提取出情感特征，依此分析出电影所属的情感类别，将历史影评、电影信息、评分传送至LSTM注意力机制神经网络中来搭建分类模型，并利用所述分类模型对电影进行情感分类。
4.根据权利要求3所述的一种电影推荐方法，其特征在于，根据LSTM和AM的情感分类模型中实现对电影的情感类别进行划分，融合了双层LSTM结构和注意力机制的神经网络模型由三层LSTM、注意力层及输出层组成。
5.根据权利要求4所述的一种电影推荐方法，其特征在于，在步骤S3中，根据用户近期观影记录获取近期观影信息，生成新的特征序列，将新的所述特征序列通过LSTM和AM结构，对用户当前的情感类别进行分析；
6.根据权利要求5所述的一种电影推荐方法，其特
7.根据权利要求6所述的一种电影推荐方法，其特征在于，在步骤S4中，根据步骤S2和步骤S3获取的电影分类及用户情感分类值，用用户情感分类为基础根据注意力机制匹配电影情感分类；
8.一种电影推荐装置，其特征在于，包括：至少一个存储器和至少一个处理器；
...【技术特征摘要】
1.一种电影推荐方法，其特征在于，具有如下步骤：
2.根据权利要求1所述的一种电影推荐方法，其特征在于，在步骤s1中，对电影信息进行预处理，并提取电影的特征信息，依据历史影评信息进行特征鉴别和提取。
3.根据权利要求2所述的一种电影推荐方法，其特征在于，在步骤s2中，选取步骤s1中获取数据中最有情感代表性且最合适的特征来提取出情感特征，依此分析出电影所属的情感类别，将历史影评、电影信息、评分传送至lstm注意力机制神经网络中来搭建分类模型，并利用所述分类模型对电影进行情感分类。
4.根据权利要求3所述的一种电影推荐方法，其特征在于，根据lstm和am的情感分类模型中实现对电影的情感类别进行划分，融合了双层lstm结构和注意力机制的神经网络模型由三层lstm、注意力层及输出层组成。
5.根据...
【专利技术属性】
技术研发人员：王意彤，张栋，周庆勇，
申请(专利权)人：浪潮云信息技术股份公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。