[发明专利]一种歌单多标签推荐方法、系统、设备和存储介质

说明书

一种歌单多标签推荐方法、系统、设备和存储介质，将歌单数据分为测试集和训练集，将训练集中的歌曲信息、歌手信息和用户信息分别采用局部敏感哈希算法计算歌曲信息哈希桶、歌手信息哈希桶和用户信息哈希桶；对测试集中的歌曲、歌手和用户信息分别根据相应哈希桶映射，得出相似歌单备选集，计算初始待推荐标签集；对根据训练集中的歌单标签集挖掘，得到标签的关联规则集合，再进行标签重排序，选择排序靠前的前A个标签进行推荐，实现歌单推荐。本发明具有更高的推荐准确性和更低的时间消耗。本发明与当前在线音乐平台所采用的基于协同过滤算法的推荐模型具有更好的兼容性，升级系统推荐算法的成本和风险更低，方法简单高效。

技术领域

本发明涉及音乐推荐系统领域，具体涉及一种歌单多标签推荐方法、系统、设备和存储介质。

背景技术

歌单标签对于改善在线音乐用户的听歌体验，鼓励用户制作个性化歌单方面具有重要作用。受益于大数据技术的发展，人们可以从大量带有专家标签的歌单中隐含地推断出歌单中歌曲的特征。协同过滤算法作为经典的推荐算法，可以帮助人们从大量数据中得出歌单的隐含信息，进而根据目标歌单获取与其相似的其他歌单，然后通过相似歌单集合计算目标歌单可能适用的标签。然而，在大数据时代下的协同过滤算法虽然应用较为广泛，但由于歌单数据的高维稀疏性，传统的协同过滤算法在进行歌单标签推荐时依然存在推荐准确度低，计算复杂度高且无法对新创作歌单进行实时在线推荐标签等问题，使得这种方法很难在实践中得以应用。

发明内容

本发明目的在于提供一种歌单多标签推荐方法、系统、设备和存储介质。

为实现上述目的，本发明采用如下的技术方案实现：

一种歌单多标签推荐方法，其特征在于，

将歌单数据分为测试集和训练集，将训练集中的歌曲信息、歌手信息和用户信息分别采用局部敏感哈希算法计算歌曲信息哈希桶、歌手信息哈希桶和用户信息哈希桶；

采用局部敏感哈希算法对测试集中的歌曲、歌手和用户信息分别根据歌曲信息哈希桶、歌手信息哈希桶和用户信息哈希桶进行哈希映射，得出相似歌单备选集；

根据相似歌单备选集和每个歌单的标签相关度权值计算初始待推荐标签集；

通过FP-Growth算法对根据训练集中的歌单标签集挖掘，得到标签的关联规则集合，根据标签的关联规则集合对初始待推荐标签集进行标签重排序，选择排序靠前的前A个标签进行推荐，实现歌单推荐，A为设置值。

本发明进一步的改进在于，具体包括以下步骤：

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以及标签相关度权值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；