[发明专利]一种基于收听上下文的音乐推荐方法

说明书

本发明提供了一种在音乐推荐中结合用户收听上下文提高音乐推荐效果的方法，主要是利用神经语言模型从用户的音乐收听序列中提取音乐的特征向量，再从用户的完整收听序列和最近收听子序列中提取用户的全局兴趣和收听上下文兴趣，最后在推荐的时候综合考虑用户的全局兴趣和当前收听上下文兴趣，从而能够让推荐的音乐符合用户的实时需求和偏好。

技术领域

本发明涉及数据挖掘与推荐系统领域，主要涉及一种基于收听上下文的音乐推荐方法。

背景技术

随着互联网应用的发展，推荐系统也越来越受到大家的关注，并且在工业界以及学术界都取得了巨大的成功。传统单一维度的推荐系统已经不能满足用户个性化的需求，而上下文相关的推荐系统不仅能够较好的帮助用户解决信息过载的问题，而且能够更加充分的挖掘用户的随时间、环境等上下文而变化的特定需求。然而在基于上下文推荐系统的设计中，对用户上下文(尤其是情感上下文)的提取、建模以及与推荐系统的结合的策略较少且不够成熟，因此已有推荐系统算法没有结合收听上下文信息。但是在很多场景下，用户的收听上下文往往会主导用户的需求，例如用户的全局偏好包括摇滚乐和纯音乐，但是用户在晚上休息的时候，会更喜欢后者。

发明内容

针对传统音乐推荐系统的缺点，本发明提出了一种在音乐推荐算法中加入用户收听上下文的方法，具体包括如下的内容：

一种基于收听上下文的音乐推荐方法，包括以下步骤：

S1基于神经语言模型的音乐特征的提取；

S2用户收听上下文的提取和建模；

S3基于用户收听上下文的音乐推荐。

进一步的，步骤S1包括：

S10获取用户的完整音乐收听序列，包括音乐ID、播放时间、播放设备；

S11根据播放时间和播放设备，对用户的完整音乐收听序列进行分组，得到子序列；

S12利用神经语言模型处理所有用户的完整音乐收听序列，得到每首音乐的粗粒度的特征向量，利用神经语言模型处理所有用户的子序列，得到每首音乐的细粒度的特征向量，其中，具有相似收听上下文的音乐具有相似的特征向量。

优选的，步骤S12中，根据对效率和准确度的要求指定特征向量的维度，以得到推荐结果更准确的高维度特征向量，或者计算效率更高的低维度特征向量。

进一步的，步骤S2包括：

S20把用户的完整音乐收听序列中的所有音乐的粗粒度特征向量进行平均，得到用户的全局兴趣向量；

S21把用户的最近的音乐收听子序列中的所有音乐的细粒度特征向量进行平均，得到用户的收听上下文兴趣向量。

进一步的，步骤S3包括：

S30根据用户的全局兴趣向量和完整音乐收听序列计算用户之间的相似度，其计算公式为：

其中，u表示目标用户，v表示数据库中的另外一个用户；

M_u表示用户u所收听的音乐集合，M_v表示用户v所收听的音乐集合；

表示用户u的全局兴趣向量，表示用户v的全局兴趣向量；

是和的余弦相似度；λ和θ是权重系数；

S31计算目标用户u对音乐m的兴趣，计算公式如下：

其中，u表示目标用户；