[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

说明书

一种融合节点偏好的异构图歌单多标签推荐方法，包括以下步骤：通过歌单训练集的异构数据构建歌单异构图；通过歌单异构图，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；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；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；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。本发明具有结构简单，推荐高效的特点。相比于传统的协同过滤方法，本发明的歌单标签推荐的准确率高、推荐速度快。

技术领域

本发明属于音乐推荐系统领域，具体涉及一种融合节点偏好的异构图歌单多标签推荐方法。

背景技术

近年来，网易云音乐推出的歌单功能，使云音乐打破了传统专辑歌手歌单分类组织的方式。以歌单为核心的播放模式，可以以社交化的分享和个性化的推荐来解决用户发现寻找音乐的需求。其中，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。在大数据迅速发展的背景下，我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，使歌单标签推荐成为可能。协同过滤算法在音乐推荐领域的应用非常普遍，其算法一般分为数据收集、相似度计算和给出推荐结果三步。然而，在大数据时代下，由于歌单数据的高维稀疏性以及过分关注交互关系的原因，传统的协同过滤算法在进行歌单标签推荐时存在容易推荐热门标签，推荐用时久等问题，使得这种方法很难在实践中得以应用。

发明内容

为克服现有技术中的问题，本发明目的在于提供一种融合节点偏好的异构图歌单多标签推荐方法。

为实现上述目的，本发明采用如下的技术方案实现：

一种融合节点偏好的异构图歌单多标签推荐方法，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；

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。

进一步的，步骤1的具体过程为：

步骤1.1：根据如下公式连接歌单节点和歌曲节点若第i个歌单L_i中的歌曲列表中不包含歌曲m_j，则歌单节点和歌曲节点之间不存在边，否则，歌单节点和歌曲节点之间存在歌曲-歌单边

步骤1.2：根据如下公式连接歌单节点和歌手节点若第i个歌单L_i中的歌手列表中不含有歌手s_j，那么歌单节点和歌手节点之间就不存在边，否则，歌单节点和歌手节点之间存在歌手-歌单边

步骤1.3：根据如下公式连接歌单节点和用户节点若第i个歌单L_i的创建者不为u_j，则歌单节点和用户节点之间没有边，否则，歌单节点和用户节点之间存在用户-歌单边

进一步的，步骤1.1中，歌曲-歌单边如下式所示：

其中，为歌曲m_j出现的次数，M_num为歌曲总数，G_L为歌单异构图，为歌曲特征；步骤1.2中，歌手-歌单边如下式所示：