22、电影领域知识图谱感知推荐与石化供应链风险管理研究

电影领域知识图谱感知推荐与石化供应链风险管理研究

在当今数字化时代，电影推荐系统和石化供应链风险管理都面临着诸多挑战和机遇。前者旨在为用户提供精准的电影推荐，而后者则关乎石化产业的稳定运行。下面将详细介绍相关的研究内容。

电影领域知识图谱感知推荐

在电影推荐方面，为了实现更精准的个性化推荐服务，研究人员采用了知识图谱感知推荐算法（KGMR）。

知识图谱数据处理

• 结构化数据 ：知识图谱中的结构化数据可视为由不同类型实体和关系构成的网络。实体间的关系越多，表明它们越相似。
• 文本数据 ：指电影描述的概述。若电影描述越相似，电影间的相似度越高，用户对这些相似电影的兴趣也越大。采用Doc2Vec算法提取电影剧情概述的嵌入向量。
• 图片数据 ：即电影海报信息。若电影海报的风格和元素相似，电影间的相似度可能更高。使用重新设计的CAE算法提取电影海报的嵌入向量，并重建内部神经网络进行特征提取。

构建相似度矩阵

由于获得的嵌入向量都是嵌入向量，使用欧几里得距离分别计算相似度矩阵。对于两部电影i和j，它们之间的距离d(i, j)计算公式如下：
[d(i, j) = d(j, i) = \sqrt{\sum_{k=1}^{dim}(i_k - j_k)^2}]

加权排序推荐

• 首先使用BPR为用户u推荐TOP - B电影，权重为wBPR；推荐TOP - S电影，权重为wstruct。