CN113836401B - 歌单推荐方法、装置及可读存储介质 - Google Patents
歌单推荐方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN113836401B CN113836401B CN202111047831.0A CN202111047831A CN113836401B CN 113836401 B CN113836401 B CN 113836401B CN 202111047831 A CN202111047831 A CN 202111047831A CN 113836401 B CN113836401 B CN 113836401B
- Authority
- CN
- China
- Prior art keywords
- song
- user
- vector
- preference
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000013598 vector Substances 0.000 claims abstract description 168
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/638—Presentation of query results
- G06F16/639—Presentation of query results using playlists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种歌单推荐方法、装置及可读存储介质,所述歌单推荐方法包括:获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据,以及所述用户的特征数据;根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;根据所述目标用户偏好确定所述用户的推荐歌单。本发明可以提高推荐歌单中推荐的歌曲的多样性。
Description
技术领域
本发明涉及内容推荐技术领域,尤其涉及一种歌单推荐方法、装置及可读存储介质。
背景技术
现有的歌单推荐方式是通过用户输入搜索指令,歌单推荐装置根据用户输入的搜索指令在歌曲库中查找与搜索指令相匹配的歌曲。若查找到与搜索指令相匹配的歌曲,则将查找到的歌曲作为待选歌曲,并根据待选歌曲生成推荐歌单推荐给用户;若未查找到与搜索指令相匹配的歌曲,则对歌曲库包括的所有歌曲进行协同过滤处理,以获取符合用户偏好的多个歌曲作为待选歌曲,然后根据待选歌曲生成推荐歌单推荐给用户。但是,这种歌单推荐方式完全基于用户的搜索指令,推荐歌单中推荐的歌曲比较单一,多样性较差。
发明内容
本发明的主要目的在于提供一种歌单推荐方法、装置及可读存储介质,旨在提高推荐歌单中推荐的歌曲的多样性。
为实现上述目的,本发明提供一种歌单推荐方法,所述歌单推荐方法包括:
获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;
根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
根据所述目标用户偏好确定所述用户的推荐歌单。
可选地,所述根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量的步骤包括:
根据各所述历史歌曲的特征数据确定各所述历史歌曲的第一向量,根据所述历史歌单的特征数据确定所述历史歌单的第二向量以及根据所述用户的特征数据确定所述用户的第三向量;
获取各所述历史歌曲对所述历史歌单的第一权重值,并根据所述第一向量,第二向量以及第一权重值确定所述历史歌单的歌单向量;
获取所述历史歌单对所述用户的第二权重值,并根据所述歌单向量、第三向量以及第二权重值确定所述用户的用户向量。
可选地,所述根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好的步骤包括:
根据所述用户向量以及所述预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的待选用户偏好;
获取所述歌曲在所述待选用户偏好下的偏好得分;
根据所述偏好得分确定所述歌曲的目标用户偏好。
可选地,所述获取所述歌曲在所述待选用户偏好下的偏好得分的步骤包括:
获取所述歌曲的歌曲向量以及所述待选用户偏好的偏好向量;
将所述用户向量与所述歌曲向量相加;
