CN112989617A - 一种基于注意力感知时间点过程的音乐推荐方法 - Google Patents

一种基于注意力感知时间点过程的音乐推荐方法 Download PDF

Info

Publication number
CN112989617A
CN112989617A CN202110300775.0A CN202110300775A CN112989617A CN 112989617 A CN112989617 A CN 112989617A CN 202110300775 A CN202110300775 A CN 202110300775A CN 112989617 A CN112989617 A CN 112989617A
Authority
CN
China
Prior art keywords
music
user
listening
attention
time
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.)
Withdrawn
Application number
CN202110300775.0A
Other languages
English (en)
Inventor
王东京
张新
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 CN202110300775.0A priority Critical patent/CN112989617A/zh
Publication of CN112989617A publication Critical patent/CN112989617A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

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

Abstract

本发明公开了一种基于注意力感知时间点过程的音乐推荐方法，包括：S1时间感知的音乐收听行为表示；S2基于注意力感知时间点过程的收听行为建模与用户长短期兴趣的预测；S3时间与序列感知的音乐推荐。本发明利用时间点过程和注意力机制对用户的音乐收听序列进行建模，并从用户的收听记录中学习用户的长期兴趣向量和短期兴趣向量，最后在推荐的时候综合考虑用户的长短期兴趣偏好，从而改进推荐效果，提升推荐准确率。

