本發(fā)明屬于數(shù)據(jù)挖掘及推薦技術(shù)領(lǐng)域，具體涉及一種基于圖嵌入模型的上下文感知音樂推薦方法。

背景技術(shù)：

隨著數(shù)字音樂產(chǎn)業(yè)的發(fā)展，出現(xiàn)了越來越多的在線數(shù)字音樂提供商，允許用戶可以隨時(shí)隨地收聽喜歡的音樂，例如蘋果在線音樂商店提供了超過3000萬首數(shù)字音樂。同時(shí)，海量的音樂數(shù)據(jù)增加了用戶尋找其感興趣的音樂的難度。此外，用戶的聽歌喜好通常會(huì)隨著時(shí)間、空間、天氣、身體狀況不同而變化，傳統(tǒng)的音樂推薦系統(tǒng)已不適用于個(gè)性化移動(dòng)網(wǎng)絡(luò)服務(wù)領(lǐng)域。近年來，基于上下文感知的混合音樂推薦系統(tǒng)通過將上下文信息和輔助信息引入推薦系統(tǒng)，成為一個(gè)新興的研究領(lǐng)域。在研究中發(fā)現(xiàn)，把上下文信息和輔助信息融入推薦系統(tǒng)，相當(dāng)于把傳統(tǒng)的“用戶-項(xiàng)目”二維評分效用模型擴(kuò)展為包含多種上下文信息和輔助信息的多維評分效用模型，有利于提高推薦精確度。因此基于上下文感知的混合音樂推薦系統(tǒng)具有重要的研究意義。

目前，上下文感知的音樂混合推薦方法通常采用了“多維推薦”轉(zhuǎn)化為“二維推薦”的設(shè)計(jì)思路，在推薦結(jié)果生成之前、生成之后或者生成的過程中，利用當(dāng)前上下文信息過濾掉與當(dāng)前上下文信息不匹配的數(shù)據(jù)，同時(shí)采用傳統(tǒng)二維推薦技術(shù)(包含協(xié)同過濾、基于內(nèi)容的過濾、基于知識的過濾、混合式過濾等)生成推薦結(jié)果。因?yàn)槔昧藗鹘y(tǒng)推薦系統(tǒng)的成熟技術(shù)，此類方法成為目前應(yīng)用最廣的上下文感知推薦方法。

然而，現(xiàn)有技術(shù)在音樂與用戶的匹配過程只考慮了用戶的上下文信息和部分輔助，缺乏對音樂內(nèi)容的深層解析，認(rèn)為所有音樂都是同質(zhì)的，音樂的不同屬性來自用戶在不同情境下對音樂具有的不同喜好程度，即由音樂的用戶屬性對不同音樂進(jìn)行差異化區(qū)分，從而忽略了音樂作為一類多媒體文件，其自身具有的上下文屬性。這種推薦方法過于主觀，降低了用戶與音樂的耦合性，而且沒有結(jié)合音樂的輔助信息，例如音樂的播放序列和元數(shù)據(jù)，從而對推薦系統(tǒng)的精度有所影響。在很多場景下，用戶的收聽上下文往往會(huì)主導(dǎo)用戶的需求，例如用戶的全局偏好包括搖滾樂和純音樂，但是用戶在晚上休息的時(shí)候，會(huì)更喜歡后者。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)所存在的上述技術(shù)問題，本發(fā)明提供了一種基于圖嵌入模型的上下文感知音樂推薦方法，能夠讓推薦的音樂符合用戶的實(shí)時(shí)需求和偏好。

一種基于圖嵌入模型的上下文感知音樂推薦方法，包括如下步驟：

(1)收集用戶的完整音樂收聽序列以及所有音樂的標(biāo)簽信息；所述完整音樂收聽序列包含用戶歷史對于音樂的每條收聽記錄，所述標(biāo)簽信息包括音樂的演唱者(或演奏者)、所屬專輯和曲風(fēng)類型；

(2)根據(jù)所有用戶的完整音樂收聽序列以及所有音樂的元數(shù)據(jù)，建立包含用戶-音樂交互圖、音樂-音樂轉(zhuǎn)移圖和音樂-標(biāo)簽知識圖的異構(gòu)信息模型；

(3)根據(jù)所述異構(gòu)信息模型建立以下目標(biāo)函數(shù)L：

其中：表示音樂-音樂轉(zhuǎn)移圖中音樂m_i與音樂m_j之間邊線的權(quán)重，表示音樂m_i與音樂m_j的間接關(guān)系權(quán)重，p(m_i,m_j)表示音樂m_i和音樂m_j被一起收聽的概率，M表示由所有音樂組成的樂庫；

(4)對上述目標(biāo)函數(shù)L進(jìn)行最小化求解，以求得樂庫M中每首音樂的特征向量；

(5)對用戶完整音樂收聽序列中所有收聽記錄對應(yīng)的音樂特征向量求平均，得到用戶的全局音樂興趣向量；

(6)從用戶完整音樂收聽序列中提取當(dāng)前時(shí)刻之前一段時(shí)間內(nèi)的收聽記錄組成近期音樂收聽序列；進(jìn)而對近期音樂收聽序列中所有收聽記錄對應(yīng)的音樂特征向量求平均，得到用戶的上下文音樂興趣向量；

