[发明专利]一种融合节点偏好的异构图歌单多标签推荐方法

权利要求书

1.一种融合节点偏好的异构图歌单多标签推荐方法，其特征在于，包括以下步骤：

步骤1：通过歌单训练集的异构数据构建歌单异构图；

步骤2：通过歌单异构图采用基于歌曲元路径以及基于歌手元路径，对每个歌单进行融合节点偏好的邻居采样，得到包含歌曲邻居特征的歌单信息和包含歌手邻居特征的歌单信息；具体过程如下：

步骤2.1：若歌单节点拥有的一阶邻居歌曲节点数N_m大于设定的歌单节点的一阶歌曲邻居数N_ms，则使用歌单节点的所有一阶邻居歌曲节点的偏好作为选择的相对权重，根据相对权重随机选取N_ms个一阶邻居歌曲节点作为备选歌曲邻居

步骤2.2：若歌单节点的一阶邻居歌曲节点数N_m小于设定的歌单节点的一阶歌曲邻居数N_ms，则将歌单节点的一阶邻居歌曲节点偏好作为相对权重，根据相对权重随机选取(N_ms-N_m)个一阶邻居歌曲节点与歌单节点的一阶歌曲邻居集一起组成总数为N_ms的备选歌曲邻居

步骤2.3：根据备选歌曲邻居和歌曲-歌单边计算目标歌单节点的一阶歌单邻居集的歌单节点偏好

步骤2.4：根据歌单节点偏好的权重随机选取歌单节点的一阶歌单邻居数N_L个一阶歌单邻居集

步骤2.5：采用歌单邻居集根据下式计算歌单节点的二阶歌曲节点的节点偏好然后通过节点偏好的值随机选择2*N_L个二阶邻居歌曲

步骤2.6：通过下式整合歌单节点的歌曲列表

步骤2.7：重复步骤2.1-2.6将所有歌单节点采样出包含歌曲邻居特征的歌单信息；

步骤3：包含歌曲邻居特征的歌单信息和包含歌手邻居特征的歌单信息使用word2vec技术进行歌单连续特征表示；

步骤4：采用谱聚类算法对歌单的连续特征表示进行聚类分析，得到歌单聚类结果；

步骤5：根据歌单聚类结果，计算出每类中各导航类标签的权重值，再使用局部敏感哈希技术，完成对目标歌单的标签推荐，具体过程如下：

步骤5.1：根据歌单训练集中的标签组合所属的导航类类别对训练集歌单进行分组，得到分组歌单集；

步骤5.2：对分组歌单集进行LSH/MinHash哈希分桶计算，得到语种类哈希桶B_yz、主题类哈希桶B_zt、场景类哈希桶B_cj、风格类哈希桶B_fg以及情感类哈希桶B_qg，其中根据歌单歌曲集和歌单歌手集使得语种类哈希桶B_yz、主题类哈希桶B_zt、场景类哈希桶B_cj、风格类哈希桶B_fg以及情感类哈希桶B_qg分别生成两种数据哈希桶，如公式如下所示：

其中，表示导航类歌单-歌曲哈希桶，表示歌单-歌手哈希桶；

步骤5.3：从测试集取出一个目标歌单L_rec，并在测试集的测试集歌单类别找出对应的所属类别根据所属类别得出各导航类权重值

步骤5.4：将目标歌单的歌曲集和歌手集分别映射到所属类别中权重值w_i不为零的导航类歌单-歌曲哈希桶和歌单-歌手哈希桶中，然后检索出与目标歌单相似的歌单集Sim_ij；

步骤5.5：根据与目标歌单相似的歌单集Sim_ij以及权重值w_ij更新每个标签的推荐指标更新公式如下所示：

其中，权重值w_ij为或为第i个标签的推荐指标，t_i为第i个标签；

步骤5.6：最后将待推荐标签集R_Tag中各标签按照推荐指标从大到小排序，选择推荐指标最高的前N标签作为最终的推荐结果。