Description

一种基于注意力感知时间点过程的音乐推荐方法
技术领域
本发明属于数据挖掘及推荐技术领域，具体涉及一种基于注意力感知时间点过程的音乐收听行为建模与推荐方法。
背景技术
音乐推荐系统旨在为用户提供个性化建议，已被证明是解决许多音乐应用程序和音乐在线服务中所存在的信息过载问题的有效方法。然而，传统音乐推荐方法存在诸多问题与挑战，例如无法充分利用用户的收听数据、难以获取并融合用户对音乐的长短期兴趣、推荐效果无法满足用户的实时需求等。因此，如何充分利用用户的收听序列以及其中的丰富的信息，从中准确捕获用户的长期和短期动态兴趣并进行融合建模，是实现更好的音乐推荐的关键之一。
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注意力感知时间点过程的音乐收听行为建模与推荐方法，能够改善推荐的效果和性能。
一种基于注意力感知时间点过程的音乐收听行为建模与推荐方法，包括如下步骤：
(1)收集用户的音乐收听序列数据
Figure BDA0002986164980000011
其中用户ui∈U的音乐收听序列
Figure BDA0002986164980000012
为ui对音乐的收听记录的有序集合
Figure BDA0002986164980000013
其中收听记录
Figure BDA0002986164980000021
表示用户ui在时间tj收听了音乐mj∈M，
Figure BDA0002986164980000022
是音乐mj的时长，U是所有用户的集合，M为所有音乐的集合，
Figure BDA0002986164980000023
Figure BDA0002986164980000024
表示
Figure BDA0002986164980000025
中的收听记录的个数。
(2)给定用户u的音乐收听序列Hu，在当前时间t目标音乐m被收听的概率建模为：
Figure BDA0002986164980000026
其中ωh,m表示历史音乐h与目标音乐m的关联关系，k(t-th,lh)是用于融合时间信息和用户收听行为的指数核函数，lh是音乐h的时长，th是音乐h的收听时间。
上述ωh,m定义为
Figure BDA0002986164980000027
其中vh和vm分别表示音乐h和m的特征向量，mn是Hu中最后一首音乐，Hu\mn表示Hu中除mn之外的所有音乐，
Figure BDA0002986164980000028
为vh和vm之间的关联函数，A是模型参数。
此外，
Figure BDA0002986164980000029
和
Figure BDA00029861649800000210
分别表示长期兴趣和短期兴趣的注意力权重，分别定义为
Figure BDA00029861649800000211
和
Figure BDA00029861649800000212
其中vu、vh和
Figure BDA00029861649800000213
分别表示用户u、音乐h和mn的特征向量，Wl、Ws和Wl为模型参数，f′()为向量之间的欧氏距离的平方，
Figure BDA00029861649800000214
为Hu\mn中音乐的特征向量的加权平均。
上述指数核函数k(t-th,lh)定义为k(t-th,lh)＝kt(t-th)kb(lh)，其中kt(t-th)＝exp(-δu(t-th))是历史记录h对音乐m的影响，该影响随时间指数衰减，exp()为指数函数，δu≥0表示衰减率；另外，
Figure BDA0002986164980000031
用于融合用户行为信息，其中Δth表示Hu中音乐h和下一首音乐之间的时间间隔。
(3)计算出用户u在时间t对于音乐m的兴趣值
Figure BDA0002986164980000032
根据用户的兴趣值对数据库中所有音乐从高到底排序，并提取兴趣值最高的若干个物品推荐给用户。
排序公式如下：
Figure BDA0002986164980000033
其中：u表示目标用户，m∈M和m′∈M是数据库中的音乐，m′≠m。
本发明的有益效果：本发明首次利用注意力感知时间点过程对用户的音乐收听序列以及其中的时间信息进行建模，为解决用户的音乐收听行为建模困难的问题提供了一种可行的方法；本发明能够利用注意力机制准确捕获用户的长期和短期动态兴趣并进行建模，为用户的长短期兴趣偏好获取和融合困难的问题提供了一种可靠的方法；本发明能够动态融合用户长短期兴趣以改进音乐推荐效果。
附图说明
图1为本发明推荐方法的系统架构示意图。
图2为本发明推荐方法中的用户兴趣预测和推荐流程示意图。
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。
本发明一种基于注意力感知时间点过程的音乐收听行为建模与推荐方法包括以下步骤：
(1)收集用户的音乐收听序列数据
Figure BDA0002986164980000041
其中用户ui∈U的音乐收听序列
Figure BDA0002986164980000042
为ui对音乐的收听记录的有序集合定义为：
Figure BDA0002986164980000043
其中：收听记录
Figure BDA0002986164980000044
表示用户ui在时间tj收听了音乐mj∈M，
Figure BDA0002986164980000045
是音乐mj的时长，U是所有用户的集合，M为所有音乐的集合，
Figure BDA0002986164980000046
Figure BDA0002986164980000047
表示
Figure BDA0002986164980000048
中的收听记录的个数。
(2)给定用户u的音乐收听序列Hu，在当前时间t目标音乐m被收听的概率建模为：
Figure BDA0002986164980000049
其中ωh,m表示历史音乐h与目标音乐m的关联关系，k(t-th,lh)是用于融合时间信息和用户收听行为的指数核函数，lh是音乐h的时长，th是音乐h的收听时间。
上述指数核函数k(t-th,lh)定义为：
k(t-th,lh)＝kt(t-th)kb(lh)，
其中kt(t-th)＝exp(-δu(t-th))是历史记录h对音乐m的影响，该影响随时间指数衰减，exp()为指数函数，δu≥0表示用户u的衰减率；用于融合用户行为信息kb(lh)定义为：
Figure BDA00029861649800000410
其中Δth表示Hu中音乐h和下一首音乐之间的时间间隔。
上述历史音乐h与目标音乐m的关联关系ωh,m定义为：
Figure BDA0002986164980000051
其中
Figure BDA0002986164980000052
和
Figure BDA0002986164980000053
分别表示长期兴趣和短期兴趣的注意力权重，vh和vm分别表示音乐h和m的特征向量，mn是Hu中最后一首音乐，Hu\mn表示Hu中除mn之外的其他所有音乐的集合，
Figure BDA0002986164980000054
为vh和vm之间的关联函数，A是模型参数。
上述长期兴趣的注意力权重定义为：
Figure BDA0002986164980000055
其中：vu和vh分别表示用户u和音乐h的特征向量，Wl为模型参数，f′()为向量之间的欧氏距离的平方。
上述短期兴趣的注意力权重定义为：
Figure BDA0002986164980000056
其中：Ws和
Figure BDA0002986164980000057
为模型参数，f′()为向量之间的欧氏距离的平方，
Figure BDA0002986164980000058
为Hu\mn中音乐的特征向量的加权平均，定义为
Figure BDA0002986164980000059
(3)计算出用户u在时间t对于音乐m的兴趣值
Figure BDA00029861649800000510
根据用户的兴趣值对数据库中所有音乐从高到底排序，并提取兴趣值最高的若干个物品推荐给用户。
排序公式如下：
Figure BDA0002986164980000061
其中：u表示目标用户，m∈M和m′∈M是数据库中的音乐，m′≠m。
图1所示了本实施方式一种基于注意力感知时间点过程的音乐收听行为建模与推荐方法的架构。该推荐方法分为两个主要模块：建模模块和音乐推荐模块。建模模块中，首先获取所有用户的音乐收听记录，再利用注意力感知时间点过程从音乐序列和对应的时间信息中学习音乐的特征向量和用户的兴趣向量。在音乐推荐模块中，首先从目标用户的音乐收听序列中获取用户的长短期兴趣偏好并进行融合，然后根据用户的兴趣与音乐特征向量推荐合适的音乐。图2展示了用户偏好预测和推荐的详细步骤，其首先获取用户的音乐收听序列，然后利用注意力感知时间点过程从中提取用户的长短期兴趣偏好，在融合用户的长短期兴趣偏好的基础上，结合学习得到的音乐的特征向量，计算目标用户u对物品的偏好。
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 (4)

