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。

基于混合特征的电影评分预测系统

电影评分是衡量一部电影优劣的重要标准,对于投资商和观影者极具参考价值,因此电影评分的预测成为电影领域的研究热点。然而目前的评分预测系统由于特征信息不足,特征工程处理方法过于简单,机器学习算法较为单一,所以预测误差偏大。针对这一问题,结合自然语言处理技术提出一种基于混合特征的预测模型,并应用到电影评分预测系统中。数据集来源是某常用电影网站,同时为了获取更好的训练数据,需要对电影特征信息进行复杂的特征工程处理。利用训练完成的Bert模型矢量化电影数据集中的文本信息得到文本矢量特征,并采用支持向量机(SVM)算法初步训练预测评分。将该评分作为一维新特征和电影特征信息一起通过随机森林(random forest)算法训练预测最终评分。实验结果表明,该预测模型是可行的,预测值与真实值的误差较小,准确性显著提升。

基于随机森林理论的电影评分预测

电影评分是电影质量的一个直观反映,对未上映的电影评分进行预测是非常重要的。文章在电影本身属性的基础上,定义所有特征量化方式,同时利用电影相似度新增相似电影评分属性,结果表明,加入该因子之后,模型的均方误差降低了35.3%。在此基础上,使用选择性随机森林优化算法对电影评分进行预测,模型的均方误差为0.1025,预测较准确。

协同过滤算法在电影推荐中的应用

推荐系统是很多网站最关心的机器学习应用,因为其准确率的提高对网站收入有直接贡献。构建了一个电影推荐系统,使用基于相似度的KNN算法、Baseline预测、随机梯度下降以及SVD共4种方法进行预测评分。使用RMSE评价标准,对比了不同算法预测精度的差异和不同参数设定下预测精度的变化。

基于非对称属性的SVD推荐算法的研究

该文在传统的基于奇异值矩阵分解模型(SVD)的基础上提出一种非对称的协同过滤算法,对电影的评分进行预测。并在Movielens数据集上实验验证,该算法在平均误差方根(RMSE)上比SVD、SVD++的算法更优。