[发明专利]基于人工智能的音乐推荐方法、装置、存储介质

说明书

本发明公开了一种基于人工智能的音乐推荐方法、装置、存储介质，方法包括：获取目标用户的历史音乐信息，历史音乐信息包括关键词信息和音频信息；对音频信息进行特征提取，得到MFCC特征信息；根据关键词信息从预设的推荐结果池中获取至少两个目标推荐结果；获取预先训练好的第一图卷积模型，将MFCC特征信息输入至第一图卷积模型，得到音乐偏好信息；根据音乐偏好信息确定至少两个目标推荐结果的排序，并输出排序结果。本发明利用历史音乐信息对应的MFCC特征信息作为图卷积模型的输入，相较于现有技术通过对音乐信息随机初始化作为图卷积网络的学习嵌入的方案，本方案能够保留不同音乐的特征信息，从而提高通过图卷积模型实现音乐推荐的准确性。

技术领域

本发明涉及但不限于人工智能技术领域，尤其涉及一种基于人工智能的音乐推荐方法、装置、存储介质。

背景技术

随着互联网科技和数字音乐的不断发展和普及，音乐成为人们生活中重要的存在，人们也逐渐从音乐匮乏的时代走入音乐过载的时代，但是，音乐过载带来一个问题：人们往往需要从海量的乐库中搜索自己喜欢的音乐，从而花费大量的时间，基于此，音乐推荐装置应运而生。现有的音乐推荐装置通过图卷积网络实现音乐推荐，但是在使用音乐文件对图卷积网络进行学习嵌入的时候，对图节点的初始化嵌入仅采用了随机初始化设置，忽略了不同的音乐文件的有效特征信息，从而导致音乐推荐的准确性较低，无法满足用户对音乐的个性化需求。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种基于人工智能的音乐推荐方法、装置、存储介质，能够有效提高音乐推荐的准确性，满足用户对音乐的个性化需求。

第一方面，本发明实施例提供了一种基于人工智能的音乐推荐方法，该音乐推荐方法包括：

获取目标用户的历史音乐信息，其中，所述历史音乐信息包括关键词信息和音频信息；

对所述音频信息进行特征提取，得到梅尔频率倒谱系数MFCC特征信息；

根据所述关键词信息从预设的推荐结果池中获取至少两个目标推荐结果；

获取预先训练好的第一图卷积模型，将所述MFCC特征信息输入至所述第一图卷积模型，得到音乐偏好信息；

根据所述音乐偏好信息确定至少两个所述目标推荐结果的排序，并输出排序结果。

在一些实施例中，所述第一图卷积模型根据以下步骤获得：

获取预设的关系图谱；

根据所述MFCC特征信息将所述关系图谱划分为多个子图；

获取预设的第二图卷积模型，根据多个所述子图对所述第二图卷积模型进行训练，得到所述第一图卷积模型。

在一些实施例中，所述目标用户的数量为多个，所述历史音乐信息还包括用户标识，所述关系图谱根据以下步骤获得：

获取映射信息，所述映射信息用于表征各个所述MFCC特征信息与各个所述用户标识之间的映射关系；

通过关联所述MFCC特征信息和所述映射信息，得到所述关系图谱。

在一些实施例中，所述第一图卷积模型包括多个依次连接的卷积层，其中，排序位于上一层的卷积层的输出是排序位于下一层的卷积层的输入，所述将所述MFCC特征信息输入至所述第一图卷积模型，得到音乐偏好信息，包括：

从所述历史音乐信息中获取所述用户标识；

将所述用户标识和所述MFCC特征信息输入至所述第一卷积模型；