CN113032618A - 基于知识图谱的音乐推荐方法及系统 - Google Patents

基于知识图谱的音乐推荐方法及系统 Download PDF

Info

Publication number
CN113032618A
CN113032618A CN202110323893.3A CN202110323893A CN113032618A CN 113032618 A CN113032618 A CN 113032618A CN 202110323893 A CN202110323893 A CN 202110323893A CN 113032618 A CN113032618 A CN 113032618A
Authority
CN
China
Prior art keywords
music
model
user
knowledge
data
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.)
Pending
Application number
CN202110323893.3A
Other languages
English (en)
Inventor
成金勇
杨志胜
徐颖
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202110323893.3A priority Critical patent/CN113032618A/zh
Publication of CN113032618A publication Critical patent/CN113032618A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了基于知识图谱的音乐推荐方法及系统，属于知识图谱及内容推荐领域，本发明要解决的技术问题为如何利用辅助信息中的上下文信息提高音乐推荐的精确性，采用的技术方案为：该方法具体如下：构建音乐推荐知识图谱：利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；构建ST_RippleNet模型：通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；模型优化：使用RMSProp优化器对ST_RippleNet模型进行优化；构建ST_RippleNet模型的损失函数：对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。

Description

基于知识图谱的音乐推荐方法及系统
技术领域
本发明涉及知识图谱及内容推荐技术领域，具体地说是一种基于知识图谱的音乐推荐方法及系统。
背景技术
随着科技的发展，各类可供人们休闲娱乐的音乐软件逐渐产生，如QQ音乐、酷我音乐、酷狗音乐以及网易云音乐，音乐软件会根据用于喜好提供适合用户的音乐，如快乐的、悲伤的、时尚的、dj等音乐类型。而在线音乐平台会根据用户过去听过的音乐类型或者用户的兴趣爱好来为用户进行音乐推荐，既是用户的需求，同时也是科技进步的需求。
目前的在线音乐平台中，音乐推荐在用户关注个性化内容方面发挥着至关重要的作用，而用户亦是期望在音乐播放平台上获得个性化内容的推荐，但推荐的有效性受到现有用户-项目交互和模型容量的限制。在线内容和服务的爆炸性增长为用户在音乐方面提供了大量的选择，如经典老歌、轻音乐、古典音乐、流行音乐、爵士音乐和中国风音乐等各类音乐。因此，如何提高音乐推荐效果是现有技术中亟待解决的一个技术问题。
有的研究人员通过用户间的交互来判断用户间的偏好相似度或者在多个有相同偏好的用户通过搜集他们的爱好并建表排序由高向低进行推荐，进而来解决推荐精确问题，故用户-项目交互的稀疏性和冷启动这一问题总是会干扰推荐效果。对于数据稀疏与冷启动问题，有的研究人员将辅助信息，如社交网络、用户/项目属性、图像和上下文等整合到CF中，并取得了很好的效果。随着各种辅助数据在音乐推荐中变得越来越多，造成辅助数据的异构性和复杂性，在音乐推荐中有效地利用辅助信息中的上下文信息仍然具有挑战性。故如何利用辅助信息中的上下文信息提高音乐推荐的精确性是目前亟待解决的问题。
发明内容
本发明的技术任务是提供一种基于知识图谱的音乐推荐方法及系统，来解决如何利用辅助信息中的上下文信息提高音乐推荐的精确性的问题。
本发明的技术任务是按以下方式实现的，一种基于知识图谱的音乐推荐方法，该方法具体如下：
构建音乐推荐知识图谱：利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
构建ST_RippleNet模型：通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
模型优化：使用RMSProp优化器对ST_RippleNet模型进行优化；
构建ST_RippleNet模型的损失函数：对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
作为优选，构建音乐推荐知识图谱具体如下：
信息抽取：将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；将结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
知识融合：将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
数据加工：采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘(知识推理)的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图谱。
更优地，所述音乐推荐知识图谱采用三元组描述数据，三元组的形式为(实体-关系-实体)或(实体-属性-实体)，通过获取三元组样例挖掘用户与项目之间的潜在关系，再通过三元组多层注意力机制获取三元组信息以更准确地为用户推荐合适的音乐。
作为优选，构建ST_RippleNet模型具体如下：
构建k维空间向量：通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
构建不同属性的特征提取模型：将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
构建三元组多层注意力模型：通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
构建用户偏好传播模型：通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
信息迭代衰减：将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
构建混合用户项特征模型：对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
构建排序学习推荐模型：通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
Top-N推荐：对实体进行排序学习产生Top N推荐列表；
预测点击概率：根据Top N推荐列表进行点击率的预测。
更优地，对ST_RippleNet模型的网络结构进行改进，具体如下：
给定用户项目交互矩阵Y和音乐知识图谱G，为用户u定义的k-hop相关实体的集合具体为：
Figure BDA0002993830200000031
其中，
Figure BDA0002993830200000032