1.一种基于注意力感知时间点过程的音乐推荐方法，其特征在于包括如下步骤：
步骤(1).收集所有用户的音乐收听序列数据，其中用户ui∈U的音乐收听序列
Figure FDA0002986164970000011
为ui对音乐的收听记录的有序集合
Figure FDA0002986164970000012
其中每条收听记录
Figure FDA0002986164970000013
表示用户ui在时间tj收听了音乐mj∈M，
Figure FDA0002986164970000014
是音乐mj的时长，U是所有用户的集合，M为所有音乐的集合，
Figure FDA0002986164970000015
Figure FDA0002986164970000016
表示
Figure FDA0002986164970000017
中的收听记录的个数；
步骤(2).给定用户u的音乐收听序列Hu，在当前时间t目标音乐m被收听的概率建模为：
Figure FDA0002986164970000018
其中：ωh,m表示历史音乐h与目标音乐m的关联关系，k(t-th,lh)是用于融合时间信息和用户收听行为的指数核函数，lh是音乐h的时长，th是u收听音乐h的时间；
步骤(3).根据用户的兴趣值对数据库中所有音乐从高到底排序，并提取兴趣值最高的若干首音乐推荐给用户，排序公式如下：
Figure FDA0002986164970000019
其中：m∈M，m′∈M且m′≠m，pm|u(t)为用户u在时间t对音乐m的兴趣值。
2.根据权利要求1所述的一种基于注意力感知时间点过程的音乐推荐方法，其特征在于：步骤(2)所述历史音乐h与目标音乐m的关联关系ωh,m定义为：
Figure FDA0002986164970000021
其中：vh和vm分别表示音乐h和m的特征向量，mn是Hu中最后一首音乐，Hu\mn表示Hu中除音乐mn之外的其它所有音乐的集合，
Figure FDA0002986164970000022
为vh和vm之间的关联函数，A是模型参数，
Figure FDA0002986164970000023
和
Figure FDA0002986164970000024
分别表示长期兴趣和短期兴趣的注意力权重；
长期兴趣的注意力权重定义为
Figure FDA0002986164970000025
其中vu和vh分别表示用户u和音乐h的特征向量，Wl为模型参数，f′()为向量之间的欧氏距离的平方；
短期兴趣的注意力权重定义为
Figure FDA0002986164970000026
其中Ws和Wl为模型参数，
Figure FDA0002986164970000027
为Hu\mn中所有音乐的特征向量的加权平均，定义为
Figure FDA0002986164970000028
3.根据权利要求1所述的一种基于注意力感知时间点过程的音乐推荐方法，其特征在于：步骤(2)所述核函数k(t-th,lh)定义为：
k(t-th,lh)＝kt(t-th)kb(lh)，
其中kt(t-th)＝exp(-δu(t-th))是历史音乐h对音乐m的影响，该影响随时间指数衰减，exp()为指数函数，δu≥0表示用户u的音乐收听序列中的衰减率；用于融合用户行为信息的kb(lh)定义为
Figure FDA0002986164970000031
其中Δth表示Hu中音乐h和h的下一首音乐之间的时间间隔。
4.根据权利要求1所述的一种基于注意力感知时间点过程的音乐推荐方法，其特征在于：步骤(3)所述用户u在时间t对音乐m的兴趣值pm|u(t)定义为：
Figure FDA0002986164970000032
CN202110300775.0A 2021-03-22 2021-03-22 一种基于注意力感知时间点过程的音乐推荐方法 Withdrawn CN112989617A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300775.0A CN112989617A (zh) 2021-03-22 2021-03-22 一种基于注意力感知时间点过程的音乐推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300775.0A CN112989617A (zh) 2021-03-22 2021-03-22 一种基于注意力感知时间点过程的音乐推荐方法

