一种基于超图的音乐推荐方法与系统技术方案

本发明专利技术公开了一种基于超图的音乐推荐方法与系统，其构建步骤包括：数据采集，获取一定时间内多个用户的历史音乐收听记录进行数据预处理，得到训练集与测试集；超图模型的构建，使用超图数据结构对数据信息进行建模；嵌入生成，从超图数据模型中生成随机游走，并利用跳字模型学习超图顶点的嵌入，最后融合用户听歌当下的情景信息；模型的训练与生成推荐，利用所构建的超图音乐推荐方法，计算超图中每个顶点作为输入结点的上下文顶点的概率，预测用户任意时间感兴趣的音乐；模型评估，利用评价指标评估模型；通过构建基于超图的音乐推荐方法与系统，可以更好地捕捉音乐之间的复杂关联，提高推荐的精度和效率，提供更加个性化和多样化的音乐推荐

【技术实现步骤摘要】
一种基于超图的音乐推荐方法与系统


[0001]本专利技术涉及技术推荐领域，具体设计一种基于超图的音乐推荐方法与系统
。

技术介绍

[0002]当前在音乐推荐中常用的算法是协同过滤推荐算法，它通过挖掘用户的行为数据，找到用户之间的相似性和关联性，并据此推荐相应的音乐给用户
。
但随着数据量的增加，协同过滤算法在海量数据环境下面临越来越多的挑战
。
随着科技的进步，不同平台所生成的数据以指数级的速度不断增长，这种趋势也出现在音乐网站上
。
尽管每天都有更多的音乐上传到网站，但用户却不会对自己所有听过的音乐进行评分，导致音乐评分数据稀疏，影响音乐推荐系统的推荐效果
。
[0003]超图是一种数据结构，它扩展了图的概念，允许边连接多于两个节点，从而更好地表示复杂关系
。
在推荐系统中，超图可以用于建模更复杂的用户和物品之间的关联，从而提供更准确和个性化的推荐
。
然而，目前尚缺乏将超图
、
情景感知与音乐推荐相结合的研究，以提高音乐推挤的准确性和合理性
。
此外，情境感知可以考虑用户当前的环境
、
活动
、
心情等因素，从而更好地满足用户的需求
。
将情境感知与音乐推荐融合，可以使推荐系统更好地理解用户的偏好，进一步个性化推荐
。
[0004]因此，现有的音乐推荐方法存在数据稀疏性较大，未能捕捉用户的长期兴趣变化，并且在考虑推荐上下文方面存在不足，无法充分满足用户当前的需求
。
为了解决这些问题，本专利技术提出了一种基于超图的音乐推荐方法与系统，并且融合了用户当前的情境感知，以提高音乐推荐系统的准确性和用户满意度
。

技术实现思路

[0005]本专利技术提供的一种能够基于超图和融合用户情境感知的音乐推荐方法
。
通过综合应用超图构建和推理
、
情境感知的偏好学习，基于音乐数据集中所有用户的历史行为，实现对用户的个性化音乐推荐，提升用体验
。
[0006]本专利技术公开了一种基于超图的音乐推荐方法与系统，包含以下步骤：
[0007]步骤1：数据采集
。
将获取的音乐数据，获取一定时间内多个用户的历史音乐收听记录进行数据预处理，得到训练样本集与测试样本集
。
[0008]步骤2：超图模型构建
。
基于步骤1获取的训练集，使用超图数据结构对数据信息进行建模
。
[0009]步骤3：嵌入生成
。
从超图数据模型中生成随机游走，并利用跳字模型学习超图顶点的嵌入，最后融合用户听歌当下的情景信息
。
[0010]步骤4：模型的训练与生成推荐
。
基于给定的音乐数据库，利用所构建的超图音乐推荐方法，计算超图中每个顶点作为输入结点的上下文顶点的概率，预测用户任意时间感兴趣的音乐
。
[0011]步骤5：模型评估
。
通过相应评价指标评价模型的预测精度，检验所拟合模型的充
分性
。
[0012]进一步的，所述步骤1中数据采集的具体方法包括：
[0013]获取一定时间内多个用户的历史音乐收听记录
H
＝
{H1,
…
,H
u
,
…
,H
U
}
，是用户
u∈U
的音乐收听记录，
t
i
是
m
i
∈M
的时间戳，
U
和
M
分别表示用户集合和音乐集合，并且将对应音乐相关系的专辑和歌手集合记为
A
和
S
，将对应音乐相关的标签属性记为
T。
[0014]进一步的，所述步骤2中超图模型构建的具体方法包括：
[0015]超图的定义：，其中：
V
是一组顶点集，
E
是一组超图的带有索引的超边集
。
[0016]V
由以下不同的实体构成：
[0017]M
：歌曲集；
U
：用户集；
S
：歌手；
A
：专辑；
T
：标签
[0018]顶点的集合定义为
V
＝
M∪U∪S∪A∪T
，其中
M
为歌曲集，
U
为用户集，
S
为歌手集，
A
为专辑集，
T
为类别集，
[0019]根据不同实体之间的不同关系，可以定义以下的超边
E
：
[0020]E
UM
：歌手音乐视角，即一位用户和其听过的所有歌曲之间的关系
[0021]E
AM
：专辑音乐视角，即一张专辑和其拥有所有的歌曲之间的关系
[0022]E
SA
：歌手专辑视角，即一位歌手和其发布过的专辑之间的关系
[0023]E
TM
：标签音乐视角，即一种歌曲类别和其所属的歌曲之间的关系
[0024]超边
e
i
∈E
是由有序对定义的，其中为其“头部”，为其“尾部”；是顶点的集合，是顶点的集合，是构成整个超边的顶点的子集
。
[0025]进一步的，所述步骤3嵌入生成的具体方法包括：
[0026]步骤
3.1、
首先使用随机游走生成器，为每个顶点创建一个游走，然后随机选择以顶点
v∈V
为尾部的超边
e∈E
，评估从该顶点
v
跳跃到另一条超边的概率
p
，具体公式为：
[0027][0028]其中，
α
,
β
≥0
为超参数
。
[0029]步骤
3.2、
使用跳字模型从生成的游走中学习顶点嵌入
。
在本专利技术中，将超边的顶点被视为单词
、
随机游走视为句子
。
将超图所有的结点组成跳字模型的词汇表，然后将每一个结点表示为一个大小为
|V|
的
one
‑
hot
编码，第
i
个位置对应与第
i
个结点，则设置第
i
个值为1，否则为
0。
[0030]步骤
3.2、
融合情景信息，首先融合时间情景，提出时间效应函数，公式如下：
[0031][0032]其中，
t
i
表示用户当前时间听歌与其最后听歌时间的相差天数
。...

