一种基于混合特征向量表示的对话式音乐推荐方法技术

本发明专利技术公开了一种基于混合特征向量表示的对话式音乐推荐方法，通过用户历史听歌数据表示为用户‑待推荐音乐实体的二维矩阵，并进行分解得到用户行为特征向量和音乐行为特征向量，通过利用翻译模型处理音乐知识图谱，为每个待推荐音乐实体得到特征向量表示，记为音乐知识特征向量，然后采用拼接的方式对不同来源的特征向量进行融合，扩大了向量空间，较好地保留了各个隐向量维度的语义信息。同时基于Bandit算法的实时推荐可以逐步推算出用户的偏好，且Bandit算法的执行逻辑符合交互式场景。这样实现了实时推荐，且对上下文信息、用户需求和反馈能良好处理。

A Dialogue Music Recommendation Method Based on Hybrid Eigenvector Representation

The invention discloses a dialogical music recommendation method based on mixed eigenvector representation. The user's history listening data is expressed as a two-dimensional matrix of the music entity to be recommended, and the user's behavior eigenvector and music behavior eigenvector are decomposed to obtain the user's behavior eigenvector, and the music knowledge map is processed by using the translation model. For each music entity to be recommended, the feature vectors are obtained and recorded as the feature vectors of music knowledge. Then the feature vectors from different sources are fused by splicing method, which enlarges the vector space and preserves the semantic information of each hidden vector dimension. At the same time, real-time recommendation based on Bandit algorithm can gradually deduce user preferences, and the execution logic of Bandit algorithm conforms to interactive scenarios. In this way, real-time recommendation is realized, and context information, user needs and feedback can be handled well.