对相加后得到的向量与所述待选用户偏好的偏好向量进行相似性计算,以得到所述歌曲在所述待选用户偏好下的偏好得分。
可选地,所述获取所述待选用户偏好的偏好向量的步骤包括:
根据所述预设歌曲知识图谱确定所述待选用户偏好对应的关系;
根据所述关系的关系向量确定所述待选用户偏好的偏好向量。
可选地,所述根据所述目标用户偏好确定所述用户的推荐歌单的步骤包括:
获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分;
根据所述推荐得分确定所述用户的推荐歌单。
可选地,所述获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分的步骤包括:
根据所述目标用户偏好的偏好向量确定所述目标用户偏好的偏好增强向量;
根据所述歌曲的歌曲向量确定所述歌曲的歌曲增强向量;
根据所述用户向量、所述偏好增强向量以及所述歌曲增强向量确定所述用户对所述歌曲在所述目标用户偏好下的推荐得分。
此外,为实现上述目的,本发明还提供一种歌单推荐装置,所述歌单推荐装置包括:
获取模块,用于获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
第一确定模块,用于根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;
第二确定模块,用于根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
推荐模块,用于根据所述目标用户偏好确定所述用户的推荐歌单。
此外,为实现上述目的,本发明还提供一种歌单推荐装置,所述歌单推荐装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的歌单推荐程序,所述歌单推荐程序被所述处理器执行时实现上述任一项所述的歌单推荐方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有歌单推荐程序,所述歌单推荐程序被处理器执行时实现上述任一项所述的歌单推荐方法的步骤。
本发明提出了一种歌单推荐方法、装置及可读存储介质,通过获取用户的历史歌单,并分别获取历史歌单的特征数据、历史歌单中所包含的各历史歌曲的特征数据以及用户的特征数据,根据各历史歌曲的特征数据、历史歌单的特征数据以及用户的特征数据确定用户的用户向量,根据用户向量以及预设歌曲知识图谱确定用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好,根据目标用户偏好确定用户的推荐歌单。本方案基于歌曲知识图谱进行歌单推荐,可以准确捕捉到用户对歌曲的偏好,根据用户对歌曲的偏好进行歌单推荐有效提高了推荐歌单中推荐的歌曲的多样性。
附图说明
图1是本发明实施例方案涉及的歌单推荐装置的硬件架构示意图;
图2是本发明歌单推荐方法的第一实施例的流程示意图;
图3是本发明歌单推荐方法的第二实施例的流程示意图;
图4是本发明歌单推荐方法的第三实施例的流程示意图;
图5是本发明实施例方案涉及的歌单推荐装置的模块结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
作为一种实现方案,请参照图1,图1是本发明实施例方案涉及的歌单推荐装置的硬件架构示意图,如图1所示,该歌单推荐装置可以包括处理器101,例如CPU,存储器102,通信总线103,其中,通信总线103用于实现这些模块之间的连接通信。
存储器102可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。如图1所示,作为一种计算机可读存储介质的存储器102中可以包括歌单推荐程序;而处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;
根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
根据所述目标用户偏好确定所述用户的推荐歌单。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
根据各所述历史歌曲的特征数据确定各所述历史歌曲的第一向量,根据所述历史歌单的特征数据确定所述历史歌单的第二向量以及根据所述用户的特征数据确定所述用户的第三向量;
获取各所述历史歌曲对所述历史歌单的第一权重值,并根据所述第一向量,第二向量以及第一权重值确定所述历史歌单的歌单向量;
获取所述历史歌单对所述用户的第二权重值,并根据所述歌单向量、第三向量以及第二权重值确定所述用户的用户向量。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
