CN109299321A - 一种曲目推荐方法及装置 - Google Patents

Abstract

本发明实施例提供了一种曲目推荐方法及装置，该曲目推荐方法包括：基于曲目的标签信息建立卷积神经网络模型，得到标签特征；基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

Description

一种曲目推荐方法及装置

技术领域

本发明实施例涉及计算机技术领域，特别是涉及一种曲目推荐方法及装置。

背景技术

个性化曲目推荐技术，它能够根据用户的喜好、兴趣等信息，将用户喜好、感兴趣的曲目推荐给用户。

目前，在为用户推荐个性化曲目时，使用的推荐算法通常为协同过滤算法，该算法一般基于用户的评分或行为进行用户评分预测或曲目推荐。但是该推荐算法无法获取用户兴趣的变化或上下文相关的喜好和兴趣。因此，现有的方式，为用户推荐的曲目不符合用户喜好要求的概率较高。

发明内容

有鉴于此，本发明实施例提出了一种曲目推荐方法及装置，主要目的在于可以为用户推荐更符合用户喜好要求的曲目。

第一方面，本发明实施例提供了一种曲目推荐方法，该曲目推荐方法包括：

基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

可选的，

所述基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征，包括：

在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

根据所述损失值确定所述目标特征。

可选的，

所述根据所述损失值确定所述目标特征，包括：

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

可选的，

所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；

所述在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值，包括：

针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值，将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

可选的，

每一种所述用户行为时序特征分别对应的样本损失函数，包括：0-1损失函数、指数损失函数、hinge损失函数、感知损失函数以及交叉熵损失函数中的任意一种。

可选的，

所述判断当前损失值是否能够确定所述目标特征，包括：

判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3至A5。

可选的，

所述判断当前损失值是否能够确定所述目标特征，包括：

确定得到当前损失值时所述损失函数的累计计算次数；

判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。

第二方面，本发明实施例提供了一种曲目推荐装置，该曲目推荐装置包括：

第一获取模块，用于基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

第二获取模块，用于基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

第三获取模块，用于基于所述第一获取模块得到的所述标签特征以及所述第二获取模块得到的所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

可选的，

所述第三获取模块，包括：计算子模块以及确定子模块；

所述计算子模块，用于在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

所述确定子模块，用于根据所述计算子模块计算的所述损失值确定所述目标特征。

第三方面，本发明实施例提供了一种存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的曲目推荐方法。

第四方面，本发明实施例提供了一种电子设备中包括处理器、存储器和总线；所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述中任意一项所述的曲目推荐方法。

本发明实施例提供了一种曲目推荐方法及装置，首先基于曲目的标签信息(标签信息可以包括但不限于曲目表演者、曲目风格、曲目名称、曲目发行时间等信息)建立卷积神经网络模型，得到标签特征。然后基于曲目的用户行为信息(用户行为信息可以包括但不限于播放、收藏、点赞、分享、删除等信息)建立时序神经网络模型，得到用户行为时序特征。最后基于得到的标签特征以及用户行为时序特征建立深度神经网络模型，得到用于确定待推荐曲目的目标特征，以根据目标特征为用户推荐曲目。通过上述可知，由于目标特征是深度神经网络模型融合了曲目的标签特征和用户行为时序特征得到的，目标特征更能体现出用户的喜好。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明一个实施例提供的一种曲目推荐方法的流程图；

图2示出了本发明另一个实施例提供的一种曲目推荐方法的流程图；

图3示出了本发明一个实施例提供的一种曲目推荐装置的结构示意图；

图4示出了本发明另一个实施例提供的一种曲目推荐装置的结构示意图；

图5示出了本发明一个实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更加详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

