基于大数据分析的信息管理系统及方法与流程

本技术涉及智能推荐领域，且更为具体地，涉及一种基于大数据分析的信息管理系统及方法。

背景技术：

1、研究表明，音乐能够刺激大脑释放多巴胺和内啡肽等神经递质，从而带来愉悦感和放松感。因此，人们常常在焦虑、压力或疲惫时选择听音乐来放松身心。

2、随着音乐市场的不断扩大和用户数量的增加，用户需求也越来越多样化。用户不再满足于简单的歌曲搜索和播放，而是希望能够更方便、更快捷地找到自己喜欢的音乐。个性化音乐推荐指的是根据用户的听歌历史和喜好，为用户推荐符合其口味的音乐，提高用户的满意度和粘性。随着人工智能和大数据技术的不断发展，音乐平台具备了更好的数据处理和分析能力。通过对用户数据的挖掘和分析，平台能够更准确地了解用户的喜好和需求，从而为个性化音乐推荐提供了技术支持。

3、因此，需要一种基于大数据分析的信息管理方案。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于大数据分析的信息管理系统及方法，其采用基于深度学习的人工智能分析技术，首先通过对待推荐音乐的主题标签、风格标签和心情标签以及波形图进行特征提取以得到用于表示待推荐音乐的综合特征向量，接着通过对用户的听歌记录、搜索记录和点赞记录进行特征提取以了解用户的音乐爱好偏向，再通过计算音乐特征在高维特征空间中相对于用户偏好特征的转移矩阵来进行是否向用户推荐该音乐的判断。这样，可以提高音乐推荐的准确性和个性化程度，有利于提升用户的满意度。

2、根据本技术的一个方面，提供了一种基于大数据分析的信息管理系统，其包括：

3、数据获取模块，用于获取待推荐音乐的主题标签、风格标签、心情标签、波形图以及用户画像数据，所述用户画像数据包括用户的听歌记录、搜素记录和点赞记录；

4、音乐偏好数据编码模块，用于将所述待推荐音乐的主题标签、风格标签、心情标签进行分词处理后通过词嵌入层以得到音乐偏好词嵌入向量的序列后通过双向长短期记忆神经网络模型以得到音乐偏好特征向量；

5、音乐节奏特征提取模块，用于将所述待推荐音乐的波形图通过作为过滤器的卷积神经网络模型以得到音乐节奏特征向量；

6、融合模块，用于融合所述音乐偏好特征向量和所述音乐节奏特征向量以得到待推荐音乐特征向量；

7、用户数据编码模块，用于将所述用户画像数据通过包含嵌入层的vit模型以得到用户偏好特征向量；

8、转移模块，用于计算所述待推荐音乐特征向量相对于所述用户偏好特征向量的转移矩阵；

9、优化模块，用于对所述转移矩阵进行基于特征工程的秩序性参数化以得到优化转移矩阵；

10、推荐结果生成模块，用于将所述优化转移矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户的推荐歌单里添加所述待推荐音乐。

11、在上述基于大数据分析的信息管理系统中，所述音乐偏好数据编码模块，包括：音乐数据分词单元，用于将所述待推荐音乐的主题标签、风格标签、心情标签进行分词处理以得到音乐偏好词的序列；音乐数据映射单元，用于使用所述词嵌入层将所述音乐偏好词的序列中各个音乐偏好词映射成为多个音乐偏好词嵌入向量以得到所述音乐偏好词嵌入向量的序列；音乐数据语义特征提取单元，用于将所述音乐偏好词嵌入向量的序列输入所述双向长短期记忆神经网络模型以得到多个上下文语义音乐偏好特征向量；级联单元，用于将所述多个上下文语义音乐偏好特征向量进行级联以得到所述音乐偏好特征向量。

12、在上述基于大数据分析的信息管理系统中，所述音乐节奏特征提取模块，用于：所述作为过滤器的卷积神经网络模型的各层在层的正向传递过程中分别对输入数据进行：对所述输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的各个特征矩阵池化处理以得到池化特征图；对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为所述音乐节奏特征向量，所述作为过滤器的卷积神经网络模型的第一层的输入为所述待推荐音乐的波形图。

13、在上述基于大数据分析的信息管理系统中，所述融合模块，用于：使用级联函数来融合所述音乐偏好特征向量和所述音乐节奏特征向量以得到所述待推荐音乐特征向量；其中，所述级联函数表示为：

14、v1＝relu(wf[θ(xi),φ(xj)])