根据所述用户向量以及所述预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的待选用户偏好;
获取所述歌曲在所述待选用户偏好下的偏好得分;
根据所述偏好得分确定所述歌曲的目标用户偏好。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
获取所述歌曲的歌曲向量以及所述待选用户偏好的偏好向量;
将所述用户向量与所述歌曲向量相加;
对相加后得到的向量与所述待选用户偏好的偏好向量进行相似性计算,以得到所述歌曲在所述待选用户偏好下的偏好得分。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
根据所述预设歌曲知识图谱确定所述待选用户偏好对应的关系;
根据所述关系的关系向量确定所述待选用户偏好的偏好向量。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分;
根据所述推荐得分确定所述用户的推荐歌单。
进一步地,处理器101可以用于调用存储器102中存储的歌单推荐程序,并执行以下操作:
根据所述目标用户偏好的偏好向量确定所述目标用户偏好的偏好增强向量;
根据所述歌曲的歌曲向量确定所述歌曲的歌曲增强向量;
根据所述用户向量、所述偏好增强向量以及所述歌曲增强向量确定所述用户对所述歌曲在所述目标用户偏好下的推荐得分。
当前,歌单推荐往往是通过用户输入搜索指令,歌单推荐装置根据用户输入的搜索指令在歌曲库中查找与搜索指令相匹配的歌曲。若查找到与搜索指令相匹配的歌曲,则将查找到的歌曲作为待选歌曲,并根据待选歌曲生成推荐歌单推荐给用户;若未查找到与搜索指令相匹配的歌曲,则对歌曲库包括的所有歌曲进行协同过滤处理,以获取符合用户偏好的多个歌曲作为待选歌曲,然后根据待选歌曲生成推荐歌单推荐给用户。由于这种歌单推荐方式完全针对用户输入的搜索指令,无法捕捉到用户选择歌曲的内在偏好,但是,用户很可能是因为其他一些细粒度的因素才喜欢一首歌曲,比如,歌曲的演唱者、流派以及专辑等原因,因此,通过用户输入的搜索指令得到的推荐歌单中推荐的歌曲比较单一,甚至有重复,多样性较差。
基于上述现有技术存在的问题,本发明提出的歌单推荐方法通过嵌入用户向量以及歌曲知识图谱,基于用户向量在歌曲知识图谱上根据相似性得分进行歌曲的用户偏好推导,推导出用户选择歌曲背后的用户偏好,根据推导出的用户偏好为用户推荐歌单。通过用户向量以及歌曲知识图谱可以捕捉到用户选择歌曲的内在偏好,基于用户偏好推荐歌单可以有效提高推荐歌单中歌曲的多样性。下面,通过具体的实施例对本发明歌单推荐方法作进一步地解释说明。
请参照图2,图2是本发明歌单推荐方法的第一实施例的流程示意图,所述歌单推荐方法包括:
步骤S10,获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
在本实施例中,执行主体是歌单推荐装置,其中,歌单推荐装置可以是终端设备,例如计算机、手机以及平板电脑等,当然,在其他实施例中,歌单推荐装置也可以根据实际需要确定,本实施例对此不作限定。
在本实施例中,歌单推荐装置获取用户的历史歌单、并分别获取历史歌单的特征数据、历史歌单中所包含的各历史歌曲的特征数据以及用户的特征数据,其中,历史歌曲可以是用户听过的所有歌曲,也可以是用户在预设时段内听过的歌曲,例如,用户近3个月听过的歌曲,当然,预设时段可以根据实际需要设定,本实施例对此不作限定;历史歌单是历史歌曲的集合;历史歌曲的特征数据可以包括历史歌曲的名称、歌词信息、作词者、作曲者、演唱者、流派以及专辑等信息;历史歌单的特征数据可以包括歌单包含的歌曲数量、歌曲类型等信息;用户的特征数据可以包括用户的身份信息以及与用户的身份信息相关联的其他信息。
步骤S20,根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;
在本实施例中,歌单推荐装置获取到历史歌曲的特征数据、历史歌单的特征数据以及用户的特征数据后,根据历史歌曲的特征数据、历史歌单的特征数据以及用户的特征数据生成用户向量,其中,用户向量是指反映用户历史听歌特征的嵌入式表示。
具体地,根据各历史歌曲的特征数据确定各历史歌曲的第一向量,根据历史歌单的特征数据确定历史歌单的第二向量以及根据用户的特征数据确定用户的第三向量,其中,第一向量是歌曲的初始化嵌入式表示、第二向量是歌单的初始化嵌入式表示,第三向量是用户的初始化嵌入式表示,通过将历史歌曲的特征数据、历史歌单的特征数据以及用户的特征数据输入到非线性网络,得到统一维度的第一向量m,第二向量l0以及第三向量u0,其中,m,l0,u0 ,d是嵌入维度。
