[发明专利]一种歌单多标签推荐方法、系统、设备和存储介质

权利要求书

1.一种歌单多标签推荐方法，其特征在于，包括以下步骤：

步骤1：采集歌单数据，将歌单数据分为测试集L_test和训练集L_train，使用Min-Hash算法分别将训练集L_train中的歌曲信息、歌手信息和用户信息歌单样本降维至N*K维，生成用户-歌单签名矩阵、歌单-歌手签名矩阵和歌单-歌曲签名矩阵；其中，N为歌单集的数量，K为Min-Hash算法中随机置换哈希函数的个数；

步骤2：将用户-歌单签名矩阵、歌单-歌手签名矩阵和歌单-歌曲签名矩阵进行LSH分桶优化，使相似样本分到同一个哈希桶中，并且对训练集L_train中的歌曲信息、歌手信息和用户信息的签名矩阵分别进行LSH分桶优化，得到歌单-歌曲哈希桶、歌单-歌手哈希桶与用户-歌单哈希桶；

步骤3：将测试集L_test中目标歌单的歌曲信息、歌手信息和用户信息分别经过Min-Hash降维后的签名向量输入到对应的歌单-歌曲哈希桶、歌单-歌手哈希桶与用户-歌单哈希桶中进行相似歌单快速检索，得到目标歌单的相似歌单备选集Sim_set；

步骤4：根据相似歌单备选集Sim_set以及歌单标签相关度权值计算前z个推荐指标最大的待推荐标签集合Rec_T；

步骤5：通过FP-Growth算法，将训练集L_train中的歌单标签组合L_Tag进行标签关联规则挖掘，得到标签的关联规则集合rules_T；步骤5的具体过程如下：

步骤6.1：构建项头表，构建空FP树，并扫描训练集L_train中的歌单标签组合，对每种标签组合进行计数，根据计数结果，删除支持度低于最小支持度min_supp的标签组合得出第一项频繁项集，将其存入项头表，然后按支持度降序排序；

步骤6.2：二次扫描训练集L_train中的歌单标签组合，去除非频繁一项集，按支持度降序排序，得到排好序的频繁项集；

步骤6.3：将步骤6.2中的频繁项集依次插入FP树中；

步骤6.4：通过项头表，递归挖掘频繁项集，并过滤掉不满足最小置信度min_conf的频繁项集，得出关联规则集合：

其中，rules_T表示标签关联规则集合，d表示挖掘到的关联规则总数，R_i表示第i个关联规则；

支持度通过下式计算：

式中，δ(t_i,t_j)表示歌单标签组合[t_i,t_j]在L_train中标签组合出现的次数，δ(L_Tag)表示L_train中标签组合的总数；supp(t_i→t_j)表示这个组合的支持度；

置信度通过下式计算：

式中，δ(t_i)表示标签t_i的总数，conf(t_i→t_j)表示在标签t_i出现的前提下，t_j标签会出现的概率；

步骤6：根据满足阈值的标签关联规则集合rules_T，对前z个推荐指标最大的待推荐标签集合Rec_T中的标签进行重排序，然后选择前A个标签作为目标歌单最终的推荐结果。