机器学习模型的训练方法以及歌曲推荐方法与流程

本技术涉及计算机，尤其涉及一种机器学习模型的训练方法以及歌曲推荐方法。

背景技术：

1、推荐模型在越来越多的场景中被使用，它能够有效帮助用户发现自己感兴趣的物品。在歌曲应用场景中，推荐模型可以基于用户长期积累的音乐偏好习惯推荐歌曲，例如，根据用户喜欢的一个歌手或一首歌曲进行推荐。该种方式能够显式的让用户感知到自己熟悉的东西，增加边际安全感，从而使得用户更主动的探索，增加整体的用户消费时长。然而，目前的歌曲推荐模型未重视音乐偏好习惯，召回的结果常常出现不相关的推荐歌曲。因此，如何训练强化音乐偏好习惯的推荐模型是一个亟需解决的问题。

技术实现思路

1、本技术实施例提供了一种机器学习模型的训练方法以及歌曲推荐方法，训练得到的机器学习模型能够强化音乐偏好习惯，有利于召回与音乐偏好习惯强相关的推荐歌曲。

2、第一方面，本技术提供了一种机器学习模型的训练方法，该方法包括：

3、获取用户特征，物品特征，以及歌曲推荐信息；歌曲推荐信息用于指示用户的音乐偏好习惯；

4、根据物品特征得到物品表征向量，以及根据用户特征和歌曲推荐信息得到增强后的用户表征向量；增强后的用户表征向量是指增强了与歌曲推荐信息相关的用户特征的用户表征向量；

5、将增强后的用户表征向量和物品表征向量输入损失函数，使得增强后的用户表征向量与物品表征向量的距离不超过预设阈值。

6、可见，在机器学习模型的训练过程中，可以根据用户特征和歌曲推荐信息得到增强后的用户表征向量，增强后的用户表征向量增强了与歌曲推荐信息相关的用户特征；例如，可以基于歌曲推荐信息和用户序列特征构建目标注意力模型，通过目标注意力模型中的注意力函数增大与歌曲推荐信息相关性高的用户历史行为的权重；又例如，可以将歌曲推荐信息对应的推荐表征向量与用户塔的输出向量进行相加，得到增强后的用户表征向量，在用户塔的输出层强化歌曲推荐信息。

7、另外，基于召回模块中的损失函数可以使得增强后的用户表征向量和物品表征向量之间的距离尽可能的近，和其他的物品表征向量之间的距离尽可能远，有利于使得该机器学习模型召回的目标推荐歌曲不仅与用户相关，还与用户的音乐偏好习惯相关，有效提升用户的边际安全感，同时提升整体的消费时长，保障用户体验。

8、结合第一方面，在一种可选的实施方式中，用户特征包括用户属性特征和用户序列特征；根据用户特征和歌曲推荐信息得到增强后的用户表征向量，包括：

9、根据歌曲推荐信息和用户序列特征，得到加权后的表征向量；

10、将加权后的表征向量与用户属性特征对应的属性表征向量进行拼接得到拼接后的表征向量；

11、将拼接后的表征向量输入用户塔，得到增强后的用户表征向量。

12、结合第一方面，在一种可选的实施方式中，根据歌曲推荐信息和用户序列特征，得到加权后的表征向量，包括：

13、将歌曲推荐信息作为query参数，以及将用户序列特征作为key参数输入注意力函数，得到加权后的表征向量。

14、结合第一方面，在一种可选的实施方式中，将拼接后的表征向量输入用户塔，得到增强后的用户表征向量，包括：

15、根据歌曲推荐信息得到推荐表征向量；

16、基于推荐表征向量与用户塔的输出向量，得到增强后的用户表征向量。

17、第二方面，本技术实施例还提供了一种基于机器学习的歌曲推荐方法，该方法包括：

18、将用户特征和歌曲推荐信息输入到训练好的模型，得到增强后的用户表征向量；

19、在预先建立的歌曲表征向量库中确定与增强后的用户表征向量匹配的目标歌曲表征向量；歌曲表征向量库包括多个待推荐歌曲对应的歌曲表征向量；

20、根据目标歌曲表征向量确定目标推荐歌曲。

21、本技术实施例中，引入了基于机器学习算法构建的模型，可以召回与用户相关的推荐歌曲。同时，训练好的模型包括的用户塔与物品塔，且用户塔与物品塔相互解耦，在得到表征向量的同时可以避免执行重复的步骤，有效节省计算资源。并且，用户塔可以基于歌曲推荐理由强化与音乐偏好习惯相关的用户特征，使得基于该模型得到的推荐歌曲既与用户相关，也与当前的歌曲推荐理由相关，从而提升用户的边际安全感，提升用户的整体消费时长。

22、结合第二方面，在一种可选的实施方式中，用户特征包括用户属性特征和用户序列特征；根据用户特征和歌曲推荐信息得到增强后的用户表征向量，包括：

23、根据歌曲推荐信息和用户序列特征，得到加权后的表征向量；

24、将加权后的表征向量与用户属性特征对应的属性表征向量进行拼接得到拼接后的表征向量；

25、将拼接后的表征向量输入到训练好的用户塔，得到增强后的用户表征向量。

26、结合第二方面，在一种可选的实施方式中，在预先建立的歌曲特征检索库中确定与目标增强特征匹配的目标歌曲特征，包括：

27、分别计算歌曲表征向量库中待推荐歌曲对应的歌曲表征向量，与增强后的用户表征向量的之间的距离；

28、根据该距离，确定匹配的目标歌曲表征向量。

29、结合第二方面，在一种可选的实施方式中，该方法还包括：

30、将多个待推荐歌曲分别输入训练好的物品塔，得到对应的歌曲表征向量；

31、基于索引规则对多个待推荐歌曲对应的歌曲表征向量进行处理，得到歌曲表征向量库。

32、第三方面，本技术提供了一种机器学习模型的训练装置，该装置包括：

33、获取单元，用于获取用户特征，物品特征，以及歌曲推荐信息；歌曲推荐信息用于指示用户的音乐偏好习惯；

34、处理单元，用于根据物品特征得到物品表征向量，以及根据用户特征和歌曲推荐信息得到增强后的用户表征向量；增强后的用户表征向量是指增强了与歌曲推荐信息相关的用户特征的用户表征向量；

35、输入单元，用于将增强后的用户表征向量和物品表征向量输入损失函数，使得增强后的用户表征向量与物品表征向量的距离不超过预设阈值。

36、第四方面，本技术实施例还提供了一种基于机器学习的歌曲推荐装置，该装置包括：

37、处理单元，用于将用户特征和歌曲推荐信息输入到训练好的模型，得到增强后的用户表征向量；

38、确定单元，用于在预先建立的歌曲表征向量库中确定与增强后的用户表征向量匹配的目标歌曲表征向量；歌曲表征向量库包括多个待推荐歌曲对应的歌曲表征向量；

39、确定单元，还用于根据目标歌曲表征向量确定目标推荐歌曲。

40、第五方面，本技术实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述处理器和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行第一方面所述的方法或者第二方面所述的方法。

41、第六方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时实现上述第一方面所述的方法或者所述第二方面所述的方法。

42、第七方面，本技术实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括程序指令，该程序指令被存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该程序指令，处理器执行该程序指令，使得该电子设备执行上述第一方面所述的方法或者第二方面所述的方法。