15、其中，wf，θ(xi)和φ(xj)均表示对输入进行点卷积，relu为激活函数，[]表示拼接操作，xi表示所述音乐偏好特征向量中各个位置的特征值，xj表示所述音乐节奏特征向量中各个位置的特征值，v1表示所述待推荐音乐特征向量。

16、在上述基于大数据分析的信息管理系统中，所述用户数据编码模块，包括：用户数据分词单元，用于将所述用户画像数据进行分词处理以得到用户偏好词的序列；用户数据映射单元，用于使用所述嵌入层将所述用户偏好词的序列中各个音乐偏好词映射成为多个用户偏好词嵌入向量以得到用户偏好词嵌入向量的序列；局部区域特征生成单元，用于将所述用户偏好词嵌入向量的序列输入所述vit模型的转换器模块以得到多个上下文用户偏好特征向量；排列单元，用于将所述多个上下文用户偏好特征向量排列成所述用户偏好特征向量。

17、在上述基于大数据分析的信息管理系统中，所述转移模块，用于：以如下转移公式计算所述待推荐音乐特征向量相对于所述用户偏好特征向量的转移矩阵；其中，所述转移公式为：

18、

19、其中v1表示所述待推荐音乐特征向量，v2表示所述用户偏好特征向量，m表示所述转移矩阵，表示矩阵相乘。

20、在上述基于大数据分析的信息管理系统中，所述优化模块，包括：特征矩阵切分单元，用于沿对所述转移矩阵进行特征矩阵切分以得到关联局部特征矩阵的序列；秩序性权重生成单元，用于将所述关联局部特征矩阵的序列通过基于softmax函数的秩序性权重生成器以得到秩序权重值的序列；排序单元，用于基于所述秩序权重值的序列，对所述关联局部特征矩阵的序列进行排序以得到重排关联局部特征矩阵的序列；特征展平化单元，用于对所述重排关联局部特征矩阵的序列进行特征展平化以得到重排关联局部特征向量的序列；上下文语义编码单元，用于将所述重排关联局部特征向量的序列通过基于转换器的上下文编码器以得到上下文重排关联局部特征向量的序列；归一化处理单元，用于对所述秩序权重值的序列进行基于最大值的归一化处理以得到归一化秩序权重值的序列；加权单元，用于以所述归一化秩序权重值的序列中各个位置的归一化秩序权重值作为权重，分别对所述上下文重排关联局部特征向量的序列进行加权以得到优化上下文重排关联局部特征向量的序列；维度重构单元，用于对所述优化上下文重排关联局部特征向量的序列进行维度重构以得到所述优化转移矩阵。

21、在上述基于大数据分析的信息管理系统中，所述推荐结果生成模块，包括：展开单元，用于将所述优化转移矩阵基于行向量或列向量的展开为分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；分类结果生成单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

22、根据本技术的另一方面，提供了一种基于大数据分析的信息管理方法，其包括：

23、获取待推荐音乐的主题标签、风格标签、心情标签、波形图以及用户画像数据，所述用户画像数据包括用户的听歌记录、搜素记录和点赞记录；

24、将所述待推荐音乐的主题标签、风格标签、心情标签进行分词处理后通过词嵌入层以得到音乐偏好词嵌入向量的序列后通过双向长短期记忆神经网络模型以得到音乐偏好特征向量；

25、将所述待推荐音乐的波形图通过作为过滤器的卷积神经网络模型以得到音乐节奏特征向量；

26、融合所述音乐偏好特征向量和所述音乐节奏特征向量以得到待推荐音乐特征向量；

27、将所述用户画像数据通过包含嵌入层的vit模型以得到用户偏好特征向量；

28、计算所述待推荐音乐特征向量相对于所述用户偏好特征向量的转移矩阵；

29、对所述转移矩阵进行基于特征工程的秩序性参数化以得到优化转移矩阵；

30、将所述优化转移矩阵通过分类器以得到分类结果，所述分类结果用于表示是否向用户的推荐歌单里添加所述待推荐音乐。

31、根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于大数据分析的信息管理方法。

32、根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于大数据分析的信息管理方法。

33、与现有技术相比，本技术提供的基于大数据分析的信息管理系统及方法，其采用基于深度学习的人工智能分析技术，首先通过对待推荐音乐的主题标签、风格标签和心情标签以及波形图进行特征提取以得到用于表示待推荐音乐的综合特征向量，接着通过对用户的听歌记录、搜索记录和点赞记录进行特征提取以了解用户的音乐爱好偏向，再通过计算音乐特征在高维特征空间中相对于用户偏好特征的转移矩阵来进行是否向用户推荐该音乐的判断。这样，可以提高音乐推荐的准确性和个性化程度，有利于提升用户的满意度。