一种基于深度神经网络与双正则化的视频评分预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115905617A(43)申请公布日2023.04.04(21)申请号202310187456.2H04N21/475(2011.01)(22)申请日2023.03.02G06F16/78(2019.01)G06F16/9536(2019.01)(71)申请人南京邮电大学G06N3/0499(2023.01)地址210023江苏省南京市栖霞区亚东新G06N3/048(2023.01)城区文苑路9号G06N3/084(2023.01)(72)发明人赵学健张晶晶孙知信孙哲曹亚东宫婧汪胡青胡冰徐玉华(74)专利代理机构南京锐恒专利代理事务所(普通合伙)32506专利代理师陈思(51)Int.Cl.G06F16/735(2019.01)H04N21/44(2011.01)H04N21/466(2011.01)权利要求书3页说明书7页附图2页(54)发明名称一种基于深度神经网络与双正则化的视频评分预测方法(57)摘要本发明涉及一种基于深度神经网络与双正则化的视频评分预测方法，重构用户‑视频评分矩阵，引入融有用户活跃度的视频关联正则项和可靠的最近邻正则项，构建了融合融有用户活跃度的视频关联正则项和可靠的最近邻正则项的矩阵分解推荐模型，将潜在特征输入深度神经网络中得到深度神经网络模型的结果，并将深度神经网络模型的结果与矩阵分解的结构结合得到最终的预测评分，提高了预测评分的精度；并利用LDA模型挖掘用户视频评论中相关信息，生成用户类型潜在特征矩阵和视频类型潜在特征矩阵，并将两者结合得到隐藏的信息矩阵，再将隐藏的信息矩阵与原始用户视频评分矩阵相结合生成新的用户‑视频评分矩阵，缓解了冷启动和数据稀疏性问题。CN115905617ACN115905617A权利要求书1/3页1.一种基于深度神经网络与双正则化的视频评分预测方法，其特征在于，所述方法包括如下步骤：步骤S1：对视频评论进行处理，挖掘出隐藏信息，并将隐藏信息矩阵与原始用户‑视频评分矩阵相结合生成新的用户‑视频评分矩阵，并进入步骤S2；步骤S2：对用户‑视频评分矩阵分解时加入双正则项约束潜在特征矩阵的学习，每个用户对视频的评分都会对视频相似度做出一定的贡献，用户贡献却不完全相同，从用户的活跃度考虑能够分为活跃用户和不活跃用户，活跃用户指的是对视频有大量的评分记录的用户，而不活跃用户是指只对少数视频进行评分记录的用户，所以在计算视频相似度时应将活跃用户和不活跃用户的贡献区分开，用户的活跃度定义为：公式1在公式1中，表示用户u的评分总量，因此用户的活跃度系数结合修正的余弦相似度得到的视频相似度计算方法为：公式2在公式2中，表示用户u对视频i的评分，表示用户u对视频j的评分，表示用户u的评分评分，表示同时对视频i和j有过评分的用户集合；在矩阵分解时引入融入用户活跃度的视频关联正则项约束项目潜在特征矩阵的学习，此时融入用户活跃度的视频关联正则化约束函数公式为：公式3在公式3中，V表示视频特征矩阵，Vj是视频j的潜在特征向量，Vi是视频i的潜在特征向量，并进入步骤S3；步骤S3：将矩阵分解出的潜在特征向量作为多层感知机的输入，经过多层感知机处理得到多层感知机模型预测的结果，并进入步骤S4；步骤S4：在合并层将多层感知机模型预测的结果与矩阵分解的结果相结合，使用归一化交叉熵法来优化模型，得到最终预测得分。2.根据权利要求1所述的一种基于深度神经网络与双正则化的视频评分预测方法，其特征在于：所述步骤S1中，首先利用LDA模型挖掘用户视频评论中相关类型的隐藏信息，生成用户类型潜在特征矩阵LU和视频类型潜在特征矩阵LV，并将用户类型潜在特征矩阵与视频类型潜在特征矩阵相结合得到隐藏信息矩阵L，其计算公式为：公式4并将隐藏信息矩阵L与原始用户‑视频评分矩阵R相结合生成新的用户‑视频评分矩阵，其计算公式为：公式5。3.根据权利要求1所述的一种基于深度神经网络与双正则化的视频评分预测方法，其2CN115905617A权利要求书2/3页特征在于：所述步骤S2中，相同兴趣爱好的用户会互相影响，用户相似度使用加权的皮尔逊相关系数进行计算：公式6在公式6中，和分别代表用户u和v的平均评分，表示用户u对视频i的评分，表示用户v对视频i的评分，表示用户u评论过的视频集合，表示用户v评论过的视频集合，为权重即能够影响用户相似度计算的项目的Jaccard相关系数，其计算公式如下：公式7其中，表示用户u评论过的视频集合，表示用户v评论过的视频集合；用户对项目的评分取决于邻近用户的影响，也会受到邻近用户的邻近用户的影响，但是一定距离后的邻近用户不会在对用户有所影响即变得不在可靠，因此引进可靠值，可靠值大于一定值的邻近用户会对用户项目评分有影响，可靠值计算方式为：公式8在公