CN110659382B - 基于异构信息网络表示学习技术的混合音乐推荐方法 - Google Patents

基于异构信息网络表示学习技术的混合音乐推荐方法 Download PDF

Info

Publication number
CN110659382B
CN110659382B CN201910830866.8A CN201910830866A CN110659382B CN 110659382 B CN110659382 B CN 110659382B CN 201910830866 A CN201910830866 A CN 201910830866A CN 110659382 B CN110659382 B CN 110659382B
Authority
CN
China
Prior art keywords
music
user
content
preference
representing
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
CN201910830866.8A
Other languages
English (en)
Other versions
CN110659382A (zh
Inventor
张新
王东京
俞东进
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910830866.8A priority Critical patent/CN110659382B/zh
Publication of CN110659382A publication Critical patent/CN110659382A/zh
Application granted granted Critical
Publication of CN110659382B publication Critical patent/CN110659382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于异构信息网络表示学习技术的混合音乐推荐方法，包括：S1基于网络表示学习方法的音乐特征向量的获取；S2用户全局音乐偏好和上下文音乐偏好的预测与建模；S3上下文感知的混合音乐推荐。本发明利用网络表示学习方法从用户的收听记录和音乐的内容数据中提取音乐的特征向量，再从用户的收听记录中分别提取用户的全局音乐偏好和上下文音乐偏好，最后在推荐的时候综合考虑用户的全局偏好和当前上下文偏好，从而改进推荐效果，提升推荐准确率。

