[发明专利]一种基于图嵌入模型的上下文感知音乐推荐方法

摘要

本发明公开了一种基于图嵌入模型的上下文感知音乐推荐方法，包括：S1.基于图嵌入模型的音乐特征的提取；S2.用户全局音乐兴趣和上下文音乐兴趣的提取和建模；S3.上下文感知的音乐推荐。本发明利用图嵌入模型从用户的播放数据和音乐的元数据中提取音乐的特征，再从用户的完整播放记录和近期播放记录中获取用户的全局音乐兴趣和上下文音乐兴趣，最后在推荐的时候综合考虑用户的全局兴趣和当前上下文兴趣，从而能够让推荐的音乐符合用户的实时需求和偏好，从而减少用户的搜索成本并提高用户的满意度。

主权项

1.一种基于图嵌入模型的上下文感知音乐推荐方法，包括如下步骤：(1)收集用户的完整音乐收听序列以及所有音乐的标签信息；所述完整音乐收听序列包含用户历史对于音乐的每条收听记录，所述标签信息包括音乐的演唱者、所属专辑和曲风类型；(2)根据所有用户的完整音乐收听序列以及所有音乐的元数据，建立包含用户‑音乐交互图、音乐‑音乐转移图和音乐‑标签知识图的异构信息模型；所述用户‑音乐交互图中用户与音乐之间通过边线连接，其中用户u与音乐m_j之间边线的权重t_u，mj为用户u收听音乐m_j的次数，u∈U，U表示由所有用户组成的用户集群；所述音乐‑音乐转移图中音乐与音乐之间通过边线连接，其中音乐m_i与音乐m_j之间边线的权重t_mi，mj为音乐m_i和音乐m_j被一起收听的次数，即在同一完整音乐收听序列中若音乐m_i与音乐m_j对应的收听记录在一定间隔范围内，则判定音乐m_i和音乐m_j被同时收听；所述音乐‑标签知识图中音乐与标签之间通过边线连接，其中音乐m_j与标签d之间边线的权重t_d，mj为音乐m_j被赋予标签d的次数，d∈D，D表示由所有标签组成的标签库；(3)根据所述异构信息模型建立以下目标函数L：其中：表示音乐‑音乐转移图中音乐m_i与音乐m_j之间边线的权重，表示音乐m_i与音乐m_j的间接关系权重，p(m_i，m_j)表示音乐m_i和音乐m_j被一起收听的概率，M表示由所有音乐组成的乐库；所述间接关系权重的表达式如下：其中：为用户‑音乐交互图中音乐m_i的所有边线权重组成的向量，为用户‑音乐交互图中音乐m_j的所有边线权重组成的向量，为音乐‑标签知识图中音乐m_i的所有边线权重组成的向量，为音乐‑标签知识图中音乐m_j的所有边线权重组成的向量，cos(A，B)表示向量A和向量B的余弦相似度，表示两个向量的拼接操作；所述概率p(m_i，m_j)的表达式如下：其中：和分别为音乐m_i和音乐m_j的特征向量，T表示向量转置；(4)对上述目标函数L进行最小化求解，以求得乐库M中每首音乐的特征向量；(5)对用户完整音乐收听序列中所有收听记录对应的音乐特征向量求平均，得到用户的全局音乐兴趣向量；(6)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中所有收听记录对应的音乐特征向量求平均，得到用户的上下文音乐兴趣向量；(7)根据每首音乐的特征向量以及用户的全局音乐兴趣向量和上下文音乐兴趣向量，通过以下公式计算出用户对于每首音乐的兴趣值；进而根据兴趣值对乐库中的所有音乐从大到小排序，并提取兴趣值最大的若干首音乐推荐给用户；其中：x_u，i为用户u对于音乐m_i的兴趣值，和分别为音乐m_i和音乐m_j的特征向量，v_u为用户u的全局音乐兴趣向量，z_u为用户u的上下文音乐兴趣向量，T表示向量转置，u∈U，U表示由所有用户组成的用户集群。