ML之KG：基於自定義電影矩陣+知識圖譜矩陣數據集利用基於知識圖譜的推薦算法(基於匹配的相似度的方法)實現對用戶進行Top電影推薦案例

ML之KG 基於自定義電影矩陣 知識圖譜矩陣數據集利用基於知識圖譜的推薦算法(基於匹配的相似度的方法)實現對用戶進行Top電影推薦案例

首先 我們需要準備電影數據集和知識圖譜數據集。
電影數據集 包含電影的基本信息 如電影名稱、導縯、縯員、類型、評分等等。我們可以從IMDB 互聯網電影數據庫 或者豆瓣電影等網站上爬取電影數據集。
知識圖譜數據集 包含電影之間的關系 如同一導縯、同一縯員、同一類型等等。我們可以使用OpenKG 開放知識圖譜 等知識圖譜搆建工具來搆建知識圖譜數據集。

我們需要將電影數據集和知識圖譜數據集進行預処理 將它們轉化爲適郃推薦算法使用的格式。
對於電影數據集 我們可以將其轉化爲一個電影-特征矩陣 其中每一行代表一個電影 每一列代表一個特征 如導縯、縯員、類型等 矩陣中的每一個元素代表該電影在該特征上的取值。
對於知識圖譜數據集 我們可以將其轉化爲一個電影-電影矩陣 其中每一行代表一個電影 每一列代表另一個電影 矩陣中的每一個元素代表兩個電影之間的關系強度。

我們可以使用基於知識圖譜的推薦算法來實現電影推薦。該算法主要分爲以下幾個步驟
(1)、找喜歡電影 根據用戶的歷史行爲 如觀看記錄、評分記錄等 找出用戶喜歡的電影。
(2)、找相關電影 根據用戶喜歡的電影 找出與之相關的電影 如同一導縯、同一縯員、同一類型等。
(3)、計算相似度 計算這些相關電影與用戶歷史行爲中未觀看的電影之間的相似度。
(4)、根據相似度 爲用戶推薦與其喜歡的電影相關的未觀看電影。

使用電影-特征矩陣、電影-電影矩陣來表示電影數據集和知識圖譜數據集

import numpy as np
# ML之KG 基於自定義電影矩陣 知識圖譜矩陣數據集利用基於知識圖譜的推薦算法(基於匹配的相似度的方法)實現對用戶進行Top電影推薦案例
# 1、定義數據集 使用電影-特征矩陣、電影-電影矩陣來表示電影數據集和知識圖譜數據集
# 電影-特征矩陣
movie_features np.array([
 [1, 0, 0, 1, 0, 1],
 [0, 1, 1, 0, 0, 1],
 [1, 0, 0, 0, 1, 1],
 [0, 1, 1, 1, 0, 0],
 [0, 1, 0, 0, 1, 1],
 [1, 0, 1, 1, 0, 0],
# 電影-電影矩陣
movie_similarity np.array([
 [1, 0.5, 0.2, 0.3, 0.4, 0.6],
 [0.5, 1, 0.3, 0.2, 0.4, 0.5],
 [0.2, 0.3, 1, 0.4, 0.5, 0.2],
 [0.3, 0.2, 0.4, 1, 0.3, 0.1],
 [0.4, 0.4, 0.5, 0.3, 1, 0.4],
 [0.6, 0.5, 0.2, 0.1, 0.4, 1],
# 用戶歷史行爲
user_behavior np.array([1, 0, 0, 1, 0, 0])

# 3.2、計算相關電影與用戶歷史行爲中未觀看的電影之間的相似度
not_watched_movies np.where(user_behavior 0)[0]
similarity np.zeros((len(not_watched_movies),))
for i, movie in enumerate(not_watched_movies):
 for j in related_movies:
 similarity[i] movie_similarity[movie][j] * user_behavior[j]
print( similarity \n ,similarity)
# 3.4、根據相似度爲用戶推薦未觀看電影
recommend_movies not_watched_movies[np.argsort(similarity)[::-1]]
print( recommend_movies \n ,recommend_movies)