Description

基于异构信息网络表示学习技术的混合音乐推荐方法
技术领域
本发明属于数据挖掘及推荐技术领域，具体涉及一种基于异构信息网络表示学习技术的混合音乐推荐方法。
背景技术
数字音乐市场的快速增长受益于移动互联网和智能数字设备等方面的技术创新。如今，智能移动设备可存储数千首音乐作品，移动应用程序允许用户通过移动互联网方便地访问数百万首音乐。然而，用户越来越难以寻找满足其喜好的音乐。推荐系统能够帮助用户从海量在线内容中找到相关项目来降低搜索成本，推荐算法也被应用到音乐领域。然而，传统方法通常遭受诸如低精度和数据稀疏性之类的问题，尤其是处理在线音乐应用或服务中的数百万音乐的场景。
混合推荐方法通过将传统推荐方法与诸如相关文本描述和项目元数据之类的补充信息相结合来缓解这些问题。然而，现有的混合方法不能以统一且灵活的方式充分利用交互/上下文数据和内容信息。具体而言，收听音乐是典型的上下文相关行为，并且上下文可以帮助精确地预测用户的偏好以及执行准确的音乐推荐。通常，智能手机的普及使得人们可以随时随地听音乐，这使得动态上下文难以直接获得。此外，音乐内容数据，例如元数据、描述和歌词，包含各种有用的信息，这可以帮助学习音乐的特征表示并推断用户的音乐偏好。另外，当与不同的音乐一起收听时，某首音乐往往表现出不同的特征。例如，当与其他摇滚音乐一起播放时，一首流行摇滚音乐可以呈现更多的摇滚特征，而当与流行音乐片段一起播放时，相同的音乐片段更多的显示其流行风格。因此，如何充分利用丰富的上下文信息和各种内容数据是实现更好推荐的关键之一。
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异构信息网络表示学习技术的混合音乐推荐方法，能够改善音乐推荐的效果和性能。
一种基于异构信息网络表示学习技术的混合音乐推荐方法，包括如下步骤：
(1)收集用户音乐收听记录和所有音乐内容数据。
所述的用户音乐收听记录包含用户所收听过的音乐记录、会话信息以及对应的播放时间，所述的音乐内容数据包括艺术家/歌手信息、专辑信息、风格信息、语种信息、歌词以及标签和文本描述。
(2)根据所有用户音乐收听记录和所有音乐内容数据构建异构信息网络。
所述的异构信息网络中的节点集合V包括用户、音乐、会话和音乐内容，所述的异构信息网络中的边集合E包括用户-音乐边集合Eu,m、会话-音乐边集合Es,m、音乐-音乐边集合
Figure BDA0002190655140000021
以及音乐-内容边集合Em,c。
所述的用户(u)-音乐(m)边eu,m∈Eu,m的权重为
Figure BDA0002190655140000022
其中x是用户u收听音乐m的次数；
所述的会话(s)-音乐(m)边es,m∈Es,m的权重为
Figure BDA0002190655140000023
其中x是音乐m收在会话s中出现的次数；
所述的音乐(mi)-音乐(mj)边
Figure BDA0002190655140000024
的权重为
Figure BDA0002190655140000031
其中x是音乐mi和音乐mj一起被收听的次数；
所述的音乐(m)-内容(c)边em,c∈Em,c的权重为wm,c＝1。
(3)根据上述异构信息网络，建立以下目标函数O：
Figure BDA0002190655140000032
其中：E表示异构信息网络中的所有边，Em,m表示异构信息网络中的音乐-音乐边集合，Os是结构目标函数，Ot是内容目标函数。
上述结构目标函数Os定义为：
Os(e)＝wi,jlog ps(vi,vj)
其中：结构概率ps(vi,vj)定义为
Figure BDA0002190655140000033
wi,j是对应边的权重，vi和vj表示音乐mi和音乐mj在异构信息网络中的节点，
Figure BDA0002190655140000034
和
Figure BDA0002190655140000035
分别表示音乐mi和音乐mj的结构特征向量，T表示转置操作。
上述内容目标函数Ot定义为：
Ot(e)＝wi,jlog pt(vi,vj)+wi,jlog pts(vi,vj)
其中：内容概率pt(vi,vj)定义为
Figure BDA0002190655140000036
vi和vj表示音乐mi和音乐mj在异构信息网络中的节点，
Figure BDA0002190655140000037
和
Figure BDA0002190655140000038
分别表示音乐mi和音乐mj的内容特征向量，T表示转置操作，内容结构概率pts(vi,vj)定义为
Figure BDA0002190655140000039
vi和vj表示音乐mi和音乐mj在异构信息网络中的节点，
Figure BDA00021906551400000310
和
Figure BDA00021906551400000311
