基于超图节点多尺度嵌入音乐推荐方法

本发明属于计算机，涉及基于超图节点多尺度嵌入音乐推荐方法。

背景技术：

1、数字音乐市场快速增长，得益于移动互联网技术和智能数字设备的创新。根据2019年国际唱片业联合会(ifpi)全球音乐报告，2018年全球唱片市场实现了9.7％的增长，这是连续第四年增长。具体地说，全球收入增长的47％来自在线音乐收入。如今，智能移动设备能够存储数千首音乐作品，移动应用程序让用户可以通过移动互联网方便地访问数百万首音乐。但是与此同时，用户获得符合自己喜好的音乐作品却变得越来越难。

2、超图数据模型使我们能够无缝地表示所有可能的和复杂的用户和歌曲之间的互动与相关的特征，同时，嵌入技术提供了一个强大的方式来推断用户的歌曲相似性，之前的几种网络嵌入方法，如deepwalk和walklets，通过遵循类似于word2vec skip-gram的方法来学习网络结构，虽然该方法最初是为单词嵌入而设计的，但获得了令人印象深刻的性能。在这些方法中，相邻节点的序列是从网络上的随机游走生成的，并且嵌入是从捕获本地邻域信息的节点-节点邻近度统计中提取的，但在超图嵌入的音乐推荐中，未能联合学习音乐属性多尺度嵌入，从而导致推荐系统存在以下问题：

3、1、缺乏多样性，如果未能联合学习多尺度嵌入，推荐系统可能只关注到音乐的一些明显特征，而忽视了其他尺度的属性。

4、2、准确的受限，音乐的属性在不同尺度上可能有不同的重要性，如果只关注单一尺度的嵌入，可能会忽视一些对于用户偏好很重要的信息，从而影响推荐的准确度。

5、3、用户满意度下降，由于缺乏多尺度信息的联合学习，推荐的音乐可能不够精准地满足用户的喜好，从而导致用户满意度下降。

6、4、难以捕捉复杂关系：音乐之间的关系可能很复杂，涉及到多个尺度的属性。未能联合学习多尺度嵌入可能使得推荐系统难以捕捉这些复杂关系，从而影响了推荐质量。

7、5、受限于数据稀疏性：在某些情况下，某些尺度的音乐属性可能有很少的数据。如果只依赖单一尺度的嵌入，可能会导致这些数据被忽视，从而进一步加剧数据稀疏性的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供基于超图节点多尺度嵌入音乐推荐方法，解决在超图嵌入的音乐推荐中，未能联合学习音乐属性多尺度嵌入的技术问题。

2、为达到上述目的，本发明提供如下技术方案：

3、基于超图节点多尺度嵌入音乐推荐方法，该方法包括以下步骤：

4、s1：获取数据集，所述数据集包括用户收听历史数据集和音乐属性数据集，对所述用户收听历史数据集和音乐属性数据集进行预处理，将预处理后的数据集分为训练集train.txt和测试集test.txt进行分别处理；

5、s2：通过训练集train.txt构建超图数据模型；

6、s3：根据游走算法生成超图数据模型的一阶马尔可夫游走序列，即得到每个超图节点的游走序列；

7、s4：采集得到游走序列的每个超图节点的多尺度领域属性集，将采集的每个多尺度邻域属性集分成若干次作为doc2vec的输入，生成不同尺度的节点嵌入，将多个尺度嵌入组合为最终嵌入；

8、s5：将所述s4中得到的音乐节点最终嵌入进行加权计算，得到用户对音乐的偏好，用户的偏好包括长期偏好和短期偏好，计算待预测音乐的嵌入与用户长期和短期偏好之间的余弦相似度，并将计算得到的两个相似度相加，得到待预测音乐的最终推荐分数。

9、进一步的，所述s2，通过训练集train.txt构建超图数据模型，具体为：超图数据模型表示为：

10、

11、其中，v表示超图节点集合，包含四种节点类型；ε表示超边集合，包含四种超边类型；

12、v＝sv∪uv∪rv∪av                          (2)

13、ε＝se∪ue∪re∪ae                          (3)

14、其中，sv表示音乐节点，uv表示用户节点，rv表示歌手节点，av表示专辑节点，se表示音乐超边，ue表示用户超边，re表示歌手超边，ae表示专辑超边；

15、超边ei∈ε的定义如下：

16、

17、

18、其中，表示超边头部节点集合，有且仅有一个节点，其节点类型即为超边类型，表示超边尾部节点集合，全部为音乐节点，且有多个，两个集合取并集即为超边全部节点。

19、进一步的，所述s3中的游走算法具体为：根据节点度中心原则，节点的度中心性用来判断节点在网络中的活跃程度和重要性，将节点度中心原则扩展到超边上，选择度高的超边作为起始边，随机选择一个超边节点作为起始节点，表示为：

20、

21、其中，deg(ε)表示计算超边的度，通过max函数选择最大度的超边，为超边的全部节点，vcur表示从当前最大超边随机选择一个节点作为下一跳节点，即当前节点；