Publications (1)

Publication Number Publication Date
CN112989617A true CN112989617A (zh) 2021-06-18

Family

ID=76332795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300775.0A Withdrawn CN112989617A (zh) 2021-03-22 2021-03-22 一种基于注意力感知时间点过程的音乐推荐方法

Country Status (1)

Country Link
CN (1) CN112989617A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969547A (zh) * 2022-06-24 2022-08-30 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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114969547A (zh) * 2022-06-24 2022-08-30 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

Similar Documents

Publication Publication Date Title
CN112989209B (zh) 内容推荐方法、装置和存储介质
CN108108821A (zh) 模型训练方法及装置
CN110162698B (zh) 一种用户画像数据处理方法、装置及存储介质
CN108351870A (zh) 根据活动模式的计算机语音识别和语义理解
CN109800325A (zh) 视频推荐方法、装置和计算机可读存储介质
CN108319723A (zh) 一种图片分享方法和装置、终端、存储介质
CN105677780A (zh) 可拓展的用户意图挖掘方法及其系统
CN105282565A (zh) 一种视频推荐方法和装置
CN102929966B (zh) 一种用于提供个性化搜索列表的方法及系统
CN103365936A (zh) 视频推荐系统及其方法
CN110035302B (zh) 信息推荐及模型训练方法和装置、计算设备、存储介质
CN112364184B (zh) 多媒体数据的排序方法、装置、服务器及存储介质
EP4092545A1 (en) Content recommendation method and device
CN112052387A (zh) 一种内容推荐方法、装置和计算机可读存储介质
CN113779381B (zh) 资源推荐方法、装置、电子设备和存储介质
JP2023545896A (ja) シーケンス情報を融合した特徴組み合わせ推薦アルゴリズムフレームワーク
CN113420181A (zh) 视频推荐方法、装置、计算机设备和存储介质
CN109101505A (zh) 一种推荐方法、推荐装置和用于推荐的装置
WO2016194621A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN111954087A (zh) 视频中图像的截取方法和装置、存储介质和电子设备
US20130108180A1 (en) Information processing device, information processing method, and program
CN112989617A (zh) 一种基于注意力感知时间点过程的音乐推荐方法
CN112269943B (zh) 一种信息推荐系统及方法
WO2021147084A1 (en) Systems and methods for emotion recognition in user-generated video(ugv)
CN115129829A (zh) 问答计算方法、服务器及存储介质

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210618