分别表示音乐mi和音乐mj的内容特征向量，
Figure BDA0002190655140000041
和
Figure BDA0002190655140000042
分别表示音乐mi和音乐mj的结构特征向量，T表示转置操作，Hts和Hst分别表示内容结构转换矩阵以及结构内容转换矩阵。
(4)对上述目标函数O进行最大化求解，以求得音乐数据库中所有音乐的特征向量，包括音乐的结构特征向量和内容特征向量，其中内容特征向量通过对音乐的内容数据应用卷积神经网络和注意力机制得到，音乐mi和音乐mj的内容特征向量
Figure BDA0002190655140000043
和
Figure BDA0002190655140000044
定义如下：
Figure BDA0002190655140000045
Figure BDA0002190655140000046
其中Xi和Xj是音乐mi和音乐mj的卷积嵌入矩阵，分别利用卷积神经网络从音乐mi和音乐mj的内容文本中获得，
Figure BDA0002190655140000047
和
Figure BDA0002190655140000048
为音乐mi和音乐mj的注意力向量，定义如下：
Figure BDA0002190655140000049
Figure BDA00021906551400000410
其中：
Figure BDA00021906551400000411
是音乐mi和音乐mj的卷积嵌入矩阵Xi和Xj的关联矩阵，A是注意力矩阵。
(5)对用户的完整音乐收听记录所对应的音乐的特征向量进行最大池化和平均池化操作，得到用户的全局音乐偏好向量；最大池化操作定义如下：
Figure BDA0002190655140000051
其中：Hu表示用户u的音乐收听记录，
Figure BDA0002190655140000052
是音乐mi的特征向量。平均池化操作定义如下：
Figure BDA0002190655140000053
其中：Hu表示用户u的音乐收听记录，
Figure BDA0002190655140000054
是音乐mi的特征向量。
(6)从用户完整音乐收听记录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播放数据；进而对近期音乐播放数据所对应音乐的特征向量进行最大池化和平均池化操作，得到用户的上下文音乐偏好向量；
(7)根据音乐数据库中每首音乐的特征向量以及用户的全局音乐偏好向量和上下文音乐偏好向量，计算出用户对于每首音乐的偏好值；进而根据预测的偏好值对音乐数据库库中的所有音乐从高到低排序，并提取前若干首音乐推荐给用户。用户u对于音乐mi的偏好值定义如下：
Figure BDA0002190655140000055
其中：
Figure BDA0002190655140000056
和
Figure BDA0002190655140000057
表示用户u的全局音乐偏好向量和上下文音乐偏好向量，
Figure BDA0002190655140000058
表示预测的用户u对于音乐mi的全局偏好，
Figure BDA0002190655140000059
Hu表示用户u的音乐收听记录；
Figure BDA00021906551400000510
表示预测的用户u对于音乐mi的上下文偏好，
Figure BDA00021906551400000511
Su表示用户u的近期音乐收听记录。
本发明首次结合异构信息网络表示学习技术从音乐交互数据(结构数据)和音乐内容数据中获取音乐的特征向量(结构特征向量和内容特征向量)和用户的偏好特征向量，为解决音乐特征提取困难问题提供了一种可行的思路；本发明根据用户的收听记录中的音乐的特征向量获取用户的全局音乐偏好和上下文音乐偏好，为用户的兴趣偏好的提取和建模困难提供了一种可靠的方案；综合考虑用户全局偏好和下文偏好的推荐方法，本发明能够改进音乐推荐的效果。
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。
本发明基于异构信息网络表示学习技术的混合音乐推荐方法包括以下步骤：
(1)收集用户音乐收听记录和所有音乐内容数据，所述的用户音乐收听记录包含用户所收听过的音乐记录、会话信息以及对应的播放时间，所述的音乐内容数据包括艺术家/歌手信息、专辑信息、风格信息、语种信息、歌词以及标签和文本描述。
(2)根据所有用户音乐收听记录和所有音乐内容数据构建异构信息网络，所述的异构信息网络中的节点集合V包括用户、音乐、会话和音乐内容，所述的异构信息网络中的边集合E包括用户-音乐边集合Eu,m、会话-音乐边集合Es,m、音乐-音乐边集合
Figure BDA0002190655140000061
以及音乐-内容边集合Em,c。
(3)利用异构信息网络表示方法学习每首音乐的特征向量表示。该方法的目标函数公式为：
