CN105677850B - 一种基于神经网络模型的上下文感知音乐推荐方法 - Google Patents

一种基于神经网络模型的上下文感知音乐推荐方法 Download PDF

Info

Publication number
CN105677850B
CN105677850B CN201610008374.7A CN201610008374A CN105677850B CN 105677850 B CN105677850 B CN 105677850B CN 201610008374 A CN201610008374 A CN 201610008374A CN 105677850 B CN105677850 B CN 105677850B
Authority
CN
China
Prior art keywords
music
user
listening
context
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610008374.7A
Other languages
English (en)
Other versions
CN105677850A (zh
Inventor
邓水光
王东京
陈明龙
李莹
吴健
尹建伟
吴朝晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610008374.7A priority Critical patent/CN105677850B/zh
Publication of CN105677850A publication Critical patent/CN105677850A/zh
Application granted granted Critical
Publication of CN105677850B publication Critical patent/CN105677850B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63—Querying
    • G06F16/635—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于神经网络模型的上下文感知音乐推荐方法，包括：S1基于神经网络模型的音乐特征的提取和用户全局兴趣的建模；S2用户收听上下文兴趣的提取；S3上下文感知的音乐推荐。本发明利用神经网络模型从用户的音乐收听序列中提取音乐的特征和用户的全局兴趣特征，再从用户的完整收听序列中提取用户的收听上下文兴趣，最后在推荐的时候综合考虑用户的全局兴趣和当前收听上下文兴趣，从而能够让推荐的音乐符合用户的实时需求和偏好，从而减少用户的搜索成本并提高用户的满意度。

