一种基于知识图谱多任务特征学习的音乐推荐方法

1.本发明属于计算机应用领域，具体涉及一种基于知识图谱多任务特征学习的音乐推荐方法。


背景技术：

2.近年来，随着云计算、大数据、物联网等技术的迅猛发展，互联网空间中各类应用的层出不穷引发了数据规模的爆炸式增长。在当前这个崭新的数字化信息时代，海量的数据资源被提供给用户，给他们造成了很大的困扰，推荐系统的出现有效缓解了这个问题。
3.在多媒体产品的推荐任务中，音乐推荐逐渐得到广泛的关注。目前流行的音乐推荐算法主要分为基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。其中基于协同过滤的音乐推荐方法应用较为广泛，它可以根据相似的用户自动过滤和筛选出目标用户，进一步挖掘出用户的潜在兴趣。但是在面临稀疏性问题时，协同过滤算法也难以保证音乐的推荐质量。
4.近年来，音乐推荐场景中的冷启动和稀疏性问题受到了越来越多学者的关注。zhang等提出一种个性化推荐算法用以解决多媒体产品中推荐方式单一的问题。zheng等基于标签提出了一个动态音乐推荐框架，它利用音乐曲目的可用语义标签的特点来补充高度稀疏的用户项交互矩阵，大大简化了为新用户推荐曲目的难度。hariri等在推荐之前首先利用用户的社会化标签对音乐进行分类，然后通过用户播放记录中的相关信息对用户所处的情境进行归类推荐，取得了良好的推荐效果。
5.但是，仅基于音频、标签或类别的推荐会丢失大量的音乐特征信息，从而无法为用户提供良好的个性化服务。在实际的推荐场景中，音乐冷启动问题是普遍存在的，对于新增的用户和音乐，由于其缺少相关的反馈数据而无法对其进行推荐，这极大的影响了用户的收听体验。
6.因此使用单一类别数据难以构建良好的特征体系，融合多源辅助信息进行音乐推荐具有重要意义。