(7)根據(jù)每首音樂的特征向量以及用戶的全局音樂興趣向量和上下文音樂興趣向量，計(jì)算出用戶對于每首音樂的興趣值；進(jìn)而根據(jù)興趣值對樂庫中的所有音樂從大到小排序，并提取興趣值最大的若干首音樂推薦給用戶。

所述用戶-音樂交互圖中用戶與音樂之間通過邊線連接，其中用戶u與音樂m_j之間邊線的權(quán)重t_u，mj為用戶u收聽音樂m_j的次數(shù)，u∈U，U表示由所有用戶組成的用戶集群。

所述音樂-音樂轉(zhuǎn)移圖中音樂與音樂之間通過邊線連接，其中音樂m_i與音樂m_j之間邊線的權(quán)重t_mi，mj為音樂m_i和音樂m_j被一起收聽的次數(shù)，即在同一完整音樂收聽序列中若音樂m_i與音樂m_j對應(yīng)的收聽記錄在一定間隔范圍內(nèi)，則判定音樂m_i和音樂m_j被同時(shí)收聽。

所述音樂-標(biāo)簽知識圖中音樂與標(biāo)簽之間通過邊線連接，其中音樂m_j與標(biāo)簽d之間邊線的權(quán)重t_d，mj為音樂m_j被賦予標(biāo)簽d的次數(shù)，d∈D，D表示由所有標(biāo)簽組成的標(biāo)簽庫。

所述間接關(guān)系權(quán)重的表達(dá)式如下：

其中：為用戶-音樂交互圖中音樂m_i的所有邊線權(quán)重組成的向量，為用戶-音樂交互圖中音樂m_j的所有邊線權(quán)重組成的向量，為音樂-標(biāo)簽知識圖中音樂m_i的所有邊線權(quán)重組成的向量，為音樂-標(biāo)簽知識圖中音樂mj的所有邊線權(quán)重組成的向量，cos(A,B)表示向量A和向量B的余弦相似度，表示兩個(gè)向量的拼接操作。

所述概率p(m_i,m_j)的表達(dá)式如下：

其中：和分別為音樂m_i和音樂m_j的特征向量，^T表示向量轉(zhuǎn)置。

所述步驟(7)中通過以下公式計(jì)算用戶對于每首音樂的興趣值：

其中：x_u,i為用戶u對于音樂m_i的興趣值，和分別為音樂m_i和音樂m_j的特征向量，v_u為用戶u的全局音樂興趣向量，z_u為用戶u的上下文音樂興趣向量，^T表示向量轉(zhuǎn)置，u∈U，U表示由所有用戶組成的用戶集群。

本發(fā)明首次利用圖嵌入模型從用戶的播放數(shù)據(jù)和音樂的元數(shù)據(jù)中獲取音樂的特征向量和用戶的全局興趣特征向量，為音樂特征提取困難提供了一種可靠的解決方法；本發(fā)明根據(jù)用戶的播放記錄中的音樂的特征向量獲取用戶的全局音樂興趣和上下文音樂興趣，為用戶的興趣的提取和建模困難的問題提供了一種可行的思路；綜合考慮用戶全局興趣和上下文興趣的推薦方法，本發(fā)明能夠使得推薦的音樂更符合目標(biāo)用戶當(dāng)前的偏好，從而減少用戶的搜索成本并提高用戶的滿意度。

附圖說明

圖1為本發(fā)明音樂推薦方法的系統(tǒng)架構(gòu)示意圖。

圖2為本發(fā)明音樂推薦方法中用戶音樂偏好預(yù)測的流程示意圖。

圖3為本發(fā)明音樂推薦方法中利用用戶播放數(shù)據(jù)和音樂的元數(shù)據(jù)構(gòu)建信息異構(gòu)模型的示意圖。

具體實(shí)施方式

為了更為具體地描述本發(fā)明，下面結(jié)合附圖及具體實(shí)施方式對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。

本發(fā)明基于圖嵌入模型的上下文感知的音樂推薦方法，包括以下步驟：

(1)收集用戶的完整音樂播放數(shù)據(jù)和所有音樂的元數(shù)據(jù)，完整音樂播放數(shù)據(jù)包含用戶歷史對于音樂的每條播放記錄，音樂的元數(shù)據(jù)包括歌手信息、專輯信息和標(biāo)簽信息。

(2)根據(jù)所有用戶的完整音樂播放數(shù)據(jù)和所有音樂的元數(shù)據(jù)構(gòu)建異構(gòu)信息模型，如圖3所示，異構(gòu)信息模型包括用戶-音樂交互圖、音樂-音樂轉(zhuǎn)移圖和音樂-元數(shù)據(jù)知識圖。