Figure BDA0002190655140000062
其中：E表示异构信息网络中的所有边，Em,m表示异构信息网络中的音乐-音乐边集合，结构目标函数Os定义为Os(e)＝wi,jlog ps(vi,vj)，内容目标函数Ot定义为Ot(e)＝wi, jlog pt(vi,vj)+wi,jlog pts(vi,vj)。结构概率ps(vi,vj)定义为
Figure BDA0002190655140000071
内容概率pt(vi,vj)定义为
Figure BDA0002190655140000072
内容结构概率pts(vi,vj)定义为
Figure BDA0002190655140000073
wi,j是对应边的权重，
Figure BDA0002190655140000074
和
Figure BDA0002190655140000075
分别表示音乐mi和音乐mj的内容特征向量且需要通过对音乐的内容数据应用卷积神经网络和注意力机制得到，
Figure BDA0002190655140000076
和
Figure BDA0002190655140000077
分别表示音乐mi和音乐mj的结构特征向量且可以直接求解得到，T表示转置操作，Hts和Hst分别表示内容结构转换矩阵以及结构内容转换矩阵。
(4)通过最大化目标函数O即可得到每首音乐的特征向量
Figure BDA0002190655140000078
(包括结构特征向量
Figure BDA0002190655140000079
和内容特征向量
Figure BDA00021906551400000710
)。其中，具有相似结构信息(收听记录)和内容的音乐具有相似的特征向量。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，但效率低，且有过拟合风险)。
(5)对用户的完整音乐收听记录所对应的音乐的特征向量进行最大池化和平均池化操作，得到用户的全局音乐偏好向量，进而对近期音乐播放数据所对应音乐的特征向量进行最大池化和平均池化操作，得到用户的上下文音乐偏好向量；最大池化操作定义如下：
Figure BDA0002190655140000081
其中：Hu表示用户u的音乐收听记录，
Figure BDA0002190655140000082
是音乐mi的特征向量。平均池化操作定义如下：
Figure BDA0002190655140000083
其中：Hu表示用户u的音乐收听记录，
Figure BDA0002190655140000084
是音乐mi的特征向量。
(6)根据音乐数据库中每首音乐的特征向量以及用户的全局音乐偏好向量和上下文音乐偏好向量，计算出用户对于每首音乐的偏好值；用户u对于音乐mi的偏好值定义如下：
Figure BDA0002190655140000085
其中：
Figure BDA0002190655140000086
和
Figure BDA0002190655140000087
表示用户u的全局音乐偏好向量和上下文音乐偏好向量，
Figure BDA0002190655140000088
表示预测的用户u对于音乐mi的全局偏好，
Figure BDA0002190655140000089
Hu表示用户u的音乐收听记录；
Figure BDA00021906551400000810
表示预测的用户u对于音乐mi的上下文偏好，
Figure BDA00021906551400000811
Su表示用户u的近期音乐收听记录。
(7)进而根据预测的偏好值对音乐数据库库中的所有音乐从高到低排序，并提取前若干首音乐推荐给用户，计算公式如下：
Figure BDA00021906551400000812
其中：u表示目标用户；mi和mj是音乐库中的音乐；
Figure BDA00021906551400000813
是用户的全局偏好向量，
Figure BDA00021906551400000814
是用户的上下文偏好向量。
图1所示了本实施方式基于异构信息网络表示学习技术的混合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播放数据和元数据并构建异构信息网络；再利用网络表示学习模型从异构信息网络中学习音乐的特征向量。在预测模块中，首先从目标用户完整播放记录和近期播放记录中获取用户的全局音乐偏好和上下文音乐偏好；然后根据用户的全局偏好和上下文偏好给用户推荐推荐合适的音乐。图2展示了用户偏好预测的详细步骤，其首先获取用户的完整播放记录和近期播放记录，并从中提取用户的全局音乐偏好和上下文音乐偏好，然后利用用户的全局偏好和上下文偏好，计算目标用户u对音乐mi的偏好。
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 (3)