歌单推荐装置在获取到第一向量、第二向量以及第三向量后,获取各历史歌曲对历史歌单的第一权重值,并根据第一向量,第二向量以及第一权重值确定历史歌单的歌单向量,其中,第一权重值是指历史歌曲对所在历史歌单的重要性。对于历史歌单l,用表示历史歌单l包含的历史歌曲集合,一个历史歌单中不同历史歌曲的重要性是不同的,例如,某些历史歌曲可能是这个历史歌单的代表性歌曲。采用注意力机制为不同的历史歌曲分配权重值/>,权重值/>即为第一权重值,其代表历史歌曲m在历史歌单l中的重要性。第一权重值可以使用前向神经网络确定,并通过softmax函数进行归一化。第一权重值的计算过程如下:
其中,m是历史歌曲m的嵌入式表示,是权重矩阵,/>是偏置向量,是权重向量,/>是偏置值。然后聚合历史歌单l中历史歌曲的第一向量,并结合历史歌单的第二向量,得到历史歌单的歌单向量l,历史歌单的歌单向量的计算过程如下:
歌单推荐装置在得到历史歌单的歌单向量后,获取历史歌单对用户的第二权重值,并根据歌单向量、第三向量以及第二权重值确定用户的用户向量,其中,第二权重值是历史歌单对用户的重要性。用表示用户u收听过的历史歌单集合,不同的历史歌单对用户的重要性也不同。采用注意力机制为不同的历史歌单分配权重值/>,权重值/>即为第二权重值,其代表历史歌单l对用户u的重要性,第二权重值可以使用前向神经网络确定,并通过softmax函数进行归一化。第二权重值的计算过程如下:
其中,l是历史歌单l的歌单向量,是权重矩阵,/>是偏置向量,是权重向量,/>是偏置值。然后聚合用户u收听过的历史歌单的歌单向量,并结合用户的第三向量,得到用户u的用户向量u,用户向量u的计算过程如下:
步骤S30,根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
步骤S40,根据所述目标用户偏好确定所述用户的推荐歌单。
歌单推荐装置获取到用户向量后,根据用户向量和预设歌曲知识图谱确定用户对预设歌曲知识图谱中歌曲的目标用户偏好,其中,目标用户偏好是指用户选择歌曲的具体偏好原因。
歌单推荐装置预先构建并嵌入有歌曲知识图谱,歌曲知识图谱是利用歌曲的特征数据组织成的知识图谱,其中,歌曲的特征数据可以包括歌曲的名称、歌曲的作词者、歌曲的演唱者、歌曲所在的专辑。歌单推荐装置可以根据歌曲的特征数据建立事实三元组,基于事实三元组构建并嵌入歌曲知识图。将歌曲知识图谱表示为,其中,/>表示实体集,/>表示关系集。可以采用DISTMULT进行知识图谱的嵌入,事实三元组(h,r,t)得分函数如下:
其中,是头实体h的嵌入式表示,/>是关系r的嵌入式表示,/>表示对角元素是/>中对应元素的对角阵,/>是尾实体t的嵌入式表示。歌曲知识图谱嵌入部分的损失函数采用基于阈值的排序损失。损失函数的计算过程如下:
其中,,/>包括随机替换正确事实三元组中的头实体或尾实体构成的非正确三元组,/>控制正确三元组和错误三元组之间的阈值。
需要说明的是,在嵌入歌曲知识图谱的同时,建模用户偏好,其中,将歌曲知识图谱中的实体间的关系与用户对歌曲的用户偏好一一对应,通过建立歌曲知识图谱中关系与用户偏好的一一对应关系,实现根据歌曲知识图谱中的关系推导用户对歌曲各种可能的用户偏好,这样,通过歌曲知识图谱中的关系向量可以确定用户对歌曲的用户偏好的偏好向量。
进一步地,根据用户向量以及歌曲知识图谱可以在歌曲各种可能的用户偏好中推导出用户对歌曲的目标用户偏好,在确定歌曲知识图谱中歌曲的目标用户偏好后,根据用户对歌曲的目标用户偏好向用户推荐歌单。
本实施例提供的技术方案中,通过获取用户的历史歌单,并分别获取历史歌单的特征数据、历史歌单中所包含的各历史歌曲的特征数据以及用户的特征数据,根据历史歌曲的特征数据、历史歌单的特征数据以及用户的特征数据确定用户的用户向量,根据用户向量以及预设歌曲知识图谱确定用户对预设歌曲知识图谱中的歌曲的目标用户偏好,根据目标用户偏好确定用户的推荐歌单。本方案基于歌曲知识图谱进行歌单推荐,可以准确的捕捉到用户对歌曲的内在偏好,根据用户对歌曲的偏好进行歌单推荐有效提高了推荐歌单中推荐的歌曲的多样性。
请参照图3,图3是本发明歌单推荐方法的第二实施例的流程示意图,基于第一实施例,上述S30的步骤包括:
步骤S31,根据所述用户向量以及所述预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的待选用户偏好;