用戶-音樂交互圖中，用戶u_i和音樂m_j之間的邊權(quán)重為其中t是用戶u_i播放音樂m_j的次數(shù)；音樂-音樂轉(zhuǎn)移圖中，音樂m_i和m_j之間的邊的權(quán)重為其中t是音樂m_i和m_j一起播放的次數(shù)；音樂-元數(shù)據(jù)知識圖中，音樂m_i和元數(shù)據(jù)d_j之間的邊的權(quán)重為其中t是音樂m_i被賦予元數(shù)據(jù)d_j的次數(shù)。

(3)利用圖嵌入模型處理異構(gòu)信息圖，將每首音樂表示為特征向量，該圖嵌入模型的目標(biāo)函數(shù)公式為：

其中，Em,m表示音樂-音樂轉(zhuǎn)移圖中的所有邊，表示Em,m中音樂m_i和m_j之間的邊的權(quán)重，p(m_i,m_j)表示音樂m_i和m_j被一起播放的概率，定義為：

其中，其中：和分別表示音樂m_i和m_j的特征向量，^T表示轉(zhuǎn)置。

表示音樂m_i和m_j在音樂-用戶交互圖和音樂-元數(shù)據(jù)知識圖中的間接關(guān)系權(quán)重，定義為：

其中：表示m_i在用戶-音樂交互圖中的相鄰節(jié)點(diǎn)權(quán)重向量，表示m_i在音樂-元數(shù)據(jù)知識圖中的相鄰節(jié)點(diǎn)權(quán)重向量，cos(·,·)是兩個(gè)向量的余弦相似度，表示兩個(gè)向量的拼接操作。

(4)通過最小化目標(biāo)函數(shù)O即可得到每首音樂m的特征向量其中，具有相似播放上下文(在播放序列中m前面及后面的音樂)的音樂具有相似的特征向量，具有相似收聽用戶或者相似元數(shù)據(jù)的音樂具有相似的特征向量。此處可根據(jù)對效率和準(zhǔn)確度的要求指定向量的維度，從而獲得合適的特征向量(利用高維度特征向量的推薦結(jié)果更準(zhǔn)確，而低維度特征向量的計(jì)算效率更高)。

(5)對用戶的完整音樂播放數(shù)據(jù)中各條記錄所對應(yīng)的音樂的特征向量求平均，得到用戶的全局音樂興趣向量；從用戶完整音樂播放數(shù)據(jù)中提取當(dāng)前時(shí)刻之前一段時(shí)間內(nèi)的播放記錄組成近期音樂播放序列，進(jìn)而對近期音樂播放序列中各條播放記錄所對應(yīng)音樂的特征向量求平均，得到用戶的上下文音樂興趣向量。

(6)根據(jù)用戶的全局興趣向量和上下文興趣向量，計(jì)算目標(biāo)用戶u對音樂m_i的興趣，計(jì)算公式如下：

其中：u表示目標(biāo)用戶，m_i是音樂庫中的某首音樂；是用戶的全局興趣向量，是用戶的上下文興趣向量；是音樂m_i的特征向量，M是音樂庫。

(7)利用上步的計(jì)算結(jié)果對所有音樂進(jìn)行排序，把前N個(gè)推薦給目標(biāo)用戶u，排序的計(jì)算公式如下：

其中：u表示目標(biāo)用戶；m_i和m_j是音樂庫中的音樂；是用戶的全局興趣向量，是用戶的上下文興趣向量。

圖1所示了本實(shí)施方式基于圖嵌入模型的上下文感知的音樂推薦方法的架構(gòu)。該推薦方法分為兩個(gè)主要模塊：預(yù)處理模塊和預(yù)測模塊。預(yù)處理模塊中，首先獲取用戶的所有播放數(shù)據(jù)和元數(shù)據(jù)并構(gòu)建異構(gòu)信息圖；再利用圖嵌入模型從異構(gòu)信息圖中提取音樂的特征向量。在預(yù)測模塊中，首先從目標(biāo)用戶完整播放記錄和近期播放記錄中獲取用戶的全局音樂興趣和上下文音樂興趣；然后根據(jù)用戶的全局興趣和上下文興趣給用戶推薦推薦合適的音樂。

圖2展示了用戶偏好預(yù)測的詳細(xì)步驟，其首先獲取用戶的完整播放記錄和近期播放記錄，并從中提取用戶的全局音樂興趣和上下文音樂興趣，然后利用用戶的全局興趣和上下文興趣，計(jì)算目標(biāo)用戶u對音樂m_i的興趣。

上述對實(shí)施例的描述是為便于本技術(shù)領(lǐng)域的普通技術(shù)人員能理解和應(yīng)用本發(fā)明。熟悉本領(lǐng)域技術(shù)的人員顯然可以容易地對上述實(shí)施例做出各種修改，并把在此說明的一般原理應(yīng)用到其他實(shí)施例中而不必經(jīng)過創(chuàng)造性的勞動(dòng)。因此，本發(fā)明不限于上述實(shí)施例，本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明的揭示，對于本發(fā)明做出的改進(jìn)和修改都應(yīng)該在本發(fā)明的保護(hù)范圍之內(nèi)。