1.基于异构信息网络表示学习技术的混合音乐推荐方法，其特征在于包括如下步骤：
步骤(1).收集用户音乐收听记录和所有音乐内容数据
所述的用户音乐收听记录包含用户所收听过的音乐记录、会话信息以及对应的播放时间；所述的音乐内容数据包括艺术家/歌手信息、专辑信息、风格信息、语种信息、歌词以及标签和文本描述；
步骤(2).根据所有用户音乐收听记录和所有音乐内容数据构建异构信息网络
异构信息网络中的节点集合V包括用户、音乐、会话和音乐内容，异构信息网络中的边集合E包括用户-音乐边集合Eu,m、会话-音乐边集合Es,m、音乐-音乐边集合Em,m以及音乐-内容边集合Em,c
步骤(3).根据上述异构信息网络，建立以下目标函数O：
Figure FDA0003220320060000011
其中：Os是结构目标函数，Ot是内容目标函数；
步骤(4).对上述目标函数O进行最大化求解，以求得音乐数据库中所有音乐的特征向量；
步骤(5).对用户的完整音乐收听记录所对应的音乐的特征向量进行最大池化和平均池化操作，得到用户的全局音乐偏好向量；
步骤(6).从用户完整音乐收听记录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播放数据；进而对近期音乐播放数据所对应音乐的特征向量进行最大池化和平均池化操作，得到用户的上下文音乐偏好向量；
步骤(7).根据音乐数据库中每首音乐的特征向量以及用户的全局音乐偏好向量和上下文音乐偏好向量，计算出用户对于每首音乐的偏好值；进而根据预测的偏好值对音乐数据库库中的所有音乐从高到低排序，并提取前若干首音乐推荐给用户；
其中步骤(3)中结构目标函数Os定义为：
Os(e)＝wi,jlogps(vi,vj)
其中结构概率ps(vi,vj)的表达式如下：
Figure FDA0003220320060000021
其中：wi,j是对应边的权重，vi和vj表示音乐mi和音乐mj在异构信息网络中的节点，
Figure FDA0003220320060000022
和
Figure FDA0003220320060000023
分别表示音乐mi和音乐mj的结构特征向量，T表示转置操作；
其中步骤(3)中内容目标函数Ot定义为
Ot(e)＝wi,jlogpt(vi,vj)+wi,jlogpts(vi,vj)
其中第一内容概率pt(vi,vj)的表达式如下：
Figure FDA0003220320060000024
其中：wi,j是对应边的权重，vi和vj表示音乐mi和音乐mj在异构信息网络中的节点，
Figure FDA0003220320060000025
和
Figure FDA0003220320060000026
分别表示音乐mi和音乐mj的内容特征向量，T表示转置操作；
其中第二内容结构概率pts(vi,vj)的表达式如下：
Figure FDA0003220320060000027
其中：
Figure FDA0003220320060000031
和
Figure FDA0003220320060000032
分别表示音乐mi和音乐mj的结构特征向量，Hts和Hst分别表示内容结构转换矩阵和结构内容转换矩阵。
2.根据权利要求1所述的混合音乐推荐方法，其特征在于：步骤(4)中的特征向量包括音乐的结构特征向量和内容特征向量，其中结构特征向量可直接求解得出，内容特征向量通过对音乐的内容数据应用卷积神经网络和注意力机制得到，音乐mi和音乐mj的内容特征向量
Figure FDA0003220320060000033
和
Figure FDA0003220320060000034
定义如下：
Figure FDA0003220320060000035
Figure FDA0003220320060000036
其中Xi和Xj是音乐mi和音乐mj的卷积嵌入矩阵，分别利用卷积神经网络从音乐mi和音乐mj的内容文本中获得，
Figure FDA0003220320060000037
和
Figure FDA0003220320060000038
为音乐mi和音乐mj的注意力向量。
3.根据权利要求1所述的混合音乐推荐方法，其特征在于：所述的步骤(7)中通过以下公式计算用户u对于音乐mi的偏好值：
Figure FDA0003220320060000039
其中：
Figure FDA00032203200600000310
和
Figure FDA00032203200600000311
表示用户u的全局音乐偏好向量和上下文音乐偏好向量，
Figure FDA00032203200600000312
表示预测的用户u对于音乐mi的全局偏好，
Figure FDA00032203200600000313
Hu表示用户u的音乐收听记录；
Figure FDA00032203200600000314
表示预测的用户u对于音乐mi的上下文偏好，
Figure FDA00032203200600000315
Su表示用户u的近期音乐收听记录。
CN201910830866.8A 2019-09-04 2019-09-04 基于异构信息网络表示学习技术的混合音乐推荐方法 Active CN110659382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910830866.8A CN110659382B (zh) 2019-09-04 2019-09-04 基于异构信息网络表示学习技术的混合音乐推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910830866.8A CN110659382B (zh) 2019-09-04 2019-09-04 基于异构信息网络表示学习技术的混合音乐推荐方法