【技术实现步骤摘要】
一种基于混合特征向量表示的对话式音乐推荐方法
本专利技术属于数据挖掘中的音乐推荐
，更为具体地讲，涉及应用场景为人机对话场景的一种基于混合特征向量表示的对话式实时音乐推荐方法。
技术介绍
听音乐已经成为现代人的一种非常常见的娱乐方式，随着音乐流媒体的发展，人们随时随地都能享受音乐。但网络上海量的音乐资源也带来了信息过载问题，用户难以从海量音乐资源中找到自己喜欢的音乐。因此需要音乐推荐系统来挖掘用户的偏好，主动为用户推荐其可能感兴趣的音乐。一个好的音乐推荐系统既能提升用户体验，也能帮助商家盈利，达到用户和商家的双赢。当前，国内外许多知名互联网公司也已经将音乐推荐系统应用到产品当中，并获得了可观的回报。音乐推荐作为一类很有代表性的研究领域，具有推荐音乐种类繁多、实时性强、上下文信息丰富、消费代价低以及允许重复消费等特性。学术界和工业界针对音乐推荐也已有多年的研究与实践经验，取得了不俗的表现。但用户的音乐偏好容易受上下文信息影响，实时性比较强，而传统的音乐推荐技术着眼于离线场景，不支持与用户的实时交互，不能很好地满足用户的实时音乐需求。而随着时代的变迁与技术的变革，人工智能催生了许多全新应用场景，对话系统便是其中极具代表性的方向之一。此外，近些年，知识图谱的出现也让各类互联网技术迈入了新的台阶。对话系统和知识图谱技术的发展为设计满足用户实时偏好的对话式音乐推荐方法，构建基于音乐知识图谱的对话式音乐推荐系统提供了更多的研究思路与方法。目前存在几类对话式推荐方法，但是其反馈方式和应用场景均单一，不能实现在人机对话场景下的实时音乐推荐。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于混合特征向量表示的对话式音乐推荐方法，该方法实现对话场景下的基于音乐知识图谱的对话式音乐推荐，即在人机对话的场景下，实时获取用户对音乐的偏好，并结合音乐知识图谱来建模用户的长短期偏好，及时给予上下文感知的推荐结果，以实现实时推荐，且对上下文信息、用户需求和反馈能良好处理。为实现上述专利技术目的，本专利技术基于混合特征向量表示的对话式音乐推荐方法，其特征在于，包括以下步骤：(1)、将用户历史听歌数据表示为用户-待推荐音乐实体的二维矩阵M，二维矩阵M中的每一项表示一个用户与一待推荐音乐实体的交互次数；利用矩阵分解模型分解二维矩阵M，得到的每一用户的隐向量和每一待推荐音乐实体的隐向量，分别记为用户行为特征向量和音乐行为特征向量；利用翻译模型处理音乐知识图谱，得到每一待推荐音乐实体的特征向量表示，记为音乐知识特征向量；将每一待推荐音乐实体的音乐行为特征向量与音乐知识特征向量进行拼接，得到每一待推荐音乐实体的音乐混合特征向量，将每一用户的用户行为特征向量拼接上与音乐知识特征向量长度相等的0向量，得到每一用户的用户混合特征向量；所有用户的混合特征向量以及所有待推荐音乐实体的混合特征向量构成用户与音乐混合特征向量池；(2)、从人机对话内容中识别当前用户需求，并根据当前用户需求，从音乐知识图谱中提取符合需求的目标(待推荐)音乐实体，并构成候选目标音乐实体集合；(3)、从用户与音乐混合特征向量池中，获取当前用户的混合特征向量和候选目标音乐实体集合中各待推荐音乐实体的混合特征向量；(4)、根据当前用户的混合特征向量和候选目标音乐实体集合中各目标音乐实体的混合特征向量，基于Bandit算法进行实时推荐，得到候选目标音乐实体集合中各目标音乐实体的得分，并将得分最高的目标音乐实体推荐给当前用户。本专利技术的目的是这样实现的。本专利技术基于混合特征向量表示的对话式音乐推荐方法，通过用户历史听歌数据表示为用户-待推荐音乐实体的二维矩阵，并进行分解得到用户行为特征向量和音乐行为特征向量，通过利用翻译模型处理音乐知识图谱，为每个待推荐音乐实体得到特征向量表示，记为音乐知识特征向量，然后采用拼接的方式对不同来源的特征向量进行融合，扩大了向量空间，较好地保留了各个隐向量维度的语义信息。同时基于Bandit算法的实时推荐可以逐步推算出用户的偏好，且Bandit算法的执行逻辑符合交互式场景。这样实现了实时推荐，且对上下文信息、用户需求和反馈能良好处理。附图说明图1是本专利技术基于混合特征向量表示的对话式音乐推荐方法一种具体实施方式的流程图；图2是本专利技术基于翻译和矩阵分解模型的混合特征向量表示的流程图；具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。针对目前的几类对话式推荐方法存在反馈方式和应用场景均单一，不能实现在人机对话场景下进行实时音乐推荐的问题。本专利技术的目的是实现对话场景下的基于知识图谱的实时音乐推荐，即在人机对话的场景下，实时获取用户对音乐的偏好，并结合知识图谱来建模用户的长短期偏好，及时给予上下文感知的推荐结果。此类应用场景要求推荐技术能够实现实时推荐，且对上下文信息、用户需求和反馈能良好处理。为实现上述专利技术目的，本专利技术提出了一种基于混合特征向量表示的实时音乐推荐方法。在推荐方法层面，主要分为两个模块：混合特征向量表示模块和基于Bandit算法的实时推荐模块。此两个模块以pipeline的方式结合执行，首先基于混合特征向量表示方法获得每一用户和每一待推荐音乐实体的混合特征向量表示，然后将当前用户的混合特征向量以及每一待推荐音乐实体的混合特征向量用于Bandit算法中，为用户提供实时音乐推荐。在本专利技术中，输入数据涉及两部分：用户历史听歌数据和音乐知识图谱(MusicalKnowledgeGraph，MKG)，分别利用矩阵分解模型进行分解和翻译模型进行处理，并对得到的特征向量进行混合这里我们利用基于翻译模型(trans系列)和矩阵分解模型的混合表示方法得到用户和音乐实体的混合特征向量表示。这样采用混合技术，对用户听歌历史数据和音乐知识图谱采用不同的技术处理得到特征向量表示，进一步将不同来源的特征向量融合到一起形成混合特征向量来表示用户的长短期偏好，用于后续的bandit实时推荐算法中。Bandit算法是强化学习(ReinforcementLearning)技术的子类，是一类优秀的在线推荐算法，现多用于高度动态变化的领域，如新闻推荐等。本专利技术基于Bandit算法在线多轮的交互，为用户提供实时推荐结果。对于用户听歌历史数据，由于听歌记录中只有用户与待推荐音乐实体交互的次数，是一种隐式反馈行为，因此，在本实施例中采用基于协同过滤处理隐式数据的矩阵分解模型WMF(WeightedMatrixFactorization)来挖掘用户的长期偏好。图1是本专利技术基于混合特征向量表示的对话式音乐推荐方法一种具体实施方式的流程图。在本实施例中，如图1所示，本专利技术基于混合特征向量表示的对话式音乐推荐方法包括以下步骤：步骤S1：混合特征向量表示在本实施例中，如图2所示，混合特征向量表示进一步包括：步骤S1.1：构建用户-待推荐音乐实体的二维矩阵将用户历史听歌数据表示为用户-待推荐音乐实体的二维矩阵M，二维矩阵M中的每一项表示一个用户与一待推荐音乐实体的交互次数。待推荐音乐实体可以是歌曲、专辑、歌手、风格。在本实施例中，以歌曲作本文档来自技高网...

