[发明专利]一种曲目推荐方法及装置

权利要求书

1.一种曲目推荐方法，其特征在于，包括：

基于曲目的标签信息建立卷积神经网络模型，得到标签特征；所述标签信息包括曲目表演者、曲目风格、曲目名称、曲目发行时间；

基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征，其中，所述用户行为信息是用户针对多个曲目的操作行为的时间序列，当前行为会受到之前行为的影响，当前行为产生的反馈会影响到后续的行为；

基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目；

所述基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征，包括：

在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

根据所述损失值确定所述目标特征；

所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；

所述在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值，包括：

针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值；将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；每一种所述用户行为时序特征分别对应的样本损失函数，包括：0-1损失函数、指数损失函数、hinge损失函数、感知损失函数以及交叉熵损失函数中的任意一种；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

2.根据权利要求1所述的曲目推荐方法，其特征在于，

所述根据所述损失值确定所述目标特征，包括：

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

3.根据权利要求1-2中任一所述的曲目推荐方法，其特征在于，

所述判断当前损失值是否能够确定所述目标特征，包括：

判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3至A5；

或，

所述判断当前损失值是否能够确定所述目标特征，包括：

确定得到当前损失值时所述损失函数的累计计算次数；

判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。