如图1所示，本发明实施例提供了一种曲目推荐方法，该曲目推荐方法包括：

步骤101：基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

步骤102：基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

步骤103：基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

根据图1所示的实施例，首先基于曲目的标签信息(标签信息可以包括但不限于曲目表演者、曲目风格、曲目名称、曲目发行时间等信息)建立卷积神经网络模型，得到标签特征。然后基于曲目的用户行为信息(用户行为信息可以包括但不限于播放、收藏、点赞、分享、删除等信息)建立时序神经网络模型，得到用户行为时序特征。最后基于得到的标签特征以及用户行为时序特征建立深度神经网络模型，得到用于确定待推荐曲目的目标特征，以根据目标特征为用户推荐曲目。通过上述可知，由于目标特征是深度神经网络模型融合了曲目的标签特征和用户行为时序特征得到的，目标特征更能体现出用户的喜好。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

在本发明一个实施例中，针对图1所示流程图中的步骤101基于曲目的标签信息建立卷积神经网络模型，得到标签特征进行说明：

在本实施例中，曲目的标签信息可以根据业务要求确定。可选的，标签信息可以包括但不限于曲目表演者、曲目风格、曲目名称、曲目发行时间等信息。

在本实施例中，在曲目的数量为一个时，则基于该曲目的标签信息建立卷积神经网络模型，得到标签特征。在曲目的数量为多个时，则基于每一个曲目的标签信息分别建立卷积神经网络模型，分别得到每一个曲目的标签特征。

在本实施例中，步骤101基于曲目的标签信息建立卷积神经网络模型，得到标签特征可以包括：

B1：初始化权值；

B2：将曲目的标签信息和当前权重作为输入数据输入到卷积层，然后通过卷积层进入到下采样层，然后从下采样层进入全连接层，从全连接层得到输出值；

B3：求出输出值与预设目标值之间的误差；

B4：判断误差是否在预先设定的误差范围内，如果是，执行B5；否则，执行B6；

B5：结束训练，将输出值确定为标签特征；

B6：将误差依次传回全连接层、下采样层、卷积层，依次求得全连接层，下采样层，卷积层的误差，根据求得的误差进行权重更新，将更新后的权重作为当前权重，并执行B2。

在本发明一个实施例中，针对图1所示流程图中的步骤102基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征进行说明：

在本实施例中，在曲目的数量为一个时，用户行为信息为针对该曲目的行为信息。在曲目的数量为多个时，用户行为信息为针对多个曲目的行为信息。用户行为信息可以看作是用户针对多个曲目的操作行为的时间序列，当前行为会受到之前行为的影响，而当前行为产生的反馈也会影响到后续的行为。

在本实施例中，时序神经网络模型内在每一个时刻共享相同的网络权重参数，且时序神经网络模型使用LSTM来作为模型的基础单元。每一个阶段的网络结构通常由输入层、embedding层、LSTM层和softmax层构成。通过输入层、embedding层、LSTM层和softmax层的训练，基于曲目的用户行为信息得到用户行为时序特征。

在本发明一个实施例中，图1所示流程图中的步骤103基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征，可以包括如下步骤：

S1：在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

S2：根据所述损失值确定所述目标特征。

在本实施例中，所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；步骤S1在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值，可以包括：

针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值；将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

每一种所述用户行为时序特征分别对应的样本损失函数，可以包括但不限于：0-1损失函数、指数损失函数、hinge损失函数、感知损失函数以及交叉熵损失函数中的任意一种。

在本实施例中，下面以存在一种标签特征，两个用户行为特征(一种用户行为时序特征对应的样本损失函数为“hinge损失函数”，一种用户行为时序特征对应的样本损失函数为“指数损失函数”)为例，进行说明：

可以通过公式(1)计算标签特征的损失值。

loss(x；y1,y2)＝w1×log(1+exp(-y1×f(x)))+w2×max(0,y2×(c+f(x)))(1)

其中，loss表征损失函数；x表征一种标签特征；y1表征第一种用户行为时序特征；y2表征第二种用户行为时序特征；w1表征第一种用户行为时序特征针对于标签特征的权重；w2表征第二种用户行为时序特征针对于标签特征的权重；c表示hinge损失函数的分类分界边缘；f(x)表征预设的预测值。

