[发明专利]一种基于多视角增强图注意神经网络的音乐推荐方法

权利要求书

1.一种基于多视角增强图注意神经网络的音乐推荐方法，其特征在于，包括如下步骤：

S1、数据采集

获取一定时间内多个用户得音乐收听记录H＝{H¹,…,H^u,…,H^U}，是用户u∈U得音乐收听记录，t_i是m_i∈M的时间戳，U和M表示用户集合和音乐集合；

S2、数据建模

构建异构音乐图HMG，对各种数据和信息进行整合，包括用户收听记录和音乐的内容，HMG定义为G＝(V,E,W)，V＝(U,S,M,F)表示HMG中不同类型节点的集合，其中U、S、M和F分别是用户集合、会话集合、音乐集合和内容特征集合，E是HMG中不同类型边的集合，W是E的权重集，

所述集合V包括用户节点u∈U、会话节点s∈S、音乐节点m∈M和内容特征词f∈F，所述集合E包括用户-音乐(u-m)边、用户-特征(u-f)边、用户会话(u-s)边、音乐特征(m-f)边、音乐-音乐(m-m)边和音乐-会话(m-s)边；

S3、表征学习

S31、预训练：利用预训练技术得到用HMG中的节点的初始特征向量，节点v_i∈V的初始特征向量定义为其中V′∈R^|V|×d是预训练的嵌入矩阵，是v_i的独热向量表示；

S32、用户兴趣建模：首先从HMG中以用户的档案视角、行为视角和会话视角学习用户的兴趣表示，然后将三个视角的兴趣表示进行融合，得到用户的综合兴趣表征v_u，

所述步骤S32中，

从HMG中以用户的档案视角上的兴趣表征方法如下：

将用户u档案内容中的l′个特征词{f₁，f₂，…，f_l′}转换为相应的词嵌入矩阵其中是f_i的词向量，然后利用卷积操作将V′_u,f转换为V″_u,f∈R^{d×(l′-l″+1)}，l″是卷积核的大小，卷积层中的输入通道数和输出通道数分别为d和d′，最后，在V″_u,f上使用双曲正切激活函数和均值池化策略，得到每个用户u的在档案视角上的兴趣表示

从HMG中以用户的行为视角上的兴趣表征方法如下：

将用户u在HMG上的音乐邻居进行聚合得到用户兴趣表示，即对于用户节点v_u和她/他的k个音乐邻居{m₀,m₁,…,m_k-1}，行为视角的用户兴趣表示定义为：

其中是音乐m_i的初始特征向量，上标b表示行为视角，是用户u对第i个音乐邻居节点m_i在行为视角的注意力权重，其定义如下：

其中是用户u和音乐m_i在HMG上的边的权重，是u和m_i之间的行为得分，表示用户偏好与音乐特征之间的相关性，正式定义为：

其中σ是带泄漏的ReLU激活函数，而是可学习的向量参数，d″是隐藏层大小，||是向量之间的拼接，此外，和是用户u和音乐m_i在行为视角中的隐藏表示，定义为

其中和是可学习的参数，tanh()是双曲正切激活函数，

从HMG中以用户的会话视角上的兴趣表征方法如下：

将用户u在HMG上的会话邻居进行聚合得到用户兴趣表示，即对于用户节点v_u和她/他的k′个会话邻居{s₀,s₁,…,s_k′-1}，会话视角的用户兴趣表示定义为：

其中，其中上标s表示会话视图，是u的会话s_i的嵌入，是会话s_i和用户u之间的注意力权重，正式定义为：

其中是u和她/他的会话邻居s_i之间的边的权重，是u和s_i之间的会话得分，表示用户全局偏好和会话偏好之间的相关性，和是可学习的参数，和是用户u和会话s_i的隐藏表示；

S33、音乐特征建模：首先从HMG中以音乐的属性视角、交互视角、转移视角和上下文视角学习音乐的特征表示，然后将四个视角的特征表示进行融合，得到音乐的综合特征表示v_m；

S4、用户短期兴趣建模

从用户的最近的音乐收听行为中推断她/他的短期兴趣偏好；

S5、音乐推荐

基于用户的长期、短期和动态三种兴趣偏好进行推荐。