Description

一种基于神经网络模型的上下文感知音乐推荐方法
技术领域
本发明属于数据挖掘及推荐技术领域，具体涉及一种基于神经网络模型的上下文感知音乐推荐方法。
背景技术
随着移动通信带宽的增加、终端处理能力的增强、以及传感技术的发展，越来越多的用户通过移动终端来收听音乐。移动用户的听歌喜好通常会随着时间、空间、天气、身体状况不同而变化，传统的音乐推荐系统已不适用于个性化移动网络服务领域。近年来，基于上下文感知的音乐推荐系统通过将上下文信息引入推荐系统，成为一个新兴的研究领域。在研究中发现，把上下文信息融入推荐系统，相当于把传统的“用户-项目”二维评分效用模型扩展为包含多种上下文信息的多维评分效用模型，有利于提高推荐精确度。因此利用移动终端提供的位置、时间、空间、天气等上下文信息，推荐更符合用户偏好、当前心情和周围环境的音乐，具有重要的研究意义。
目前，基于上下文信息的音乐推荐方法通常采用了“多维推荐”转化为“二维推荐”的设计思路，在推荐结果生成之前、生成之后或者生成的过程中，利用当前上下文信息过滤掉与当前上下文信息不匹配的数据，同时采用传统二维推荐技术(包含协同过滤、基于内容的过滤、基于知识的过滤、混合式过滤等)生成推荐结果。因为利用了传统推荐系统的成熟技术，此类方法成为目前应用最广的上下文感知推荐方法。
然而，现有技术在音乐与用户的匹配过程只考虑了用户的上下文信息，缺乏对音乐内容的深层解析，认为所有音乐都是同质的，音乐的不同属性来自用户在不同情境下对音乐具有的不同喜好程度，即由音乐的用户属性对不同音乐进行差异化区分，从而忽略了音乐作为一类多媒体文件，其自身具有的上下文属性。这种推荐方法过于主观，降低了用户与音乐的耦合性，从而对推荐系统的精度有所影响。在很多场景下，用户的收听上下文往往会主导用户的需求，例如用户的全局偏好包括摇滚乐和纯音乐，但是用户在晚上休息的时候，会更喜欢后者。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种基于神经网络模型的上下文感知音乐推荐方法，能够让推荐的音乐符合用户的实时需求和偏好。
一种基于神经网络模型的上下文感知音乐推荐方法，包括如下步骤：
(1)收集用户的完整音乐收听序列，所述的完整音乐收听序列包含用户历史对于音乐的每条收听记录；
(2)根据所有用户的完整音乐收听序列，建立以下目标函数L：
其中：A表示所有用户组成的用户集群，Au表示用户集群A中的第u个用户，Hu表示用户Au的完整音乐收听序列，p(Au|Hu)表示完整音乐收听序列Hu下观测到用户Au的概率，表示完整音乐收听序列Hu中的第i条收听记录，表示收听记录的上下文记录即包括收听记录的前c条以及后c条收听记录，表示上下文记录下观测到收听记录的概率，c为大于0的自然数，i和u均为自然数且1≤i≤m，1≤u≤n，m为完整音乐收听序列Hu中收听记录的总数量，n为用户集群A中用户的总数量；
(3)对上述目标函数L进行最大化求解，以求得乐库中每首音乐的特征向量以及每个用户的全局兴趣向量；
(4)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的上下文收听兴趣向量；
(5)根据每首音乐的特征向量以及用户的全局兴趣向量和上下文收听兴趣向量，计算出用户对于每首音乐的兴趣值；进而根据兴趣值对乐库中的所有音乐从大到小排序，并提取兴趣值最大的若干首音乐推荐给用户。
所述概率p(Au|Hu)的表达式如下：
其中：vu为用户Au的全局兴趣向量，为完整音乐收听序列Hu中各条收听记录所对应音乐的平均特征向量，T表示转置。
所述概率的表达式如下：
其中：为收听记录所对应音乐的特征向量，为上下文记录中各条收听记录所对应音乐的平均特征向量，T表示转置，mj为乐库中第j首音乐的特征向量，j为自然数且1≤j≤k，k为乐库中音乐的总数量。
所述的步骤(5)中通过以下公式计算用户对于每首音乐的兴趣值：
其中：为用户Au对于乐库中第j首音乐的兴趣值，mj为乐库中第j首音乐的特征向量，vu为用户Au的全局兴趣向量，zu为用户Au的上下文收听兴趣向量，T表示转置，j为自然数且1≤j≤k，k为乐库中音乐的总数量。
本发明首次利用神经网络模型从用户的完整收听序列中获取音乐的特征和用户的全局兴趣，分别表示为音乐的特征向量和用户的全局兴趣特征向量，为音乐特征提取困难以及用户全局兴趣建模困难的问题提供了一种可靠的解决方法；本发明根据用户的最近收听序列中的音乐的特征向量获取用户的收听上下文兴趣，为用户的收听上下文的提取和建模困难的问题提供了一种可行的思路；综合考虑用户全局兴趣和收听上下文兴趣的推荐方法，本发明能够使得推荐的音乐更符合目标用户当前的偏好，从而减少用户的搜索成本并提高用户的满意度。
附图说明
图1为本发明音乐推荐方法的系统架构示意图。
图2为本发明音乐推荐方法中的用户音乐偏好预测流程示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于收听上下文感知的音乐推荐方法包括以下步骤：
(1)获取用户的完整的音乐收听序列，收听序列中的每条记录包括音乐ID、播放时间、播放设备。