在本实施例中,歌单推荐装置获取到用户向量后,基于歌曲知识图谱中的关系与用户偏好的一一对应关系,根据用户向量以及歌曲知识图谱确定用户对歌曲知识图谱中歌曲的待选用户偏好,其中,待选用户偏好是用户选择该歌曲可能的偏好原因,例如,待选用户偏好可以包括该歌曲的作词者、演唱者、流派以及所在专辑等。
步骤S32,获取所述歌曲在所述待选用户偏好下的偏好得分;
在本实施例中,歌单推荐装置确定歌曲的待选用户偏好后,获取歌曲在待选用户偏好下的偏好得分。具体地,歌单推荐装置通过预设歌曲知识图谱获取歌曲的歌曲向量以及根据预设歌曲知识图谱确定待选用户偏好对应的关系,根据待选用户偏好对应的关系的关系向量确定待选用户偏好的偏好向量,然后用户向量与歌曲向量相加,对相加后得到的向量与待选用户偏好的偏好向量进行相似性计算,以得到歌曲在待选用户偏好下的偏好得分。偏好得分的计算过程如下:
其中,u是用户u的嵌入式表示,m是歌曲m的嵌入式表示,p是偏好p的嵌入式表示,使用点积操作。
可选地,歌单推荐装置可以使用Gumbel SoftMax对用户偏好进行离散抽样,该方法利用反向传播的重参数化技巧,使得可以在端到端训练期间计算模型参数的连续梯度。ST-Gumbel-SoftMax从一个多分类分布中近似地抽取一个独热向量。假设在P-way分类分布中属于p类的概率可以被定义为:
之后,从上述分布采样一个one-hot向量如下:
其中,是Gumbel噪声,u由一个特定的噪声分布产生。
步骤S33,根据所述偏好得分确定所述歌曲的目标用户偏好。
在本实施例中,歌单推荐装置在确定歌曲在其待选用户偏好下的偏好得分后,可以根据歌曲在待选用户偏好下的偏分得分进行排序,将偏好得分最高的待选用户偏好确定用户对歌曲的目标用户偏好。重复上述过程,可以确定歌曲知识图谱中所有歌曲的目标用户偏好。
本实施例提供的技术方案中,根据用户向量以及预设歌曲知识图谱确定用户对预设歌曲知识图谱中的歌曲的待选用户偏好,然后获取歌曲在待选用户偏好下的偏好得分,根据偏好得分确定歌曲的目标用户偏好,本方案通过用户向量以及预设歌曲知识图谱可以准确推导出用户选择歌曲的目标用户偏好,进而根据目标用户偏好向用户推荐歌单,可以提高推荐歌单中推荐的歌曲的多样性。
请参照图4,图4是本发明歌单推荐方法的第三实施例的流程示意图,基于第一实施例,上述S40的步骤包括:
步骤S41,获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分;
在本实施例中,歌单推荐装置在确定预设歌曲知识图谱中所有歌曲的目标用户偏好后,获取用户对歌曲在其目标用户偏好下的推荐得分,通过计算用户对歌曲在其目标用户偏好下的推荐得分可以知道用户对该歌曲的喜好程度,进而确定将该歌曲推荐给用户的可能性大小。
具体地,根据目标用户偏好的偏好向量确定目标用户偏好的偏好增强向量,根据歌曲的歌曲向量确定歌曲的歌曲增强向量,根据用户向量、偏好增强向量以及歌曲增强向量确定用户对歌曲在目标用户偏好下的推荐得分。推荐得分的计算过程如下:
计算偏好p,歌曲m的增强向量、/>:
其中,r是与偏好p对应的关系r的嵌入式表示,e是与歌曲m对应的实体e的嵌入式表示。可以参考DISTMULT中计算事实三元组得分的方法,计算用户u对音乐m,在目标用户偏好p下的推荐得分:
其中,表示对角元素是/>中对应元素的对角阵。推荐模块的损失函数为:
步骤S42,根据所述推荐得分确定所述用户的推荐歌单。
在本实施例中,通过上述方式可以确定预设歌曲知识图谱中所有歌曲的推荐得分,即用户对所有歌曲在其对应的目标用户偏好下的推荐得分,歌单推荐装置在得到歌曲知识图谱中所有歌曲的推荐得分后,可以将推荐得分进行排序,将推荐得分排在前面的预设数量的歌曲作为待推荐歌曲,将待推荐歌曲组成推荐歌单推荐给用户,其中,预设数量可以根据实际需要确定,本实施例对此不作限定。
可选地,歌单推荐装置还可以联合优化知识图谱嵌入模块的损失函数和歌单推荐模块的损失函数,优化方式如下:
其中,是平衡歌曲知识图谱嵌入模块和推荐模块的超参数。
本实施例提供的技术方案中,通过获取用户对歌曲在目标用户偏好下的推荐得分,根据推荐得分确定用户的推荐歌单。本方案通过用户对歌曲的目标用户偏好确定推荐得分,根据推荐得分推荐歌单,提高了推荐歌单中推荐的歌曲的多样性。
基于上述实施例,请参照图5,本发明还提供了一种歌单推荐装置,所述歌单推荐装置包括:
获取模块100,用于获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
第一确定模块200,用于根据各所述历史歌曲的特征数据、所述历史歌单的特征数据以及所述用户的特征数据确定所述用户的用户向量;
第二确定模块300,用于根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