【技术保护点】
1.一种基于混合特征向量表示的对话式音乐推荐方法，其特征在于，包括以下步骤：(1)、将用户历史听歌数据表示为用户‑待推荐音乐实体的二维矩阵M，二维矩阵M中的每一项表示一个用户与一待推荐音乐实体的交互次数；利用矩阵分解模型分解二维矩阵M，得到的每一用户的隐向量和每一待推荐音乐实体的隐向量，分别记为用户行为特征向量和音乐行为特征向量；利用翻译模型处理音乐知识图谱，得到每一待推荐音乐实体的特征向量表示，记为音乐知识特征向量；将每一待推荐音乐实体的音乐行为特征向量与音乐知识特征向量进行拼接，得到每一待推荐音乐实体的音乐混合特征向量，将每一用户的用户行为特征向量拼接上与音乐知识特征向量长度相等的0向量，得到每一用户的用户混合特征向量；所有用户的混合特征向量以及所有待推荐音乐实体的混合特征向量构成用户与音乐混合特征向量池；(2)、从人机对话内容中识别当前用户需求，并根据当前用户需求，从音乐知识图谱中提取符合需求的目标(待推荐)音乐实体，并构成候选目标音乐实体集合；(3)、从用户与音乐混合特征向量池中，获取当前用户的混合特征向量和候选目标音乐实体集合中各待推荐音乐实体的混合特征向量；(4)、根据当前用户的混合特征向量和候选目标音乐实体集合中各目标音乐实体的混合特征向量，基于Bandit算法进行实时推荐，得到候选目标音乐实体集合中各目标音乐实体的得分，并将得分最高的目标音乐实体推荐给当前用户。...

【技术特征摘要】
1.一种基于混合特征向量表示的对话式音乐推荐方法，其特征在于，包括以下步骤：(1)、将用户历史听歌数据表示为用户-待推荐音乐实体的二维矩阵M，二维矩阵M中的每一项表示一个用户与一待推荐音乐实体的交互次数；利用矩阵分解模型分解二维矩阵M，得到的每一用户的隐向量和每一待推荐音乐实体的隐向量，分别记为用户行为特征向量和音乐行为特征向量；利用翻译模型处理音乐知识图谱，得到每一待推荐音乐实体的特征向量表示，记为音乐知识特征向量；将每一待推荐音乐实体的音乐行为特征向量与音乐知识特征向量进行拼接，得到每一待推荐音乐实体的音乐混合特征向量，将每一用户的用户行为特征向量拼接上与音乐知识特征向量长度相等的0向量，得到每一用户的用户混合特征向量；所有用户的混合特征向量以及所有待推荐音乐实体的混合特征向量构成用户与音乐混合特征向量池；(2)、从人机对话内容中识别当前用户需求，并根据当前用户需求，从音乐知识图谱中提取符合需求的目标(待推荐)音乐实体，并构成候选目标音乐实体集合；(3)、从用户与音乐混合特征向量池中，获取当前用户的混合特征向量和候选目标音乐实体集合中各待推荐音乐实体的混合特征向量；(4)、根据当前用户的混合特征向量和候选目标音乐实体集合中各目标音乐实体的混合特征向量，基于Bandit算法进行实时推荐，得到候选目标音乐实体集合中各目标音乐实体的得分，并将得分最高的目标音乐实体推荐给当前用户。2.根据权利要求1所述的基于混合特征向量表示的对话式音乐推荐方法，其特征在于，还包括以下步骤(5)、获得该...

【专利技术属性】
技术研发人员：王晓玲，靳远远，周纯伊，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：上海,31