(2)利用神经网络模型处理所有用户的完整收听序列，将每首音乐和每个用户表示为特征向量。该神经网络模型的目标函数公式为：
其中，是给定用户u的完整音乐收听序列下观测到用户u的概率，定义为：
其中，是用户u的输出特征向量，是用户u的所有音乐的平均输入向量。另外，是给定用户u及音乐的上下文音乐(邻居)下观测到音乐的概率，定义为：
其中，是音乐的输出特征向量，是用户u及音乐的上下文音乐(邻居)的平均输入特征向量。
(3)通过最大化目标函数即可得到每首音乐的特征向量和每个用户的特征向量其中，具有相似收听上下文(在序列中的前面和后面的音乐)的音乐具有相似的特征向量，具有相似收听序列的用户也具有相似的特征向量。此外，用户的特征向量即用户的全局兴趣向量。此处可根据对效率和准确度的要求指定向量的维度，从而获得合适的特征向量(利用高维度特征向量的推荐结果更准确，而低维度特征向量的计算效率更高)。
(4)从用户的完整音乐收听序列中提取近期音乐收听序列，即播放时间与当前时间点较近的收听记录；把用户的近期音乐收听序列中的所有音乐的特征向量进行平均，得到用户的收听上下文兴趣向量。
(5)根据用户的全局兴趣向量和收听上下文兴趣向量，计算目标用户u对音乐mi的兴趣，计算公式如下：
其中：u表示目标用户，mi是音乐库中的某首音乐；是用户的全局兴趣向量，是用户的收听上下文兴趣向量；是音乐mi的特征向量，M是音乐库。
(6)利用上步的计算结果对所有音乐进行排序，把前N个推荐给目标用户u，排序的计算公式如下：
其中：u表示目标用户；mi和mi′是音乐库中的音乐；是用户的全局兴趣向量，是用户的收听上下文兴趣向量。
图1所示了本实施方式基于神经网络模型的上下文感知的音乐推荐方法的架构。该推荐方法分为两个主要模块：预处理模块和预测模块。预处理模块中，首先获取用户的所有收听记录(完整收听序列)；再利用神经网络模型从用户的完整收听序列中提取音乐的特征向量和用户的特征向量(用户的全局兴趣)。在预测模块中，首先从目标用户近期收听序列中获取用户的收听上下文兴趣；然后根据用户的全局兴趣和收听上下文兴趣给用户推荐推荐适合其当前收听上下文的音乐。图2所示了用户偏好预测的详细步骤，其首先获取用户的近期收听序列，并从中提取用户的收听上下文兴趣，然后查询用户的特征向量作为用户的全局收听兴趣，最后利用用户的全局兴趣和收听上下文兴趣，计算目标用户u对音乐mi的兴趣。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种基于神经网络模型的上下文感知音乐推荐方法，包括如下步骤：
(1)收集用户的完整音乐收听序列，所述的完整音乐收听序列包含用户历史对于音乐的每条收听记录；
(2)根据所有用户的完整音乐收听序列，建立以下目标函数L：
其中：A表示所有用户组成的用户集群，Au表示用户集群A中的第u个用户，Hu表示用户Au的完整音乐收听序列，p(Au|Hu)表示完整音乐收听序列Hu下观测到用户Au的概率，表示完整音乐收听序列Hu中的第i条收听记录，表示收听记录的上下文记录即包括收听记录的前c条以及后c条收听记录，表示上下文记录下观测到收听记录的概率，c为大于0的自然数，i和u均为自然数且1≤i≤m，1≤u≤n，m为完整音乐收听序列Hu中收听记录的总数量，n为用户集群A中用户的总数量；
所述概率p(Au|Hu)的表达式如下：
其中：vu为用户Au的全局兴趣向量，为完整音乐收听序列Hu中各条收听记录所对应音乐的平均特征向量，T表示转置；
所述概率的表达式如下：
其中：为收听记录所对应音乐的特征向量，为上下文记录中各条收听记录所对应音乐的平均特征向量，mj为乐库中第j首音乐的特征向量，j为自然数且1≤j≤k，k为乐库中音乐的总数量；
(3)对上述目标函数L进行最大化求解，以求得乐库中每首音乐的特征向量以及每个用户的全局兴趣向量；
(4)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的上下文收听兴趣向量；
(5)根据每首音乐的特征向量以及用户的全局兴趣向量和上下文收听兴趣向量，通过以下公式计算出用户对于每首音乐的兴趣值；进而根据兴趣值对乐库中的所有音乐从大到小排序，并提取兴趣值最大的若干首音乐推荐给用户；
其中：为用户Au对于乐库中第j首音乐的兴趣值，mj为乐库中第j首音乐的特征向量，vu为用户Au的全局兴趣向量，zu为用户Au的上下文收听兴趣向量，T表示转置，j为自然数且1≤j≤k，k为乐库中音乐的总数量。
CN201610008374.7A 2016-01-07 2016-01-07 一种基于神经网络模型的上下文感知音乐推荐方法 Active CN105677850B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610008374.7A CN105677850B (zh) 2016-01-07 2016-01-07 一种基于神经网络模型的上下文感知音乐推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610008374.7A CN105677850B (zh) 2016-01-07 2016-01-07 一种基于神经网络模型的上下文感知音乐推荐方法