技术实现要素：

7.本发明是为了解决上述问题而进行的，目的在于提供一种基于知识图谱多任务特征学习的音乐推荐方法。
8.本发明提供了一种基于知识图谱多任务特征学习的音乐推荐方法，具有这样的特征，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。
9.在本发明提供的基于知识图谱多任务特征学习的音乐推荐方法中，还可以具有这样的特征：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，将用户和音乐之间的收听、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。
10.在本发明提供的基于知识图谱多任务特征学习的音乐推荐方法中，还可以具有这样的特征：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。
11.在本发明提供的基于知识图谱多任务特征学习的音乐推荐方法中，还可以具有这样的特征，还包括：步骤4，检测阶段，在检测阶段，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。
12.发明的作用与效果
13.根据本发明所涉及的基于知识图谱多任务特征学习的音乐推荐方法，因为具体步骤为：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。
14.因此，本发明的基于知识图谱多任务特征学习的音乐推荐方法与常规的基准模型相比，本发明提出的kghr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。模型首先结合satori库和用户-音乐交互记录构建音乐知识图谱，将从知识图谱中训练得到实体和关系的特征向量映射为低维向量，并引入推荐系统，直观的展现了用户和音乐之间的潜在联系，同时采用联合训练的方法，把推荐任务和知识图谱训练任务紧密联系在一起，取得了良好的推荐效果；其次算法通过邻域聚合操作获取用户对音乐知识图谱的偏好，计算用户和关系的得分，从而更精准的向用户推荐其可能感兴趣的歌曲。由此可见，获取用户的个性化偏好并融合知识图谱的语义信息有助于提升推荐系统的性能。
15.此外，本发明中提出的基于知识图谱的混合音乐推荐模型kghr(hybrid recommendation based on knowledge graph)的核心思想是在计算给定实体在知识图谱中的表示时，有偏差地聚合和合并邻域信息。这种设计一方面通过邻域聚合操作，使用户更方便的获取了邻居节点的局部信息和结构；另一方面邻域是根据实体之间的关系和特定用户的评分进行加权的，它既反映了知识图谱中各实体间的语义信息，又反映了用户对关系的个性化兴趣，大大提高了推荐的准确性和可解释性，使推荐结果有迹可循。
16.最后，本发明利用知识图谱对多源异构数据的整合性，将从知识图谱中训练得到的实体和关系的特征向量映射为低维向量，并引入推荐系统，充分利用知识图谱的知识信息，另外该算法不需要人工手动设计元路径，模型通过邻域聚合操作，将kghr从一层扩展到多层，从而更广泛、更深入地挖掘到了用户的潜在兴趣。
附图说明
17.图1是本发明实施例中基于知识图谱多任务特征学习的音乐推荐方法的模型图；
18.图2是本发明实施例中基于知识图谱多任务特征学习的音乐推荐方法的代码运行流程图。
具体实施方式
19.为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明一种基于知识图谱多任务特征学习的音乐推荐方法作具体阐述。
20.在本实施例中，提供了一种基于知识图谱多任务特征学习的音乐推荐方法。
21.图1是本发明实施例中基于知识图谱多任务特征学习的音乐推荐方法的模型图。
22.图2是本发明实施例中基于知识图谱多任务特征学习的音乐推荐方法的代码运行流程图。
23.如图1～图2所示，本实施例所涉及的基于知识图谱多任务特征学习的音乐推荐方法包括以下步骤：
24.步骤1，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。具体实施步骤为：
25.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。
26.步骤1-2，在关系抽取阶段，将用户和音乐之间的收听、购买、点击等隐性交互行为视为关系。
27.步骤1-3，在知识存储阶段，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(graph)。
28.步骤2，训练阶段：主要为获取数据，训练模型。在建模阶段，本实施例通过邻域聚合操作，融合用户及其邻域节点在知识图谱上的特征表示，从而获取用户潜在的远程偏好。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，大大提升了推荐性能。
29.步骤3，在推荐模块部分，本实施例采用cnn回归模型预测出音乐潜在特征，并结合用户偏好特征计算用户与音乐之间的匹配度，最终生成用户可能感兴趣的推荐列表。
30.步骤4，检测阶段：主要为采集数据，带入模型，获得最优检测结果。本实施例选用了来自last.fm在线音乐系统的2,000名用户的音乐家收听信息作为数据集进行音乐推荐。实验将数据集过滤后，按照8：1：1的比例将last.fm数据集分为：训练集、测试集和验证集。在验证集上实现模型参数的选取，并采用auc、acc和f1来评估模型的ctr预测性能，选取两种常用的评价指标准确率(precision@20)和召回率(recall@20)来衡量模型的推荐效果。
31.本实施例将kghr模型与协同知识库嵌入模型(cke)、知识图感知神经网络模型(kgnn-ls)、波纹集推荐模型(ripplenet)和多任务增强推荐模型(mkr)进行比较，结果表明该方法在recall@20和precision@20上分别有7.8％和2％的提升，验证了所提方法的有效性。
32.实施例的作用与效果
33.根据本实施例所涉及的基于知识图谱多任务特征学习的音乐推荐方法，因为具体步骤为：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。
34.因此，本实施例的基于知识图谱多任务特征学习的音乐推荐方法与常规的基准模型相比，本实施例提出的kghr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。模型首先结合satori库和用户-音乐交互记录构建音乐知识图谱，将从知识图谱中训练得到实体和关系的特征向量映射为低维向量，并引入推荐系统，直观的展现了用户和音乐之间的潜在联系，同时采用联合训练的方法，把推荐任务和知识图谱训练任务紧密联系在一起，取得了良好的推荐效果；其次算法通过邻域聚合操作获取用户对音乐知识图谱的偏好，计算用户和关系的得分，从而更精准的向用户推荐其可能感兴趣的歌曲。由此可见，获取用户的个性化偏好并融合知识图谱的语义信息有助于提升推荐系统的性能。
35.此外，本实施例中提出的基于知识图谱的混合音乐推荐模型kghr(hybrid recommendation based on knowledge graph)的核心思想是在计算给定实体在知识图谱中的表示时，有偏差地聚合和合并邻域信息。这种设计一方面通过邻域聚合操作，使用户更方便的获取了邻居节点的局部信息和结构；另一方面邻域是根据实体之间的关系和特定用户的评分进行加权的，它既反映了知识图谱中各实体间的语义信息，又反映了用户对关系的个性化兴趣，大大提高了推荐的准确性和可解释性，使推荐结果有迹可循。
36.最后，本实施例利用知识图谱对多源异构数据的整合性，将从知识图谱中训练得到的实体和关系的特征向量映射为低维向量，并引入推荐系统，充分利用知识图谱的知识信息，另外该算法不需要人工手动设计元路径，模型通过邻域聚合操作，将kghr从一层扩展到多层，从而更广泛、更深入地挖掘到了用户的潜在兴趣。
37.上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。