本发明涉及互联网电视影片推荐，尤其涉及的是一种基于知识图谱的协同过滤影片推荐处理方法、装置、智能终端及存储介质。
背景技术：
1、随着科技的发展和人们生活水平的不断提高，各种智能终端的使用越来越普及。
2、现有的互联网电视影片推荐算法大多采用传统的数据库存储媒资，推荐模型集成部分媒资属性进行推荐，例如，结合用户的长期观影积累下来的观影记录、用户标签，根据影片的名称、导演、演员、标签信息等进行推荐。但是，这些指标并不能反映用户的真实兴趣和需求。因此，这些算法得到的推荐结果可能不准确，推荐不出来用户想看的或者推荐出来很多用户看过、不想看的，影响用户观影体验。基于图谱的影片推荐算在解决这一问题上取得了一定的成果，基于多个来源的媒资聚合补全以及对于视频介质的媒体分析能力对于媒体资源的理解会更加深入，对于媒体资源内影片、影人、角色、标签的理解更准确更全面，但是仍有部分缺陷，比如用户、媒资图谱的构建难度大、各个图谱元数据和关系更新量太大。
3、因此，现有技术还有待改进和发展。
技术实现思路
1、本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于知识图谱的协同过滤影片推荐处理方法、装置、智能终端及存储介质，本发明提供了一种基于影片图谱、影人图谱、标签图谱、角色图谱、用户图谱(包含用户长期画像、分时画像，实时画像，并建立用户和影片图谱元数据之间的用户搜索、影片曝光、影片点击、影片播放等关系)等因素的影片推荐算法。可以基于全平台用户的观影行为趋势、当前用户的观影记录和偏好、影片、影人、角色、标签各图谱之间的关系，提供基于图谱的影片协同过滤推荐，为用户的使用提供了方便。
2、本发明解决问题所采用的技术方案如下：
3、一种基于知识图谱的协同过滤影片推荐处理方法，其中，包括：
4、获取用户操作行为数据，基于收集到的用户操作行为数据，构建用户画像图；
5、基于构建的用户画像图，把用户画像图和媒体资源数据建立关联，构建用户的联合知识图谱；
6、使用知识图嵌入方法将联合知识图谱的实体和关系参数转化为向量；
7、基于转化的联合知识图谱的实体和关系参数的向量，使用协同过滤算法构建每个影片的全局协同观影序列；
8、基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果。
9、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述获取用户操作行为数据，基于收集到的用户操作行为数据，构建用户画像图的步骤包括：
10、通过埋点收集获取用户操作行为数据；其中，所述用户操作行为数据包括浏览历史、搜索历史、播放记录、版面影片曝光、版面影片点击操作行为数据；
11、基于收集到的用户操作行为数据，计算出用户长期画像和每个影片协同排序数据，构建用户画像图。
12、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述基于构建的用户画像图，把用户画像图和媒体资源数据建立关联，构建用户的联合知识图谱的步骤包括：
13、基于构建的用户画像图，采用大模型、媒体分析技术增强看点、分类特征，把用户画像图和媒体资源数据建立关联，构建用户的联合知识图谱；
14、其中，所述联合知识图包括：用户长期画像、分时画像，实时画像，并建立用户和影片图谱元数据之间的用户搜索、影片曝光、影片点击、影片播放的关系，通过知识图谱记录描述影片、影人、角色、标签、用户之间的关系。
15、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述使用知识图嵌入方法将联合知识图谱的实体和关系参数转化为向量的步骤包括：
16、收集联合知识图谱的实体和关系数据，包括实体之间的关系以及关系的属性信息；
17、对收集到的实体和关系数据进行预处理；
18、选择匹配的知识图嵌入模型对预处理后的实体和关系数据进行训练，通过学习得到实体和关系的向量表示；
19、将训练得到的实体和关系向量表示存储在数据库或者文件中。
20、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述基于转化的联合知识图谱的实体和关系参数的向量，使用协同过滤算法构建每个影片的全局协同观影序列的步骤包括：
21、基于联合知识图谱中的电影实体和用户行为关系参数的向量表示，提取用户对电影的评分或观影历史数据；
22、基于用户对电影的评分或观影历史数据，构建用户-电影评分矩阵；
23、基于用户的协同过滤或基于物品的协同过滤，结合转化后的电影和用户向量，构建全局协同观影序列；
24、根据协同过滤算法的推荐结果，为每个电影构建全局协同观影序列；
25、其中，所述全局协同观影序列包括：其他用户观看对应电影后观看的电影列表，或者与该对应电影具有相似观影序列的电影列表。