Publications (2)

Publication Number Publication Date
CN105677850A CN105677850A (zh) 2016-06-15
CN105677850B true CN105677850B (zh) 2019-03-26

Family

ID=56299273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610008374.7A Active CN105677850B (zh) 2016-01-07 2016-01-07 一种基于神经网络模型的上下文感知音乐推荐方法

Country Status (1)

Country Link
CN (1) CN105677850B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528653B (zh) * 2016-10-17 2019-04-23 浙江大学 一种基于图嵌入模型的上下文感知音乐推荐方法
CN110781405B (zh) * 2019-10-12 2020-05-29 山东师范大学 基于联合卷积矩阵分解的文档上下文感知推荐方法及系统
CN113220929B (zh) * 2021-04-06 2023-12-05 辽宁工程技术大学 一种基于时间驻留与状态驻留混合模型的音乐推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559197A (zh) * 2013-09-23 2014-02-05 浙江大学 基于上下文预过滤的实时音乐推荐方法
CN103793537A (zh) * 2014-03-04 2014-05-14 南京大学 一种基于多维时间序列分析的个性化音乐推荐系统及其实现方法
CN103970873A (zh) * 2014-05-14 2014-08-06 中国联合网络通信集团有限公司 一种音乐推荐方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8935303B2 (en) * 2012-12-28 2015-01-13 Telefonica, S.A. Method and system of optimizing a ranked list of recommended items

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559197A (zh) * 2013-09-23 2014-02-05 浙江大学 基于上下文预过滤的实时音乐推荐方法
CN103793537A (zh) * 2014-03-04 2014-05-14 南京大学 一种基于多维时间序列分析的个性化音乐推荐系统及其实现方法
CN103970873A (zh) * 2014-05-14 2014-08-06 中国联合网络通信集团有限公司 一种音乐推荐方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A survey of music similarity and recommendation from music context data;Knees,P等;《ACM Transactions on multimedia computing,communications, and applications》;20131231;全文
exploring user emotion in mocroblogs for music recommendation;邓水光;《Expert systems with applications》;20151231;全文

Also Published As

Publication number Publication date
CN105677850A (zh) 2016-06-15

Similar Documents

Publication Publication Date Title
CN103970873B (zh) 一种音乐推荐方法和系统
CN109241405B (zh) 一种基于知识关联的学习资源协同过滤推荐方法及系统
CN107944035B (zh) 一种融合视觉特征和用户评分的图像推荐方法
US20130318101A1 (en) Product search method and system
CN104008132B (zh) 语音地图搜索方法及系统
CN102855317B (zh) 一种基于演示视频的多模式索引方法及系统
CN105677850B (zh) 一种基于神经网络模型的上下文感知音乐推荐方法
CN110472154A (zh) 一种资源推送方法、装置、电子设备及可读存储介质
CN103970891B (zh) 一种基于情境的用户兴趣信息查询方法
CN103942328B (zh) 一种视频检索方法及视频装置
CN105608105B (zh) 一种基于收听上下文的音乐推荐方法
CN109978016A (zh) 一种网络用户身份识别方法
CN113837669B (zh) 一种标签体系的评价指标构建方法和相关装置
CN114925286B (zh) 舆情数据处理方法及装置
CN104281565A (zh) 语义词典构建方法和装置
CN112100402A (zh) 一种电网知识图谱构建方法及装置
CN106844734B (zh) 一种自动生成会话回复内容的方法
CN112328735A (zh) 热点话题确定方法、装置及终端设备
CN109597901B (zh) 一种基于生物数据的数据分析方法
CN109284362B (zh) 一种内容检索方法及系统
CN114153965A (zh) 一种结合内容和图谱的舆情事件推荐方法、系统及终端
CN105808720B (zh) 一种基于收听序列和元数据的上下文感知音乐推荐方法
CN103136256B (zh) 一种在网络中实现信息检索的方法和系统
CN103985385A (zh) 基于波谱特征鉴定蛙类个体信息的方法
CN115858815A (zh) 确定映射信息的方法、广告推荐方法、装置、设备及介质

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant