[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

说明书

本发明公开了一种基于多视角增强图注意神经网络的音乐推荐方法，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；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；S3、表征学习，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。该方法从用户的音乐收听记录以及音乐和用户的向量表征中学习用户的动态、长期和短期偏好，并利用上述偏好信息进而从海量的音乐数据中推荐满足用户实时要求的音乐。

技术领域

本发明涉及数字经济的个性化服务技术领域，具体指一种基于多视角增强图注意神经网络的音乐推荐方法。

背景技术

近年来，由于信息技术的创新，数字服务市场发展迅速。根据国际唱片业联合会(IFPI)在2021年发布的报告，全球音乐市场增长18.5％，其中流媒体音乐市场增长24.3％。同时，用户可以方便地访问海量的数字音乐内容。具体来说，亚马逊音乐和苹果音乐都为用户提供了超过9000万首歌曲(2022年5月的统计数据)。

因此，人们越来越难以从海量的音乐内容中找到自己喜欢的音乐，这就是所谓的信息过载问题。为了解决该问题，推荐系统通过不同的策略(例如基于协同过滤的推荐、基于内容的推荐、上下文感知推荐、顺序推荐等)帮助用户从可用的海量数据中找到他们需要的服务或内容。

然而，传统的音乐推荐系统的推荐精度有限，尤其是在具有海量音乐数据的应用场景下的效果不佳。混合推荐方法通过将传统的协同过滤或基于内容的方法与用户档案、项目属性等辅助内容数据相结合，进而提高推荐系统的准确性。然而，现有的混合推荐方法可能无法以灵活和自适应的方式充分利用这些不同类型的数据。

此外，近年来用户的听音乐行为模式也在逐渐发生变化。例如，根据腾讯音乐娱乐(TME)在2020年第一季度发布的报告，COVID-19全球大流行带来了数字时代的新兴机遇，移动MAU(月活跃用户)和付费用户增长迅速，腾讯音乐的收入保持强劲。智能手机的普及以及移动互联网技术的快速发展，使得人们几乎可以随时随地享受音乐，这给用户的偏好建模和音乐推荐带来了更多的挑战。如何充分利用用户的音乐播放记录和音乐的内容特征等异构数据是进一步提高音乐推荐性能的关键因素。

发明内容

本发明针对上述问题，提出了一种基于多视角增强图注意神经网络(MEGAN)的音乐推荐方法，可以基于图神经网络和注意力机制，从异构数据中学习用户偏好和音乐特征表示，并实现音乐推荐。

为了解决上述技术问题，本发明的技术方案为：

一种基于多视角增强图注意神经网络的音乐推荐方法，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；

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；