【技术保护点】

【技术特征摘要】
1.
一种基于超图的音乐推荐方法与系统，其特征在于包括以下步骤：步骤1：数据采集；将获取的音乐数据，获取一定时间内多个用户的历史音乐收听记录进行数据预处理，得到训练样本集与测试样本集；步骤2：超图模型构建；基于步骤1获取的训练集，使用超图数据结构对数据信息进行建模；步骤3：嵌入生成；从超图数据模型中生成随机游走，并利用跳字模型学习超图顶点的嵌入，最后融合用户听歌当下的情景信息；步骤4：模型的训练与生成推荐；基于给定的音乐数据库，利用所构建的超图音乐推荐方法，计算超图中每个顶点作为输入结点的上下文顶点的概率，预测用户任意时间感兴趣的音乐；步骤5：模型评估；通过相应评价指标评价模型的预测精度，检验所拟合模型的充分性
。2.
根据权利要求1所述的一种基于超图的音乐推荐方法与系统，其特征在于步骤1中，所述数据采集具体步骤为：获取一定时间内多个用户的历史音乐收听记录
H
＝
{H1,
···
,H
u
,
···
,H
U
}
，是用户
u∈U
的音乐收听记录，
t
i
是
m
i
∈M
的时间戳，
U
和
M
分别表示用户集合和音乐集合，并且将对应音乐相关系的专辑和歌手集合记为
A
和
S
，将对应音乐相关的标签属性记为
T。3.
根据权利要求1所述的一种基于超图的音乐推荐方法与系统，其特征在于步骤2中，所述超图模型构建具体步骤为：超图的定义：
H
＝
(V,E{e
i
:i∈I})
，其中：
V
是一组顶点集，
E
是一组超图的带有索引的超边集；
V
由以下不同的实体构成：
M
：歌曲集；
U
：用户集；
S
：歌手；
A
：专辑；
T
：标签顶点的集合定义为
V
＝
M∪U∪S∪A∪T
，其中
M
为歌曲集，
U
为用户集，
S
为歌手集，
A
为专辑集，
T
为类别集，根据不同实体之间的不同关系，可以定义以下的超边
E
：
E
UM
：歌手音乐视角，即一位用户和其听过的所有歌曲之间的关系
E
AM
：专辑音乐视角，即一张专辑和其拥有所有的歌曲之间的关系
E
SA
：歌手专辑视角，即一位歌手和其发布过的专辑之间的关系
E
TM
：标签音乐视角，即一种歌曲类别和其所属的歌曲之间的关系超边
e
i
∈E
是由有序对定义的，其中为其“头部”，为其“尾部”；是顶点的集合，是顶点的集合，是构成整个超边的顶点的子集
。4.
根据权利要求1所述的一种基于超图的音乐推荐方法与系统，其特征在于步骤2中，所述嵌入生成构建具体步骤为：步骤
3.1、
首先使用随机游走生成器，为每个顶点创建一个游走，然后随机选择以顶点
v∈V
为尾部的超边
e∈E
，评估从该顶点
v
跳跃到另一条超边的...

【专利技术属性】
技术研发人员：陈平华，谢林泽，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：