技术特征：
1.一种基于知识图谱多任务特征学习的音乐推荐方法，其特征在于，包括以下步骤：步骤1，在知识图谱构建阶段，基于satori库和用户-音乐交互记录，将训练得到的实体和关系的特征向量映射为低维向量，构建所需的知识图谱；步骤2，在模型训练阶段，通过邻域聚合操作融合用户及其邻域节点在所述知识图谱上的特征表示，将局部近邻结构捕捉并存储在每个实体中，获取用户偏好特征；步骤3，在推荐阶段，通过cnn回归模型预测音乐的潜在特征，并结合所述用户偏好特征计算用户与音乐之间的匹配度，生成最终用户可能感兴趣的推荐列表。2.根据权利要求1所述的基于知识图谱多任务特征学习的音乐推荐方法，其特征在于：其中，步骤1具体包括以下子步骤：步骤1-1，在实体链接阶段，将数据集中的用户、音乐和它们的属性值映射链接到相应的实体；步骤1-2，在关系抽取阶段，将所述用户和所述音乐之间的收听、购买、点击等隐性交互行为视为关系；步骤1-3，在知识存储阶段，将训练得到的所述实体和所述关系的特征向量映射为低维向量，构建所需的所述知识图谱。3.根据权利要求1所述的基于知识图谱多任务特征学习的音乐推荐方法，其特征在于：其中，步骤2中，遍历所有的用户项目对(u，v)，以逐层迭代的方式计算出项目v的感受野m并初始化模型参数，通过计算v的邻域线性组合，将用户关系得分作为过滤器，挑选出用户可能感兴趣的项目集合，最后使用mean aggregator和concat aggregator两个聚合函数将实体表示v及其邻域表示聚合成一个向量。4.根据权利要求1所述的基于知识图谱多任务特征学习的音乐推荐方法，其特征在于，还包括：步骤4，检测阶段，在所述检测阶段，采集不同领域的数据，带入模型，进行个性化推荐，获得最优检测结果。
技术总结
本发明公开了一种基于知识图谱多任务特征学习的音乐推荐方法，包括：步骤1，在知识图谱构建阶段，基于Satori库和用户-音乐交互记录，将训练得到的实体和关系的特征向量映射为低维向量，构建所需的知识图谱；步骤2，在模型训练阶段，通过邻域聚合操作融合用户及其邻域节点在知识图谱上的特征表示，将局部近邻结构捕捉并存储在每个实体中，获取用户偏好特征；步骤3，在推荐阶段，通过CNN回归模型预测音乐的潜在特征，并结合用户偏好特征计算用户与音乐之间的匹配度，生成最终用户可能感兴趣的推荐列表。在Last.FM数据集上进行对比实验，结果表明与传统的推荐方法和基于知识图谱方法相比，该算法能有效挖掘用户和音乐之间的潜在关系，提高音乐推荐质量。提高音乐推荐质量。提高音乐推荐质量。
技术研发人员：孙云芸 李海明
受保护的技术使用者：上海电力大学
技术研发日：2022.04.01
技术公布日：2022/6/28