[发明专利]一种基于卷积神经网络的音乐推荐系统及推荐方法

说明书

本发明提供了一种基于卷积神经网络的音乐推荐系统及推荐方法，包括用于采集音乐用户历史行为数据，构建音乐用户偏好模型的音乐用户建模模块；用于获得回归模型的音乐特征建模模块；用于通过回归模型找到与音乐用户偏好相匹配的音乐对象，推荐给音乐用户的推荐算法模块。本发明把深度学习应用到推荐系统中，有效地弥补了歌曲特征与音频信号之间的语义差别，同时避免了协同过滤中的“冷启动”等问题，提高了推荐系统的准确率。采用卷积神经网络解决了训练效率低下与高时效性需求间的矛盾，并且将用户历史行为信息和音频的声学特征一起加入到模型中，使得推荐结果更符合用户的偏好需求，增强了用户对推荐系统的使用体验性。

技术领域

本发明属于智能推荐技术领域，具体涉及一种基于卷积神经网络的音乐推荐系统及推荐方法。

背景技术

随着数字多媒体技术的不断发展与应用，数字音乐受到了大众的欣赏和喜爱，人们可以通过在线试听、在线下载等多种方式方便地获取音乐资源。但随着音乐库变得越来越大，音乐资源越来越丰富，如何让用户在浩瀚如海的音乐世界里高效地获取自己感兴趣的歌曲便成了一个难题。针对这种现象，个性化音乐推荐系统应运而生。

目前，常用的音乐推荐的方法主要有基于内容推荐、协同过滤推荐、基于关联规则推荐以及混合推荐等。而应用最广泛的是协同过滤推荐，其包括基于邻居和基于模型两种方法。基于邻居的音乐推荐方法通常用于研究用户或音乐之间的相似度计算问题，即通过计算用户和邻居的兴趣相似性，向用户推荐邻居听过的音乐，或通过分析用户的试听行为记录的音乐，根据用户行为计算不同音乐之间的相似度。而基于模型的音乐推荐方法则试图将用户-音乐的关系评估数据转化为不同的模型，并使用这些模型在未知场景中向用户推荐音乐。

虽然现有的音乐推荐系统种类繁多，但推荐效果良莠不齐，或多或少都存在一些典型的问题，如冷启动、稀疏性、扩展性等问题。因此，音乐推荐系统仍需要进一步的研究与改进，以更好地适应日益强烈的个性化应用需求。卷积神经网络(CNN)是近年发展起来，并引起广泛重视的一种高效的识别方法，广泛应用于语音识别、图像识别和自然语音处理等不同的大规模机器学习问题中，并且取得了比传统机器学习更好的效果提升。

发明内容

为了解决现有技术的不足，本发明提供了一种基于卷积神经网络的音乐推荐系统及推荐方法。

本发明的目的通过以下技术方案来实现：

一种基于卷积神经网络的音乐推荐系统，包括

音乐用户建模模块：用于采集音乐用户历史行为数据，构建音乐用户的偏好模型；

音乐特征建模模块：所述音乐特征建模模块与所述音乐用户建模模块电性连接，用于对训练样本进行训练深度卷积神经网络获得回归模型；

推荐算法模块：所述推荐算法模块与所述音乐特征建模模块电性连接，用于通过回归模型找到与音乐用户偏好相匹配的音乐对象，推荐给音乐用户。

优选地，以上所述的一种基于卷积神经网络的音乐推荐系统的推荐方法，包括如下步骤：

S1、音乐用户建模模块对音乐用户的行为数据进行获取，并通过量化标准构建出实际的评分矩阵R，并通过矩阵分解得到用户-潜在因子矩阵Q和潜在因子-音乐矩阵P；

S2、利用梅尔频率倒谱系数(MFCC)法对所用数据集中音乐进行时间-频率音频特征提取，从而获得音频片段的梅尔声谱；

S3、使用梅尔声谱作为卷积神经网络的网络输入，将S1中分解获得的音乐特征因子向量用作训练预测模型的基本真值，通过一系列训练样本，训练深度卷积神经网络，不断减小潜在因子向量与音频特征预测值之间的均方差(MSE)，最终形成回归模型；