【技术实现步骤摘要】
本专利技术属于信息推荐系统，尤其涉及一种基于音乐用户位置上下文动态性的推荐方法及系统。
技术介绍
1、传统的神经网络主要适用于规则的数据结构，如向量或序列，而图数据结构中的节点和边之间存在复杂的关系，传统神经网络难以有效处理。图神经网络的出现填补了这一空白，使得神经网络可以直接在图结构上进行操作和学习。
2、在推荐系统领域，用户和物品之间的交互行为可以被表示为图结构，其中用户和物品是图的节点，用户与物品之间的交互则构成了图的边。传统的推荐方法往往只考虑用户的历史行为和物品的属性特征，而忽略了用户和物品之间的复杂关系。图神经网络技术可以有效地捕捉用户和物品之间的交互关系，利用图结构中的信息进行推荐任务。通过学习用户和物品在图结构中的表示，图神经网络可以实现更精准和个性化的推荐，从而提高推荐系统的性能和用户满意度。
3、通过上述分析，现有技术存在的问题及缺陷为：
4、(1)传统的图神经网络在处理动态图时，通常采用静态图的方法，将所有时间戳的图信息融合为一个静态图进行处理，而忽略了不同时间戳下用户和物品之间的关系变化。
5、(2)时间信息在用户行为的动态建模中起着重要作用，然而现有方法中对时间特征的处理存在不足。
6、(3)虽然考虑了用户的地理位置信息，但在现有方法中对地理位置信息的利用不够充分。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于音乐用户位置上下文动态性的推荐方法、系统。
2、本专利
3、s1，用于从数据集中收集用户的音乐收听记录、位置信息、时间信息数据；
4、s2，对音乐数据进行预处理，包括去除异常值、归一化处理；
5、s3，构建音乐用户位置上下文模块；
6、s4，构建动态图结构模型，基于用户音乐地理位置上下文构建动态图结构；
7、s5，构建优化的图卷积神经网络推荐模块，将时间特征和地理特征作为节点的属性特征输入到图神经网络中，与节点的其他特征一起进行学习；
8、s6，然后通过损失函数输出最终推荐结果。
9、进一步，所述对数据进行预处理：
10、对时间信息进行处理，通过unix时间戳将时间转换为适合模型处理的格式；将时间转换为时间戳的函数如下：
11、month＝datetime.fromtimestamp(t).month
12、{datetime.fromtimestamp}(t)表示将时间戳t转换为日期时间对象，然后通过取其月份属性得到月份值；
13、season＝seasons[month_to_season[month]]
14、其中{month_to_season}是一个字典，用于将月份映射到季节，{seasons}则是一个包含季节字符串的列表；其中，t是给定的时间戳，{month}是提取的月份，{season}是提取的季节；
15、在基于音乐用户地理位置上下文动态性的图神经网络中，对地理位置信息进行处理并进行地理编码作为特征嵌入；地理编码：将地理位置信息转换为具有语义含义的编码；
16、locationencoding＝geocode(user location)
17、这里{geocode}是地理编码函数，它将用户的地理位置转换为地理编码表示；将地理编码后的地理位置信息作为节点特征嵌入模型；
18、将地理编码转换为低维向量表示，假设有n个地理位置编码，第i个地理位置编码的低维向量表示为{location}_{{embedding}}^{(i)}$，则：
19、location(i)embedding＝[lat(i),lon(i)]
20、其中{lat}^{(i)}和{lon}^{(i)}分别表示第i个地理位置编码的纬度和经度。
21、进一步，所述基于用户音乐地理位置上下文构建动态图结构：
22、假设有一组用户u，一组音乐m，以及一组地理位置l，每个用户-音乐对(u,m)$在不同的地理位置和时间下存在多次听歌记录，需要构建动态图结构来表示这种关系；
23、(1)节点表示
24、节点集合v包括用户节点和音乐节点，表示为v＝u\cup m；
25、(2)边表示
26、对于每一个用户-音乐对(u,m)，假设在地理位置l和时间t下存在多次听歌记录，可以构建多条边连接用户节点u和音乐节点m，表示为：
27、eu,m＝{(u,m,l,t1),(u,m,l,t2),...,(u,m,l,tn)}
28、其中，n表示用户在地理位置l和时间t下听过音乐m的次数，(u,m,l,t_i)$表示一条边，表示用户u在地理位置l和时间t_i下听过音乐m；
29、(3)边权重表示。
30、进一步，所述边权重表示：
