[发明专利]一种针对用户隐式反馈数据的集合排序音乐推荐方法

说明书

一种针对用户隐式反馈数据的集合排序音乐推荐方法，获取用户‑歌曲交互数据，然后采用基于MinHash的局部敏感哈希算法从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲；对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐。本发明不仅能够利用到用户之间的协同关系而且考虑到了歌曲集合之间的顺序关系，相比于传统方法，实现了更好的音乐推荐效果。

技术领域

本发明涉及音乐推荐系统领域，具体涉及一种针对用户隐式反馈数据的集合排序音乐推荐方法。

背景技术

音乐推荐系统是根据用户对歌曲的反馈来为用户推荐其可能喜欢的歌曲，用户的反馈分为两种形式：显式反馈和隐式反馈。显式反馈是用户对歌曲的评分，通常为数值型(从0-10或者0-5)。隐式反馈代表的是用户的一种行为数据，通常为二值型(0或1)，即用户是否有过这种行为，即用户是否听过这首歌。由于隐式反馈相比于显式反馈更常见而且更易被收集，所以如何处理隐式反馈近年来引起了很多关注。目前，处理隐式反馈的大多是对级(pairwise)的排序模型，而这类模型偏重于对歌曲对之间的顺序关系是否合理进行判断，对于歌曲对item₁,tem₂，根据待推荐用户的偏好程度，判断item₁是否应该排在item₂前面。然而，这种对级排序的方法假设每个用户是独立的，忽略了用户之间的联系。此外，由于对级模型只考虑歌曲对之间的顺序，未能挖掘出歌曲集合之间的顺序关系。

在现有的音乐推荐体系中，除了为用户推荐歌曲，很多音乐软件都支持制作歌单功能，如何为用户推荐歌单以及如何为歌单推荐标签也是当前研究的重要方向。此外，如何消除流行歌曲带来的流行度偏差也是值得研究的工作。

发明内容

本发明目的在于提供一种针对用户隐式反馈数据的集合排序音乐推荐方法。

为实现上述目的，本发明采用如下的技术方案实现：

一种针对用户隐式反馈数据的集合排序音乐推荐方法，获取用户-歌曲交互数据，然后采用基于MinHash的局部敏感哈希算法从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲；

对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐。

本发明进一步的改进在于，根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲包括以下步骤：

步骤1：对于待推荐用户u，在通过Jaccard相似性得到的相似用户集合中，找出α×M个最相似的用户N_u，α是可调的参数，M是用户数；

步骤2：根据最相似的用户N_u，计算潜在偏好歌曲Q_u的候选集合C_u；候选集合C_u中包含最相似的用户N_u中每个用户听过但待推荐用户u没有听过的歌曲的并集：

步骤3：计算待推荐用户u对候选集合C_u中每个歌曲的得分S_ui，选取得分最大的β×N个歌曲组成潜在偏好歌曲Q_u，β是控制集合大小的参数，N是歌曲数。

本发明进一步的改进在于，Jaccard相似性定义如下：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合，sim_uv为相似性。

本发明进一步的改进在于，候选集合C_u通过下式计算：