推荐模块400,用于根据所述目标用户偏好确定所述用户的推荐歌单。
基于上述实施例,本发明还提供了一种歌单推荐装置,上述歌单推荐装置可以包括存储器、处理器及存储在上述存储器上并可在上述处理器上运行的歌单推荐程序,上述处理器执行上述歌单推荐程序时,实现如上述任一实施例所述的歌单推荐方法的步骤。
基于上述实施例,本发明还提供一种计算机可读存储介质,其上存储有歌单推荐程序,上述歌单推荐程序被处理器执行时实现如上述任一实施例所述的歌单推荐方法的步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是智能电视、手机、计算机等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种歌单推荐方法,其特征在于,所述歌单推荐方法包括:
获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
根据各所述历史歌曲的特征数据确定各所述历史歌曲的第一向量,根据所述历史歌单的特征数据确定所述历史歌单的第二向量以及根据所述用户的特征数据确定所述用户的第三向量;
获取各所述历史歌曲对所述历史歌单的第一权重值,并根据所述第一向量,第二向量以及第一权重值确定所述历史歌单的歌单向量;
获取所述历史歌单对所述用户的第二权重值,并根据所述歌单向量、第三向量以及第二权重值确定所述用户的用户向量;
根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
根据所述目标用户偏好确定所述用户的推荐歌单。
2.如权利要求1所述的歌单推荐方法,其特征在于,所述根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好的步骤包括:
根据所述用户向量以及所述预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的待选用户偏好;
获取所述歌曲在所述待选用户偏好下的偏好得分;
根据所述偏好得分确定所述歌曲的目标用户偏好。
3.如权利要求2所述的歌单推荐方法,其特征在于,所述获取所述歌曲在所述待选用户偏好下的偏好得分的步骤包括:
获取所述歌曲的歌曲向量以及所述待选用户偏好的偏好向量;
将所述用户向量与所述歌曲向量相加;
对相加后得到的向量与所述待选用户偏好的偏好向量进行相似性计算,以得到所述歌曲在所述待选用户偏好下的偏好得分。
4.如权利要求3所述的歌单推荐方法,其特征在于,所述获取所述待选用户偏好的偏好向量的步骤包括:
根据所述预设歌曲知识图谱确定所述待选用户偏好对应的关系;
根据所述关系的关系向量确定所述待选用户偏好的偏好向量。
5.如权利要求1所述的歌单推荐方法,其特征在于,所述根据所述目标用户偏好确定所述用户的推荐歌单的步骤包括:
获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分;
根据所述推荐得分确定所述用户的推荐歌单。
6.如权利要求5所述的歌单推荐方法,其特征在于,所述获取所述用户对所述歌曲在所述目标用户偏好下的推荐得分的步骤包括:
根据所述目标用户偏好的偏好向量确定所述目标用户偏好的偏好增强向量;
根据所述歌曲的歌曲向量确定所述歌曲的歌曲增强向量;
根据所述用户向量、所述偏好增强向量以及所述歌曲增强向量确定所述用户对所述歌曲在所述目标用户偏好下的推荐得分。
7.一种歌单推荐装置,其特征在于,所述歌单推荐装置包括:
获取模块,用于获取用户的历史歌单,并分别获取所述历史歌单的特征数据、所述历史歌单中所包含的各历史歌曲的特征数据以及所述用户的特征数据;
第一确定模块,用于根据各所述历史歌曲的特征数据确定各所述历史歌曲的第一向量,根据所述历史歌单的特征数据确定所述历史歌单的第二向量以及根据所述用户的特征数据确定所述用户的第三向量;
获取各所述历史歌曲对所述历史歌单的第一权重值,并根据所述第一向量,第二向量以及第一权重值确定所述历史歌单的歌单向量;
获取所述历史歌单对所述用户的第二权重值,并根据所述歌单向量、第三向量以及第二权重值确定所述用户的用户向量;
第二确定模块,用于根据所述用户向量以及预设歌曲知识图谱确定所述用户对所述预设歌曲知识图谱中的歌曲的目标用户偏好;
推荐模块,用于根据所述目标用户偏好确定所述用户的推荐歌单。