22、当超边内跳跃选择下一跳节点时，若为第一个节点，则直接随机选择一个节点，若不是第一个节点，则综合考虑上一跳节点和当前节点对下一跳的影响，若上一跳权重越大则选择上一跳节点，否则选择收听时间在当前节点之后的节点，直到序列长度达到阈值；

23、当节点选择完毕之后，若当前节点的权重小于阈值，则会被舍弃，而保留权重较高的节点；

24、超边跳跃策略表示为：

25、

26、πvx＝dt·tvx  (8)

27、其中，p表示给定当前节点v，访问下一个节点x的概率，πvx是节点v和节点x之间的未归一化转移概率，z是归一化常数；假设当前随机游走经过边(t，v)到达顶点v，tvx表示v，x的收听时间差值，dt为音乐t与超边的关联权重；

28、超边间跳跃表示为：

29、

30、其中，jumpe表示从当前超边跳跃的概率，degree表示超边的度，其值由超边包含的节点个数决定；若当前超边度较小，表示从当前超边跳跃到另一条超边的可能性较大，允许算法更深入地探索具有更多顶点的超边，同时避免陷入较小超边内部的循环；

31、调整p和q参数来调节算法如何遍历超图：更高的p值使算法提高探索当前超边顶点的能力，允许它更频繁地在当前超边游走，同时，更高的q值将具有相同的结果，但不依赖于当前超边度。

32、进一步的，所述s3中，根据游走算法生成超图数据模型的一阶马尔可夫游走序列，表示为：

33、l＝v1，v2，...vn    (10)

34、其中，表示通过游走算法为每个超图节点得到的游走序列；

35、则超图游走表示为：

36、

37、其中，length为游走序列的长度。

38、进一步的，所述s4中，采集得到游走序列的每个超图节点的多尺度领域属性集，将采集的每个多尺度邻域属性集分成若干次作为doc2vec的输入，生成不同尺度的节点嵌入，具体为：

39、每个超图节点的多尺度领域属性集，分别表示为：

40、

41、其中，表示节点v的k近邻属性集，其中包含了不同尺度的邻居节点属性；

42、将得到节点邻域属性集作为doc2vec的输入，通过浅层前馈神经网络得到词嵌入和句子嵌入，则对应音乐的属性嵌入以及音乐最终嵌入的目标函数表示为：

43、

44、所述目标函数表示的是最大化全部节点u出现在他的邻域节点的概率；

45、其中，

46、

47、假设每个邻域节点出现在节点u的概率是独立，互不影响，ni表示u的邻域节点；

48、使用softmax函数计算超图邻域ns(u)中的每个顶点v成为输入顶点u∈v的上下文节点的概率，表示为：

49、

50、进一步的，所述s4中，最终嵌入，表示为：

51、

52、

53、其中，是节点v的k近邻属性集，将其作为doc2vec的输入，学习每个邻域长度单独的低维嵌入分量，并将它们连接起来以形成完整的节点表示；αk≥0是分配给各个尺度邻域嵌入的一个超参数，它表示该尺度在构成最终嵌入中的权重。

54、进一步的，所述s5中，长期偏好由整个训练音乐序列嵌入求和平均得到，长期偏好表示为：

55、

56、其中，表示长期偏好，hu表示整个训练音乐序列嵌入；

57、短期偏好由用户最近收听的n个音乐嵌入求和平均得到，短期偏好表示为：

58、

59、其中，表示短期偏好，su表示用户最近收听的n个音乐嵌入。

60、进一步的，所述s5中，计算待预测音乐的嵌入与用户长期和短期偏好之间的余弦相似度，并将计算得到的两个相似度相加，得到待预测音乐的最终推荐分数，计算公式表示为：

61、

62、

63、其中，表示待预测音乐的嵌入与用户长期偏好的余弦相似度，表示待预测音乐的嵌入与用户短期偏好的余弦相似度，表示待预测音乐的最终推荐分数。

64、本发明的有益效果在于：

65、第一，本发明提出的超图游走和多尺度邻域属性嵌入解决了超图嵌入的音乐推荐中，未能联合学习音乐属性多尺度嵌入的问题，从而提高了推荐系统性能和用户体验。

66、第二，本发明将用户-音乐，音乐-音乐，用户-用户之间的高阶信息融合，同时利用用户到音乐的交互以及音乐的属性关系来完成向用户生成音乐推荐的任务。利用音乐属性和用户收听历史显然可以有效地理解用户的音乐偏好。利用超图游走提取用户收听信息，使用音乐属性信息来缓解推荐算法中的数据稀疏和多样化兴趣推荐问题。

67、第三，本发明中使用超图数据模型对用户的收听历史和音乐属性进行偏近，考虑了音乐不同属性对于用户兴趣的影响和不同的音乐交互时，音乐所体现出的不同属性，从而获取用户的多维度偏好。

68、第四，本发明中生成的马尔可夫游序列能提取图结构特征，捕捉节点之间的局部和全局关系，获取节点属性信息，和上下文信息。

69、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。