Publications (2)

Publication Number Publication Date
CN110659382A CN110659382A (zh) 2020-01-07
CN110659382B true CN110659382B (zh) 2021-10-15

Family

ID=69037905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910830866.8A Active CN110659382B (zh) 2019-09-04 2019-09-04 基于异构信息网络表示学习技术的混合音乐推荐方法

Country Status (1)

Country Link
CN (1) CN110659382B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969547B (zh) * 2022-06-24 2023-04-18 杭州电子科技大学 一种基于多视角增强图注意神经网络的音乐推荐方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN106528653A (zh) * 2016-10-17 2017-03-22 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
CN106709037A (zh) * 2016-12-29 2017-05-24 武汉大学 一种基于异构信息网络的电影推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9710470B2 (en) * 2013-09-09 2017-07-18 International Business Machines Corporation Social recommendation across heterogeneous networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955535A (zh) * 2014-05-14 2014-07-30 南京大学镇江高新技术研究院 一种基于元路径的个性化推荐方法及系统
CN106528653A (zh) * 2016-10-17 2017-03-22 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
CN106709037A (zh) * 2016-12-29 2017-05-24 武汉大学 一种基于异构信息网络的电影推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Music Recommendation via Heterogeneous Information Graph Embedding";Dongjing Wang等;《2017 International Joint Conference on Neural Networks》;20170519;第596-603页 *
"基于异质信息网络表示学习的推荐算法研究与实现";胡斌斌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190815;全文 *

Also Published As

Publication number Publication date
CN110659382A (zh) 2020-01-07

Similar Documents

Publication Publication Date Title
CN102024058B (zh) 音乐推荐方法及系统
US8886635B2 (en) Apparatus and method for recognizing content using audio signal
CN108197282A (zh) 文件数据的分类方法、装置及终端、服务器、存储介质
CN108304424B (zh) 文本关键词提取方法及文本关键词提取装置
Li et al. Content-based filtering recommendation algorithm using HMM
CN112434533B (zh) 实体消歧方法、装置、电子设备及计算机可读存储介质
CN107589828A (zh) 基于知识图谱的人机交互方法及系统
CN107665188B (zh) 一种语义理解方法及装置
CN111258995A (zh) 数据处理方法、装置、存储介质及设备
CN110008397A (zh) 一种推荐模型训练方法及装置
CN103020712A (zh) 一种海量微博数据的分布式分类装置及方法
CN112364184A (zh) 多媒体数据的排序方法、装置、服务器及存储介质
CN103942328A (zh) 一种视频检索方法及视频装置
CN111324773A (zh) 一种背景音乐构建方法、装置、电子设备和存储介质
CN115618024A (zh) 多媒体推荐方法、装置及电子设备
CN110659382B (zh) 基于异构信息网络表示学习技术的混合音乐推荐方法
CN105426382B (zh) 一种基于Personal Rank的情绪上下文感知的音乐推荐方法
CN110070891A (zh) 一种歌曲识别方法、装置以及存储介质
CN107886132B (zh) 一种求解音乐流量预测的时间序列分解方法及系统
CN109885668A (zh) 一种可扩展的领域人机对话系统状态跟踪方法及设备
CN111026908B (zh) 歌曲标签确定方法、装置、计算机设备以及存储介质
CN110209692A (zh) 数据标签的提供方法、数据处理方法、装置及设备
CN111339865A (zh) 一种基于自监督学习的音乐合成视频mv的方法
CN115203532B (zh) 一种项目推荐方法、装置、电子设备及存储介质
CN106599114A (zh) 音乐推荐方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200107

Assignee: Zhejiang haomeng Technology Co.,Ltd.

Assignor: HANGZHOU DIANZI University

Contract record no.: X2022980024264

Denomination of invention: Hybrid music recommendation method based on heterogeneous information network representation learning technology

Granted publication date: 20211015

License type: Common License

Record date: 20221202