比如，在第一种用户行为时序特征为收听时，则y1＝1；在第二种用户行为时序特征为收藏时，则y2＝1。

在本实施例中，在标签特征的种类为多种时，则利用每一种标签特征对应的标签损失值得到损失值的方法可以为：将各种标签特征对应的标签损失值的加和确定为损失值。

在本实施例中，步骤S2根据所述损失值确定所述目标特征，可以包括如下步骤：

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

在本实施例中，在判断出当前损失值能够确定目标特征时，说明当前得到的标签特征以及用户行为时序特征与用户实际喜好匹配度较高，可以准确的表示出用户的喜好特征，因此直接将标签特征以及用户行为时序特征确定为目标特征。

在本实施例中，在判断出当前损失值不能够确定目标特征时，说明当前得到的标签特征以及用户行为时序特征与用户实际喜好匹配度较低，不能准确的表示出用户的喜好特征。因此，需要通过损失值更新卷积神经网络模型得到新的标签特征，以及通过损失值更新时序神经网络模型得到新的用户行为时序特征。

通过损失值更新卷积神经网络模型得到新的标签特征的方法可以为：将损失值依次传回全连接层、下采样层、卷积层，依次求得全连接层，下采样层，卷积层的误差，根据求得的误差进行权重更新，将更新后的权重作为当前权重，并继续执行B2至B6直至得到新的标签特征。

在本实施例中，在得到新的标签特征以及新的用户行为时序特征之后，在深度神经网络模型的输出层将新的标签特征以及新的用户行为时序特征作为损失函数的输入，计算损失函数的新的损失值；将新的损失值作为当前损失值继续执行A1至A5，直到得到与用户实际喜好匹配度较高，可以准确的表示出用户的喜好的目标特征为止。

在本发明一个实施例中，执行上述实施例中的步骤A1的执行方法至少包括如下四种：

方法一，在本发明一个实施例中，执行上述实施例中的步骤A1判断当前损失值是否能够确定所述目标特征，可以包括：

判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3。

在本实施例中，在标签特征的数量为一种时，则得到的损失值也为一个。则确定当前损失值与上一次得到的损失值之间的差值。在判断出差值在预设的差值范围内时，说明标签特征以及用户行为时序特征与用户实际喜好匹配度较高，则执行A2将标签特征以及用户行为时序特征确定为目标特征，以基于目标特征为用户推荐更符合用户喜好要求的曲目。在判断出差值不在预设的差值范围内时，说明标签特征以用户行为时序特征与用户实际喜好匹配度较低，需要重新提取特征。在本实施例中，在标签特征的数量为多种时，每一种标签特征分别存在对应的差值范围。每一种标签特征分别存在一个损失值。分别针对每一种标签特征对应的损失值执行：判断当前损失值与上一次得到的损失值之间的差值是否在该标签特征对应的差值范围内。在所有的损失值与各自对应的上一次损失值的差值均在各自对应的差值范围内时，说明标签特征以及用户行为时序特征与用户实际喜好匹配度较高，则执行A2将标签特征以及用户行为时序特征确定为目标特征，以基于目标特征为用户推荐更符合用户喜好要求的曲目。在所有的损失值与各自对应的上一次损失值的差值中，存在设定数量个差值不在对应的差值范围内时，说明标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要从新提取标签特征。

根据上述实施例，在当前损失值与上一次得到的损失值之间的差值不在预设的差值范围内时，标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要重新提取标签特征，以最终得到与用户喜好需求的匹配度较高的特征。

方法二，在本发明一个实施例中，执行上述实施例中的步骤A1判断当前损失值是否能够确定所述目标特征，可以包括：

判断当前损失值是否能够确定所述目标特征，包括：

确定得到当前损失值时所述损失函数的累计计算次数；

判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。

在本实施例中，次数阈值可以根据业务要求确定。需要注意的是，次数阈值不宜过多，次数阈值较大需要耗费大量的训练时间。次数阈值不宜过小，次数阈值小时虽然可以节省训练时间，但是可能得到的目标特征不能真实反映出用户的喜好要求。

在本实施例中，在判断累计计算次数达到次数阈值时，说明标签特征以及用户行为时序特征与用户实际喜好匹配度较高，则执行A2将标签特征以及用户行为时序特征确定为目标特征，以基于目标特征为用户推荐更符合用户喜好要求的曲目。在判断累计计算次数未达到次数阈值时，说明标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要重新提取标签特征。

根据上述实施例，在损失函数的累计计算次数未达到预设的次数阈值时，标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要重新提取标签特征，以最终得到与用户喜好需求的匹配度较高的特征。

方法三，在本发明一个实施例中，执行上述实施例中的步骤A1判断当前损失值是否能够确定所述目标特征，可以包括：

判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行D1；

D1：确定得到当前损失值时所述损失函数的累计计算次数；

D2：判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。

方法四，在本发明一个实施例中，执行上述实施例中的步骤A1判断当前损失值是否能够确定所述目标特征，可以包括：

确定得到当前损失值时所述损失函数的累计计算次数；

判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行E1。

E1：判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3；

在本发明一个实施例中，下面以如图2所示所示流程图为例对曲目推荐方法进行说明，该曲目推荐方法包括：

步骤201：基于曲目的标签信息建立卷积神经网络模型，得到标签特征。

步骤202：基于曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征。

步骤203：在深度神经网络模型的输出层分别针对每一种标签特征执行：为每一种用户行为时序特征分配针对于标签特征的权重；利用每一种用户行为时序特征对应的样本损失函数以及权重，分别计算每一种用户行为时序特征针对于标签特征的样本损失值，将各个样本损失值的加和确定为标签特征对应的标签损失值。

步骤204：利用每一种标签特征对应的标签损失值，得到损失值。

步骤205：确定得到当前损失值时损失函数的累计计算次数。

步骤206：判断累计计算次数是否达到预设的次数阈值，如果是，执行步骤208；否则，执行步骤207。

步骤207：判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行步骤208；否则，执行步骤209；

步骤208：将标签特征以及用户行为时序特征确定为目标特征，其中，目标特征用于确定待推荐曲目。

步骤209：通过损失值更新卷积神经网络模型，得到新的标签特征。

步骤210：通过损失值更新时序神经网络模型，得到新的用户行为时序特征。

步骤211：在深度神经网络模型的输出层将新的标签特征以及新的用户行为时序特征作为损失函数的输入，计算损失函数的新的损失值；将新的损失值作为当前损失值，执行步骤205。

如图3所示，本发明实施例提供了一种曲目推荐装置，该曲目推荐装置包括：

第一获取模块301，用于基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

第二获取模块302，用于基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

第三获取模块303，用于基于所述第一获取模块301得到的所述标签特征以及所述第二获取模块302得到的所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

根据图3所示的实施例，首先第一获取模块基于曲目的标签信息(标签信息可以包括但不限于曲目表演者、曲目风格、曲目名称、曲目发行时间等信息)建立卷积神经网络模型，得到标签特征。然后第二获取模块基于曲目的用户行为信息(用户行为信息可以包括但不限于播放、收藏、点赞、分享、删除等信息)建立时序神经网络模型，得到用户行为时序特征。最后第三获取模块基于得到的标签特征以及用户行为时序特征建立深度神经网络模型，得到用于确定待推荐曲目的目标特征，以根据目标特征为用户推荐曲目。通过上述可知，由于目标特征是深度神经网络模型融合了曲目的标签特征和用户行为时序特征得到的，目标特征更能体现出用户的喜好。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

在本发明一个实施例中，如图4所示，所述第三获取模块303可以包括计算子模块3031以及确定子模块3032；

所述计算子模块3031，用于在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

所述确定子模块3032，用于根据所述计算子模块3031计算的所述损失值确定所述目标特征。

在本发明一个实施例中，所述确定子模块3032，用于执行步骤A1至A5；

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

在本发明一个实施例中，所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；

所述计算子模块3031，用于针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值，将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

在本发明一个实施例中，所述确定子模块3032，用于判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3。

在本发明一个实施例中，所述确定子模块3032，用于确定得到当前损失值时所述损失函数的累计计算次数；判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。

在本发明一个实施例提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述中任意一项所述的曲目推荐方法。

在本发明一个实施例提供了一种电子设备，如图5所示，所述电子设备中包括处理器401、存储器402和总线403；所述处理器401、所述存储器402通过所述总线403完成相互间的通信；所述处理器401用于调用所述存储器402中的程序指令，以执行上述中任意一项所述的曲目推荐方法。

上述装置内的各单元之间的信息交互、执行过程等，与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本发明各个实施例至少具有如下有益效果：

1、在本发明实施例中，首先基于曲目的标签信息(标签信息可以包括但不限于曲目表演者、曲目风格、曲目名称、曲目发行时间等信息)建立卷积神经网络模型，得到标签特征。然后基于曲目的用户行为信息(用户行为信息可以包括但不限于播放、收藏、点赞、分享、删除等信息)建立时序神经网络模型，得到用户行为时序特征。最后基于得到的标签特征以及用户行为时序特征建立深度神经网络模型，得到用于确定待推荐曲目的目标特征，以根据目标特征为用户推荐曲目。通过上述可知，由于目标特征是深度神经网络模型融合了曲目的标签特征和用户行为时序特征得到的，目标特征更能体现出用户的喜好。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

2、在本发明实施例中，在当前损失值与上一次得到的损失值之间的差值不在预设的差值范围内时，标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要重新提取标签特征，以最终得到与用户喜好需求的匹配度较高的特征。

3、在本发明实施例中，在损失函数的累计计算次数未达到预设的次数阈值时，标签特征以及用户行为时序特征与用户实际喜好匹配度较低，需要重新提取标签特征，以最终得到与用户喜好需求的匹配度较高的特征。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种曲目推荐方法，其特征在于，包括：

基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

2.根据权利要求1所述的曲目推荐方法，其特征在于，

所述基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征，包括：

在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

根据所述损失值确定所述目标特征。

3.根据权利要求2所述的曲目推荐方法，其特征在于，

所述根据所述损失值确定所述目标特征，包括：

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

4.根据权利要求2所述的曲目推荐方法，其特征在于，

所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；

所述在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值，包括：

针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值；将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

5.根据权利要求4所述的曲目推荐方法，其特征在于，

每一种所述用户行为时序特征分别对应的样本损失函数，包括：0-1损失函数、指数损失函数、hinge损失函数、感知损失函数以及交叉熵损失函数中的任意一种。

6.根据权利要求3-5中任一所述的曲目推荐方法，其特征在于，

所述判断当前损失值是否能够确定所述目标特征，包括：

判断当前损失值与上一次得到的损失值之间的差值是否在预设的差值范围内，如果是，执行A2；否则，执行A3至A5；

或，

所述判断当前损失值是否能够确定所述目标特征，包括：

确定得到当前损失值时所述损失函数的累计计算次数；

判断所述累计计算次数是否达到次数阈值，如果是，执行A2；否则，执行A3。

7.一种曲目推荐装置，其特征在于，包括：

第一获取模块，用于基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

第二获取模块，用于基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

第三获取模块，用于基于所述第一获取模块得到的所述标签特征以及所述第二获取模块得到的所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

8.根据权利要求7所述的曲目推荐装置，其特征在于，

所述第三获取模块，包括：计算子模块以及确定子模块；

所述计算子模块，用于在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

所述确定子模块，用于根据所述计算子模块计算的所述损失值确定所述目标特征。

9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求6中任意一项所述的曲目推荐方法。

10.一种电子设备，其特征在于，所述电子设备中包括处理器、存储器和总线；所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行权利要求1至权利要求6中任意一项所述的曲目推荐方法。