8.一种歌单推荐装置,其特征在于,所述歌单推荐装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的歌单推荐程序,所述歌单推荐程序被所述处理器执行时实现如权利要求1-6中任一项所述的歌单推荐方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有歌单推荐程序,所述歌单推荐程序被处理器执行时实现如权利要求1-6中任一项所述的歌单推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111047831.0A CN113836401B (zh) | 2021-09-07 | 2021-09-07 | 歌单推荐方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111047831.0A CN113836401B (zh) | 2021-09-07 | 2021-09-07 | 歌单推荐方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113836401A CN113836401A (zh) | 2021-12-24 |
CN113836401B true CN113836401B (zh) | 2024-03-22 |
Family
ID=78958680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111047831.0A Active CN113836401B (zh) | 2021-09-07 | 2021-09-07 | 歌单推荐方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836401B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021568A (zh) * | 2016-10-31 | 2018-05-11 | 北京酷我科技有限公司 | 一种歌单推荐方法及装置 |
CN108874998A (zh) * | 2018-06-14 | 2018-11-23 | 华东师范大学 | 一种基于混合特征向量表示的对话式音乐推荐方法 |
US10713289B1 (en) * | 2017-03-31 | 2020-07-14 | Amazon Technologies, Inc. | Question answering system |
CN112417203A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种歌曲推荐方法、终端和存储介质 |
CN112559795A (zh) * | 2020-11-03 | 2021-03-26 | 广州酷狗计算机科技有限公司 | 歌曲播放方法、歌曲推荐方法、装置及*** |
CN112765398A (zh) * | 2021-01-04 | 2021-05-07 | 珠海格力电器股份有限公司 | 一种信息推荐方法、装置及存储介质 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018232622A1 (en) * | 2017-06-21 | 2018-12-27 | Microsoft Technology Licensing, Llc | RECOMMENDATION OF MULTIMEDIA CONTENT THROUGH CONVERSATIONAL ROBOTS |
US10945012B2 (en) * | 2018-06-28 | 2021-03-09 | Pandora Media, Llc | Cold-start podcast recommendations |
-
2021
- 2021-09-07 CN CN202111047831.0A patent/CN113836401B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021568A (zh) * | 2016-10-31 | 2018-05-11 | 北京酷我科技有限公司 | 一种歌单推荐方法及装置 |
US10713289B1 (en) * | 2017-03-31 | 2020-07-14 | Amazon Technologies, Inc. | Question answering system |
CN108874998A (zh) * | 2018-06-14 | 2018-11-23 | 华东师范大学 | 一种基于混合特征向量表示的对话式音乐推荐方法 |
CN112559795A (zh) * | 2020-11-03 | 2021-03-26 | 广州酷狗计算机科技有限公司 | 歌曲播放方法、歌曲推荐方法、装置及*** |