31、假设存在用户u、音乐m、地理位置l和时间t，则对应的边(u,m,l,t)的权重w可以表示为：
32、
33、其中，n表示用户在相同地理位置和时间下听过相同音乐的次数，w_i表示每次听歌记录的权重，可以是次数或持续时间；
34、根据节点集合v和边集合e，构建动态图g＝(v,e)。
35、进一步，所述构建优化的图卷积神经网络推荐模块，将时间特征和地理特征作为节点的属性特征输入到图神经网络中，与节点的其他特征一起进行学习：
36、tgconv层的创新之处在于将时间特征和地理特征动态地嵌入到图结构中并根据这些特征动态地调整图结构的权重；
37、
38、其中：h(l)是第l层的节点特征表示矩阵，维度为n×d，其中n是节点数，d是特征维度；
39、是第l层的邻接矩阵，根据时间特征和地理特征动态调整边的权重；对角线上的度矩阵；
40、w(l)是第l层的权重矩阵；
41、σ是激活函数，例如relu函数；在tgconv层中，通过调整的权重，实现了动态地感知时间和地理上下文的变化，从而提高了模型的性能；
42、通过将时间特征和地理特征融合到图卷积网络中，设计了一种新的特征融合机制，使得模型能够充分利用时间和地理信息，动态地调整图结构的权重，从而更准确地反映用户行为模式。
43、进一步，所述通过损失函数输出最终推荐结果：
44、使用交叉熵损失函数作为模型的损失函数；假设任务是一个分类任务，即预测用户是否喜欢某首歌曲；
45、交叉熵损失函数定义为：
46、
47、假设模型的输出为预测的用户对每首歌曲的喜好程度，使用softmax函数将输出转化为概率分布，然后计算交叉熵损失；假设有n个样本，k类输出，yij表示第i个样本属于第j类的真实标签(1表本文档来自技高网...
【技术保护点】
1.一种基于音乐用户位置上下文动态性的推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述对数据进行预处理：
3.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述基于用户音乐地理位置上下文构建动态图结构：
4.如权利要求3所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述边权重表示：
5.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述构建优化的图卷积神经网络推荐模块，将时间特征和地理特征作为节点的属性特征输入到图神经网络中，与节点的其他特征一起进行学习：
6.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述通过损失函数输出最终推荐结果：
7.一种实施如权利要求1-6任意一项所述基于音乐用户位置上下文动态性的推荐方法的基于音乐用户位置上下文动态性的推荐系统，其特征在于，所述基于音乐用户位置上下文动态性的推荐系统包括：
8.一种计算机设备，其特征在于，所述计
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于音乐用户位置上下文动态性的推荐方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述基于音乐用户位置上下文动态性的推荐系统。
...【技术特征摘要】
1.一种基于音乐用户位置上下文动态性的推荐方法，其特征在于，包括以下步骤：
2.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述对数据进行预处理：
3.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述基于用户音乐地理位置上下文构建动态图结构：
4.如权利要求3所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述边权重表示：
5.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述构建优化的图卷积神经网络推荐模块，将时间特征和地理特征作为节点的属性特征输入到图神经网络中，与节点的其他特征一起进行学习：
6.如权利要求1所述基于音乐用户位置上下文动态性的推荐方法，其特征在于，所述通过损失函数输出最终推荐结果：...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。