基于深度神经网络的影视评分预测

影视评分能直接反映影视作品的上映效果或收益情况,然而目前影视特征的提取方法单一,信息挖掘不充分。针对这一问题,提出一种基于混合特征表示向量的深度神经网络影视评分预测模型。根据影视作品的属性特征通过词袋模型、特征拆分、TF-IDF文本矢量化方法生成影视混合特征表示向量,并构建基于深度神经网络的影视评分预测模型。实验结果表明:测试集MAE、MSE、SmoothL1 Loss指标值在模型100轮迭代训练后收敛,MAE为0.82,MSE为1.07,SmoothL1Loss为0.45,验证了所提方法对影视作品的评分预测有很好效果,能有效评估影视作品上映后的价值。

基于交互属性增强的电影评分预测

电影评分预测旨在预测用户对未评价的电影可能赋予的评分,是推荐系统、电影分类等现实应用的重要依据。现有预测方法主要关注用户与电影的交互信息和文本信息表示,对属性特征的直接表示考虑较少。为此,提出一种基于交互属性增强的电影评分预测模型。首先,考虑使用属性节点在网络中的嵌入向量表示不同的属性特征信息,根据数据间的交互和从属关系构建电影信息网络,利用Metapath2vec算法获得属性节点的嵌入向量,将各属性特征转换为具有不同元路径结构信息及语义信息的向量表示。然后,将用户和电影的属性特征向量输入双塔模型,与各自ID特征向量交互融合,以探索不同属性偏好对用户及电影的影响。最后,得到用户和电影特征向量,通过点积实现用户对电影的评分预测。在公开数据集上的结果表明,所提模型相较于传统模型预测准确性更高,证明了模型的有效性。