26、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果的步骤包括：
27、获取用户画像图中的用户特征信息包括：用户观影历史、评分、标记信息；
28、将用户画像图中的用户特征信息与每个影片的全局协同观影序列进行结合，为每个用户生成个性化的推荐结果；
29、从每个用户生成个性化的推荐结果中，根据用户的观影历史、评分信息，排除用户已观看过的影片，以及用户不感兴趣的影片或特征；
30、根据用户画像图和全局协同观影序列，排除用户已看以及不感兴趣的影片/特征后，输出推荐预测结果。
31、所述的基于知识图谱的协同过滤影片推荐处理方法，其中，所述基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果的步骤包括：
32、基于用户画像图和媒体资源数据间的用户搜索、影片曝光、影片点击、影片播放关系，每个影片的协同观影排序数据，结合影片基础热度、发布时间、评分，计算得到一个排除了用户近期没有看过/或没看完、不包含不感兴趣影片的协调过滤推荐数据集；
33、在所述协调过滤推荐数据集中找出与用户特征最匹配的影片，并且把用户近期看过/或看完或者用户不敢兴趣的影片过滤掉，推荐出用户想看的内容。
34、一种基于知识图谱的协同过滤影片推荐处理装置，其中，所述装置包括：
35、用户画像构建模块，用于获取用户操作行为数据，基于收集到的用户操作行为数据，构建用户画像图；
36、联合知识图谱构建模块，用于基于构建的用户画像图，把用户画像图和媒体资源数据建立关联，构建用户的联合知识图谱；
37、向量转化模块，用于使用知识图嵌入方法将联合知识图谱的实体和关系参数转化为向量；
38、全局协同观影序列构建模块，用于基于转化的联合知识图谱的实体和关系参数的向量，使用协同过滤算法构建每个影片的全局协同观影序列；
39、协同过滤影片推荐控制模块，用于基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果。
40、一种智能终端，其中，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行任意一项所述的方法。
41、一种非临时性计算机可读存储介质，其中，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行任意一项所述的方法。
42、本发明的有益效果：本发明提供了一种基于知识图谱的协同过滤影片推荐处理方法、装置，本发明由于采用影片聚合补全、媒体分析算法增强了媒资质量，通过用户行为计算出用户长期画像、每个影片协同排序数据。构建用户图谱(包含用户长期画像、分时画像，实时画像，并建立用户和影片图谱元数据之间的用户搜索、影片曝光、影片点击、影片播放等关系)，并且通过知识图谱更加准确的描述影片、影人、角色、标签、用户之间的关系，这样就可以在协调过滤推荐场景中精准的找到用户特征最匹配的影片，并且把用户近期看过/完或者用户不敢兴趣的影片过滤掉，推荐出用户想看的内容，提高了推荐的准确性，并且提高了推荐效率，为用户的使用提供了方便。
1.一种基于知识图谱的协同过滤影片推荐处理方法，其特征在于，包括：
2.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述获取用户操作行为数据，基于收集到的用户操作行为数据，构建用户画像图的步骤包括：
3.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述基于构建的用户画像图，把用户画像图和媒体资源数据建立关联，构建用户的联合知识图谱的步骤包括：
4.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述使用知识图嵌入方法将联合知识图谱的实体和关系参数转化为向量的步骤包括：
5.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述基于转化的联合知识图谱的实体和关系参数的向量，使用协同过滤算法构建每个影片的全局协同观影序列的步骤包括：
6.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果的步骤包括：
7.根据权利要求1所述的基于知识图谱的协同过滤影片推荐处理方法，其特征在于，所述基于所述用户画像图，结合每个影片的全局协同观影序列，排除用户已看以及不敢兴趣的影片/特征，输出推荐预测结果的步骤包括：
8.一种基于知识图谱的协同过滤影片推荐处理装置，其特征在于，所述装置包括：
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