CN112417203A (zh) * | 2020-11-18 | 2021-02-26 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种歌曲推荐方法、终端和存储介质 |
CN112765398A (zh) * | 2021-01-04 | 2021-05-07 | 珠海格力电器股份有限公司 | 一种信息推荐方法、装置及存储介质 |
CN113032618A (zh) * | 2021-03-26 | 2021-06-25 | 齐鲁工业大学 | 基于知识图谱的音乐推荐方法及*** |
Non-Patent Citations (3)
Title |
---|
Imen Ben Sassi 等.MORec: At the crossroads of context-aware and multi-criteria decision making for online music recommendation.《Expert Systems With Applications》.2021,第183卷1-20. * |
周纯伊.对话式音乐推荐技术及***实现.《中国优秀硕士学位论文全文数据库 信息科技辑》.2020,(第12期),I138-516. * |
饶子昀 等.应用知识图谱的推荐方法与***.《自动化学报》.2020,第47卷(第9期),2061-2077. * |
Also Published As
Publication number | Publication date |
---|---|
CN113836401A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189991B (zh) | 重复视频识别方法、装置、终端及计算机可读存储介质 | |
CN109783671B (zh) | 一种以图搜图的方法、计算机可读介质及服务器 | |
WO2019020049A1 (zh) | 一种图像检索方法、装置及电子设备 | |
WO2019127832A1 (zh) | 智能搜索方法、装置、终端及服务器、存储介质 | |
CN109168047B (zh) | 视频推荐方法、装置、服务器及存储介质 | |
CN110321537B (zh) | 一种文案生成方法和装置 | |
CN109284412B (zh) | 给音频数据配图的方法和装置 | |
CN102591868A (zh) | 用于拍照指南自动生成的***和方法 | |
CN112417381A (zh) | 应用于图像版权保护的快速定位侵权图像的方法及装置 | |
CN111708942B (zh) | 多媒体资源推送方法、装置、服务器及存储介质 | |
US20090013004A1 (en) | System and Method for the Characterization, Selection and Recommendation of Digital Music and Media Content | |
CN102959539B (zh) | 一种业务交叉时的项目推荐方法及*** | |
CN113268630B (zh) | 一种音频检索方法、设备及介质 | |
CN111444930B (zh) | 一种确定二分类模型的预测效果的方法及装置 | |
CN109271501B (zh) | 一种音频数据库的管理方法及*** | |
CN113836401B (zh) | 歌单推荐方法、装置及可读存储介质 | |
CN115129915A (zh) | 重复图像检索方法、装置、设备及存储介质 | |
CN113742578A (zh) | 一种数据推荐方法、装置、电子设备及存储介质 | |
CN117520645A (zh) | 基于金融产品的用户确定方法、装置以及电子设备 | |
CN112115354A (zh) | 信息处理方法、装置、服务器及存储介质 | |
CN117112852A (zh) | 一种大语言模型驱动的向量数据库检索方法及装置 | |
CN112115281A (zh) | 数据检索方法、装置及存储介质 | |
CN111738173A (zh) | 视频片段检测方法、装置、电子设备及存储介质 | |
CN111414863A (zh) | 一种增强型集成遥感影像分类方法 | |
CN114925286A (zh) | 舆情数据处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |