CN110598040B - 专辑召回方法、装置、设备及存储介质 - Google Patents

Abstract

本发明实施例公开了一种专辑召回方法、装置、设备及存储介质。其中方法包括：获取用户特征和专辑特征；将用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。本发明实施例实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

Description

专辑召回方法、装置、设备及存储介质

技术领域

本发明实施例涉及互联网技术领域，尤其涉及一种专辑召回方法、装置、设备及存储介质。

背景技术

随着互联网技术的发展，推荐系统(Recommender system)是很多产品不可或缺的一部分，其中产品可以是视频专辑或音频专辑等。通常推荐系统涉及一系列模型，例如：内容模型、召回模型以及推荐模型，这一系列模型共同实现推荐系统的功能。

实际使用过程中，召回模型中的召回算法可以为深度矩阵分解模型(Deep MatrixFactorization Model，简称DMF)，通过该算法可以基于用户的喜好筛选一批待推荐的音频专辑，并将待推荐的音频专辑推荐给用户。然而，DMF是由专辑网络和用户网络两个独立的连接网络组成，从而提取的特征是用户和专辑各自的交叉特征，而用户与专辑之间也存在交互，且这种交互更能体现用户的喜好，而现有的DMF无法获取用户与专辑间的交互特征，从而导致后续无法向用户提供精准及个性化的专辑推荐服务。

发明内容

本发明实施例提供一种专辑召回方法、装置、设备及存储介质，以实现获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

第一方面，本发明实施例提供了一种专辑召回方法，该方法包括：

获取用户特征和专辑特征；

将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；

根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

第二方面，本发明实施例还提供了一种专辑召回装置，该装置包括：

特征获取模型，用于获取用户特征和专辑特征；

矩阵生成模块，用于将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；

专辑确定模块，用于根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

专辑召回模块，用于将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任一实施例所述的专辑召回方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时以实现本发明任一实施例所述的专辑召回方法。

本发明实施例公开的技术方案，具有如下有益效果：

通过将获取用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，然后根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到预设条件的至少两个专辑，并将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回至少一个专辑。由此，实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

附图说明

图1是本发明实施例一提供的一种专辑召回方法的流程示意图；

图2是本发明实施例二提供的一种第一深度矩阵分解模型生成过程的流程示意图；

图3是本发明实施例三提供的一种专辑召回装置的结构示意图；

图4是本发明实施例四提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。

本发明实施例针对相关技术中，现有的深度矩阵分解模型(Deep MatrixFactorization Model，简称DMF)无法获取用户与专辑间的交互特征，从而导致后续无法向用户推荐精准及个性化的专辑推荐服务的问题，提出一种专辑召回方法。

本发明实施例，通过将获取用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，然后根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到预设条件的至少两个专辑，并将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回至少一个专辑。由此，实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

下面参考附图描述本发明实施例的专辑召回方法、装置、设备及存储介质进行详细说明。

实施例一

图1是本发明实施例一提供的一种专辑召回方法的流程示意图，本实施例可适用于基于用户特征召回更符合用户喜好的专辑，以提高专辑召回精准性的场景，该方法可以由专辑召回装置来执行，以实现对专辑召回过程进行控制，该专辑召回装置可由硬件和/或软件组成，并一般可集成于计算机设备中，该计算机设备可以是任意具有数据处理功能的设备。该专辑召回方法具体包括如下：

S101，获取用户特征和专辑特征。

S102，将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵。

本实施例中，专辑可以是指音频专辑，当然也可以是指其他专辑。本实施例以音频专辑为例进行说明。

示例性的，本实施例可通过从数据库中获取不同用户的历史播放记录，或者收集不同用户的历史播放记录，以对获取的不同用户的历史播放记录进行分析处理，得到用户数据和专辑数据。然后，对用户数据和专辑数据进行数据预处理，得到用户特征和专辑特征。其中，历史播放记录是指用户播放专辑的播放记录。

在本实施例中，用户的历史播放记录中可包括用户标识和专辑播放序列信息。其中，用户标识用于区别每个用户身份的唯一标识信息，例如账号、IP地址等。专辑播放序列用于表示用户历史播放的专辑情况。

在实际使用过程中，获取的用户历史播放记录中，存在专辑播放序列中专辑播放数量少于预设数值。而此类历史播放记录并不能很好的体现出用户的个人喜好，没有参考价值。因此，本实施例可将专辑播放序列中的专辑播放数量少于预设数值的用户历史播放记录进行剔除，以确保后续根据获取的用户历史播放记录能够准确分析出不同用户对不同专辑的喜好程度，进而有针对性的进行专辑推荐服务，提高推荐服务质量。

在本实施例中，预设数值可以根据实际需要进行适应性设置，此处对其不做具体限定。例如，可以设置为2个，或者3个等等。

对专辑播放序列中的专辑播放数量少于预设数值的用户历史播放记录进行剔除之后，本实施例可从剩余的用户历史播放记录中的专辑播放序列中提取最后一个专辑，并将该最后一个专辑作为预测专辑，并将除最后一个专辑之外的剩余专辑作为播放专辑序列。其中预测专辑具有专辑标识。专辑标识为区分每个专辑身份的唯一标识信息，例如名称，或者起标识作用的唯一特殊字符串等。

进一步的，本实施例还可根据用户历史播放记录中的用户标识，获取该用户标识对应的用户属性数据，以及根据预测专辑的专辑标识获取专辑属性数据。

其中，用户属性数据包括：用户年龄和用户性别；专辑属性数据包括：专辑类别和专辑风格。

在本实施例中，专辑类别可以包括有声书、音乐、相声评述、历史及儿童等等；专辑风格可以根据专辑类别分为不同风格。例如，若专辑类别为有声书，则风格可以包括：言情、文学、悬疑、经典等等。又如，若专辑类别为历史，则风格可以包括：正史、野史、军事及纪实等等。

获取到用户属性数据和专辑属性数据之后，可将用户属性数据和播放专辑序列组成用户特征，并将预测专辑的专辑属性数据和专辑标识组成专辑特征。

进一步的，为了便于后续处理，本实施例还可对用户特征和专辑特征分别进行数据预处理。

其中，对用户特征进行预处理时，可包括：对用户属性数据中的用户年龄和用户性别进行独热编码(one-hot编码)，并对播放专辑序列进行常规编码，然后将编码后的播放专辑序列进行嵌入层操作(嵌入层是模型参数的一部分，训练模型的时候，嵌入层的参数也会更新)及求均值处理，最后将处理后的用户年龄、用户性别及播放专辑序列的向量进行拼接，得到处理后的用户特征。

对专辑特征进行预处理时，可包括：对专辑属性数据中的专辑类别和专辑风格进行独热编码，并对专辑标识进行常规编码，然后将编码后的专辑标识进行嵌入层操作，得到专辑向量，最后将处理后的专辑类别、专辑风格及专辑向量进行拼接，得到处理后的专辑特征。

举例说明，假设用户年龄有5类，分别为：小孩、学生、青年、中年、老年；用户性别有两类，分别为：男和女，那么当用户1的年龄为学生，性别为女，则对用户1的年龄进行独热编码之后，可得到一个5维向量[0,1,0，0，0]，对用户1的性别进行独热编码之后，可得到一个2维向量[0,1]；当用户1的播放专辑序列为专辑1、专辑2及专辑3，则可将专辑1、专辑2及专辑3编码为[1,2,3]，然后将专辑1、专辑2及专辑3编码后的数据分别经过嵌入层生成3个64维的向量，分别为专辑1:[0.1,0.2，…，0.06]、专辑2：[0.4,0.2,…,0.05]及专辑3：[0.2,0.4，…，0.2]，再将三个专辑的向量求平均值得到：[0.35,0.4，…，0.155]。最后，将处理后的用户年龄、用户性别及播放专辑序列的向量进行拼接，得到用户特征：[0,1,0,0,0,0,1,0.35,0.4,…,0.155]。

又如，假设专辑类别有四类，分别为：儿童类、历史类、相声类及有声评书类；专辑风格有3个，分别为文学、悬疑和经典，那么当专辑A的类别为类别2，则对专辑A的类别进行独热编码之后，可得一个4维向量[0，1,0,0]；当专辑A的风格为风格2，则对专辑A的风格进行独热编码之后，可得一个3维向量[0,1,0]；当专辑A的标识对应专辑索引为2，则经过嵌入层生成一个64维的专辑向量[0.1,0.02，…，0.06]。最后，将处理后的专辑类别、专辑风格及专辑向量进行拼接，得到专辑特征：[0,1,0,0,0,1,0,0.1,0.02,…,0.06]。

进而，将处理后的用户特征和专辑特征作为输入数据，输入至第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵。

其中，第一深度矩阵分解模型可包括两个网络，分别为用户网络和专辑网络。其中，用户网络可生成用户矩阵，专辑网络可生成专辑矩阵。也就是说，本实施例通过将处理后的用户特征输入至用户网络，以及将处理后的专辑特征输入至专辑网络，可分别生成用户矩阵和专辑矩阵。

S103，根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑。

其中，第一预设条件可根据实际应用需求进行适应性设置，本实施例对此不作具体限定。例如，第一预设条件为用户和对应专辑在高维空间的距离<0.2。

在本实施例中，预设的近似搜索方法可包括：kd-tree算法或ball-tree算法。

可选的，本实施例中根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑，包括：

基于kd-tree算法，从所述专辑矩阵中搜索与每个用户相似度达到第一预设条件的至少两个专辑；或者，

基于ball-tree算法，从所述专辑矩阵中搜索与每个用户相似度达到第一预设条件的至少两个专辑。

其中，本实施例中通过kd-tree算法或ball-tree算法确定专辑矩阵中各专辑特征与用户矩阵中每个用户相似度达到第一预设条件的实现过程可参见现有技术方案，对此不做过多赘述。

也就是说，本实施例通过第一深度矩阵分解模型，生成用户矩阵和专辑矩阵之后，计算机设备通过调用预设的近似搜索方法，基于用户矩阵中每个用户特征在专辑矩阵中查找相似度达到第一预设条件的多个专辑，能够避免通过全量计算每个用户特征与每个专辑特征之间的相似度，从而能够降低时间复杂度。

举例来说，若数据库中有10万专辑，每个用户找出最相关的10个专辑，约2000万日活用户，且用户特征和专辑特征均为64维，那么采用全量计算时时间复杂度为64*2000万*10万，当采用全量计算方式确定与每个用户最相关的10个专辑时，则时间复杂度为64*2000万*10万。而本实施例中根据kd-tree算法或者ball-tree算法，为每个用户在10万专辑中确定最相关的10个专辑时，则时间复杂度近似为64*2000万*log(10万)，显然时间复杂度能够明显降低。

S104，将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

需要说明的是，本实施例中第二深度矩阵分解模型与第一深度矩阵分解模型的不同之处在于，第二深度矩阵分解模型的网络只有一个，即用户特征和专辑特征共同输入一个全连接层，从而能够提取到用户特征和专辑特征之间的交叉特征，进而根据交叉特征能够更准确的知晓用户对哪类专辑更感兴趣，提高了模型对数据的拟合能力。例如，交叉特征可以为用户年龄段为小孩且推荐专辑为儿童类等等

其中，第二预设条件可以与第一预设条件相同或不同，此处对其不做具体限定。

本实施例通过将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以基于第二深度矩阵分解模型提取每个用户与相似的至少两个专辑之间的交互特征，然后基于获取的交互特征从至少两个专辑中获取相似度满足第二预设条件的至少一个专辑，然后将该至少一个专辑作为最符合用户的专辑，以将该专辑进行召回，作为召回集。使得后续为该用户提供推荐服务时，可将该召回集中的专辑推送给用户，提高了用户使用体验。

例如，若用户W对应的至少两个专辑特征数量为200个专辑，那么将用户W及自身对应的200个专辑构成200条输入数据，其中每条数据中用户特征相同，专辑特征不同。然后将200条输入数据输入至第二深度矩阵分解模型，经过第二深度矩阵分解模型可分别计算用户W的用户特征与200个专辑中每个专辑之间的相似度得到200个相似度。然后从200个相似度中选取达到第二预设条件的10个相似度，并将这10个相似度对应的专辑召回，以构成与用户W对应的召回集。建立召回集与用户的对应关系并进行存储，从而用户W获取专辑推荐服务时，计算机设备可直接根据用户与召回集的对应关系将召回集中的专辑推送给用户。

其中，为了更好的满足用户需求，本实施例中向用户提供推荐服务器时，还可对召回集中的专辑进行排序，然后再将排序后的专辑推送给用户，使得用户更容易获取到符合自身需求的专辑。

需要说明的是，对于本实施例中对第一深度矩阵分解模型及第二深度矩阵分解模型生成过程将在下面示例中进行详细说明，此处对其不做过多赘述。

本发明实施例提供的专辑召回方法，通过将获取用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，然后根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到预设条件的至少两个专辑，并将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回至少一个专辑。由此，实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

实施例二

下面通过图2，对本发明实施例中，第一深度矩阵分解模型及第二深度矩阵分解模型生成过程进行详细说明。

需要说明的是，本实施例中第一深度矩阵分解模型和第二深度矩阵分解模型的训练过程相类似，下面以生成第一深度矩阵分解模型为例进行具体说明。

图2是本发明实施例二提供的一种第一深度矩阵分解模型生成过程的流程示意图。本发明实施例中第一深度矩阵分解模型生成过程具体包括如下步骤：

S201，获取用户历史播放数据。

在本实施例中，用户历史播放数据包括用户标识及历史播放专辑序列信息。

其中，用户历史播放数据可从数据库中获取得到，或者，还可以是通过收集获得，此处对其不做具体限定。

随着互联网的发展，信息过载的现象日益严重。而基于机器学习的推荐方法，可以为用户提供合适的音乐及电影等产品，受到广泛应用。其中机器学习的关键是模型以及训练数据的选择。在本实施例中，可获取用户历史播放数据，以从用户历史播放数据中提取相关数据(例如用户特征及专辑特征)，从而根据提取的数据训练机器学习模型。

需要说明的是，本实施例中，获取用户特征及专辑特征实现方式与上述实施例S101相同或类似，具体参见上述实施例，此处不做过多赘述。

S202，依据所述用户历史播放数据，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。

具体实现时，本实施例可通过从用户历史播放数据中，提取用户最后播放的一个专辑来预测，作为正样本，以及采用负采样生成负样本，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。在本实施例中，正负样本比例可为1:2。

实际使用中，可根据用户的已播放过的专辑序列，提取用户最后播放的一个专辑作为预测专辑，标签值为1，其他播放过的专辑作为特征(播放专辑序列)，及每个用户生成一条正样本；

相应的，本实施例中采用负采样生成负样本可以从所有专辑中随机选取一个不在用户播放专辑序列中的专辑，以该专辑作为训练样本，并将该条训练样本的标签值设为0，作为负样本。

也就是说，本实施例中训练样本可由用户特征、专辑特征及标签组成，以表示用户是否播放了专辑，其中标签值为1表示用户播放了专辑，标签值为0表示用户未播放专辑。

其中，在训练机器学习模型时，通过梯度下降最小化损失函数来实现。即损失函数最小化时说明模型训练结束。

需要说明的是，本实施例中生成第一深度矩阵分解模型和第二深度矩阵分解模型的训练过程类似，训练数据也是一样的，区别仅在于生成第一深度矩阵分解模型时，需要将用户特征和专辑特征分别输入至用户网络和专辑网络，而生成第二深度矩阵分解模型时则将用户特征和专辑特征共同输入同一网络中，以获取用户与专辑的交叉特征，具体训练过程可参见实施例二中训练第一深度矩阵分解模型，此处对其不做过多赘述。

也就是说，本实施例中通过训练的第一深度矩阵分解模型获取用户矩阵和专辑矩阵，并利用预设的近似搜索方法从专辑矩阵中获取到与用户矩阵中每一用户相似度达到预设条件的至少两个专辑的时间复杂度，然后利用训练的第二深度矩阵分解模型可以根据获取到的用户与至少两个专辑之间的交互特征，为每个用户从获取的至少两个专辑中挑选出与每个用户最相关的至少一个专辑，不仅提高了获取推荐专辑的速度，减少获取推荐专辑所花费的时间，还能提高为每个用户提供推荐专辑的准确度。

实施例三

为了实现上述目的，本发明实施例还提出了一种专辑召回装置。图3是本发明实施例三提供的一种专辑召回装置的结构示意图。如图3所示，本发明实施例专辑召回装置包括：特征获取模型310、矩阵生成模块320、专辑确定模块330及专辑召回模块340。

其中，特征获取模型310，用于获取用户特征和专辑特征；

矩阵生成模块320，用于将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；

专辑确定模块330，用于根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

专辑召回模块340，用于将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

作为本发明实施例的一种可选的实现方式，还包括：

数据获取模块，用于获取用户历史播放数据；

模型训练模块，用于依据所述用户历史播放数据，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。

作为本发明实施例的一种可选的实现方式，所述用户历史播放数据包括：用户属性信息及历史播放专辑序列信息。

作为本发明实施例的一种可选的实现方式，模型训练模块，具体用于：

从用户历史播放数据中，取出用户最后播放的一个专辑来预测，作为正样本，通过负采样生成负样本；其中，正负样本比例为1:2；

基于所述正样本和负样本，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。

作为本发明实施例的一种可选的实现方式，专辑确定模块330具体用于：

基于kd-tree算法，从所述专辑矩阵中搜索与每个用户相似度大于第一相似度阈值的至少两个专辑特征；或者，

基于ball-tree算法，从所述专辑矩阵中搜索与每个用户相似度大于第一相似度阈值的至少两个专辑特征。

需要说明的是，前述对专辑召回方法实施例的解释说明也适用于该实施例的专辑召回装置，其实现原理类似，此处不再赘述。

本发明实施例提供的专辑召回装置，通过将获取用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，然后根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到预设条件的至少两个专辑，并将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回至少一个专辑。由此，实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

实施例四

为了实现上述目的，本发明实施例还提出了一种计算机设备。参见图4，本实施例提供了一种计算机设备400，其包括：一个或多个处理器410；存储装置412，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器410执行，使得所述一个或多个处理器410实现本发明实施例所提供的专辑召回方法，包括：

获取用户特征和专辑特征；

将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；

根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

当然，本领域技术人员可以理解，处理器410还可以实现本发明任意实施例所提供的专辑召回方法的技术方案。

如图4所示，计算机设备400以通用计算设备的形式表现。计算机设备400的组件可以包括但不限于：一个或者多个处理器或者处理器410，存储装置412，连接不同系统组件(包括存储装置412和处理器410)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备400典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备400访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储装置412可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备400可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储装置512可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备400也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备400交互的设备通信，和/或与使得该计算机设备400能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备400还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备400的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器410通过运行存储在存储装置412中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的任意专辑召回方法。

需要说明的是，前述对专辑召回方法实施例的解释说明也适用于该实施例的计算机设备，其实现原理类似，此处不再赘述。

本发明实施例提供的计算机设备，通过将获取用户特征和专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，然后根据预设的近似搜索方法，确定专辑矩阵与用户矩阵中每个用户相似度达到预设条件的至少两个专辑，并将用户特征及至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与每个用户相似度达到第二预设条件的至少一个专辑，并召回至少一个专辑。由此，实现了通过第二深度矩阵分解模型，获取用户与专辑之间的交互特征，从而基于交互特征能够向用户提供更精准及个性化的专辑推荐服务。

实施例五

为了实现上述目的，本发明还提出了一种计算机可读存储介质。本发明实施例提供的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例的专辑召回方法，该方法包括：

获取用户特征和专辑特征；

将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵；

根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储有计算机程序可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的专辑召回方法中的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (7)

1.一种专辑召回方法，其特征在于，所述方法包括：

获取用户特征和专辑特征；

将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，其中，所述第一深度矩阵分解模型包括用户网络和专辑网络；

根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑，其中，所述第二深度矩阵分解模型用于提取所述用户特征和所述至少两个专辑的专辑特征之间的交叉特征；

获取用户历史播放数据；

依据所述用户历史播放数据，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型；

所述依据所述用户历史播放数据，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型包括：

从用户历史播放数据中，提取用户最后播放的一个专辑来预测，作为正样本，以及采用负采样生成负样本；

基于所述正样本和负样本，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。

2.根据权利要求1所述的方法，其特征在于，所述用户历史播放数据包括：用户标识及专辑播放序列信息。

3.根据权利要求1所述的方法，其特征在于，根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑，包括：

基于kd-tree算法，从所述专辑矩阵中搜索与每个用户相似度达到第一预设条件的至少两个专辑；或者，

基于ball-tree算法，从所述专辑矩阵中搜索与每个用户相似度达到第一预设条件的至少两个专辑。

4.一种专辑召回装置，其特征在于，包括：

特征获取模型，用于获取用户特征和专辑特征；

矩阵生成模块，用于将所述用户特征和所述专辑特征输入第一深度矩阵分解模型，以生成用户矩阵和专辑矩阵，其中，所述第一深度矩阵分解模型包括用户网络和专辑网络；

专辑确定模块，用于根据预设的近似搜索方法，确定所述专辑矩阵与所述用户矩阵中每个用户相似度达到第一预设条件的至少两个专辑；

专辑召回模块，用于将所述用户特征及所述至少两个专辑的专辑特征输入第二深度矩阵分解模型，以确定与所述每个用户相似度达到第二预设条件的至少一个专辑，并召回所述至少一个专辑，其中，所述第二深度矩阵分解模型用于提取所述用户特征和所述至少两个专辑的专辑特征之间的交叉特征；

数据获取模块，用于获取用户历史播放数据；

模型训练模块，用于依据所述用户历史播放数据，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型；

所述模型训练模块，具体用于：

从用户历史播放数据中，取出用户最后播放的一个专辑来预测，作为正样本，通过负采样生成负样本；

基于所述正样本和负样本，对机器学习模型进行训练，以生成第一深度矩阵分解模型和第二深度矩阵分解模型。

5.根据权利要求4所述的装置，其特征在于，所述用户历史播放数据包括：用户属性信息及历史播放专辑序列信息。

6.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-3中任一所述的专辑召回方法。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的专辑召回方法。