表示用户点击的历史项目的集合；u表示用户；v表示项目；h、r、t分别表示音乐知识图谱中知识三元组的头、关系和尾，其跳数取值为k＝1,2,...,H；ξ表示音乐知识图谱(KG)中的实体；
Ripple Set为从
Figure BDA0002993830200000033
开始的知识三元组的集合，设置一个最大值
Figure BDA0002993830200000034
以防止RippleSet过大，具体为：
Figure BDA0002993830200000035
其中，跳数k＝1,2,...,H；
音乐嵌入项v∈Rn结合音乐项目v的单热标识、属性、单词包或上下文信息给定嵌入项v和用户u的1-hop波纹集
Figure BDA0002993830200000036
通过音乐比较项v和头部hi以及三元组中的交互关系ri，使用softmax函数给
Figure BDA0002993830200000037
中的每个三元组(hi,ri,ti)分配一个相关概率，具体为：
Figure BDA0002993830200000041
其中，R表示知识图谱(KG)中的关系集，交互关系ri的嵌入矩阵是Ri∈Rn×n，而头部hi的嵌入是hi∈Rd；关联概率pi表示在嵌入矩阵Ri的空间中度量的项目v与实体hi的相似度；在计算项目v和实体hi的相关性时，应当考虑嵌入矩阵Ri，即采用不同的关系来衡量时，项目-实体具有不同的相似性；
在得到相关概率后，取给定嵌入项v和用户u的1-hop波纹集
Figure BDA0002993830200000042
中尾部之和乘以相应的相关概率，返回向量
Figure BDA0002993830200000043
具体为：
Figure BDA0002993830200000044
其中，尾部ti的嵌入用ti∈Rn来表示；用户u的音乐点击记录Vu相对于音乐v的一阶响应则是由向量
Figure BDA0002993830200000045
来表示，并通过用户偏好传播模型来获取用户u的二阶响应
Figure BDA0002993830200000046
此过程在其波纹集
Figure BDA0002993830200000047
上迭代进行来获得i＝1,...,H；同时在此过程中观察用户u的多个音乐点击记录的响应，亦是将用户的偏好传播至其点击记录最多H-hop的位置，其嵌入亦是通过所有响应来计算，具体如下：
Figure BDA0002993830200000048
其中，uT表示用户嵌入项矩阵的转置矩阵，计算最后一跳
Figure BDA0002993830200000049
用户嵌入时结合k-hop的
Figure BDA00029938302000000410
组合用户嵌入和项目嵌入来输出预测的点击概率，采用tanh函数来预测其点击概率：
Figure BDA00029938302000000411
其中，uT表示用户嵌入项矩阵的转置矩阵，v表示项目嵌入项矩阵。
作为优选，RMSProp优化器的计算公式具体如下：
Figure BDA0002993830200000051
Figure BDA0002993830200000052
Figure BDA0002993830200000053
其中，γ表示动力，取值为0.9；η取值为0.001；gt表示第t轮迭代的梯度；E[g2]t表示前t次的梯度平方的平均值,为了防止分母为零，使用了一个很小的数值ξ来进行平滑，取值为10-8。
作为优选，对损失函数进行改进具体如下：
对于给定知识图G，结合其隐式反馈矩阵Y后，最大化模型参数θ的后验概率具体为：
max p(Θ|G,Y)；
后验概率展开之后具体为：
Figure BDA0002993830200000054
而其参数的先验概率则需服从0均值的正态分布：
Figure BDA0002993830200000055
第二项的似然函数构成具体为：
Figure BDA0002993830200000056
第三项的似然函数表示具体为：
Figure BDA0002993830200000057
在构建第三项似然函数时，引入tanh函数的特性，故ST_RippleNet的损失函数为：
Figure BDA0002993830200000061
其中，项目和实体的嵌入矩阵分别使用V和E来表示，Ir是关系R的指示张量I在知识图谱(KG)中的切片，R是关系r的嵌入矩阵。其中，KG可以从引入项目之间的语义关联、由多种类型的交互关系组成、将用户的历史与推荐记录联系起来这三个方面提高推荐性能。
一种基于知识图谱的音乐推荐系统，该系统包括，
图谱构建单元，用于构建音乐推荐知识图谱，利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
模型构建单元，用于构建ST_RippleNet模型，通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
模型优化单元，用于使用RMSProp优化器对ST_RippleNet模型进行优化；
函数改进单元，用于对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
作为优选，所述模型构建单元包括，
信息抽取模块，用于将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
知识融合模块，用于将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
数据加工模块，用于采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘(知识推理)的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图；
所述模型构建单元包括，
k维空间向量构建模块，用于通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
不同属性的特征提取模型构建模块，用于将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
三元组多层注意力模型构建模块，用于通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
用户偏好传播模型构建模块，用于通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
迭代计算模块，用于将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
混合用户项特征模型构建模块，用于对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
排序学习推荐模型构建模块，用于通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
Top-N推荐模块，用于对实体进行排序学习产生Top N推荐列表；
预测模块，用于根据Top N推荐列表进行点击率的预测。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如上述的基于知识图谱的音乐推荐方法。
本发明的基于知识图谱的音乐推荐方法及系统具有以下优点：
(一)针对数据稀疏与冷启动问题，本发明利用知识图谱对多源异构数据的整合性，将低维向量引入推荐方法，充分利用知识图谱的知识信息，采用三元组多层注意力机制来获取音乐知识图谱中的三元组信息，之后通过用户偏好传播模型高效地利用知识图谱中实体间的关系结构信息，在传播偏好的同时兼顾传播强度，能够有效提高实体推荐效果；故本发明的较为混合用户项目特征模型较为准确，其改善了知识图谱的信息利用问题，提高了推荐性能；
(二)对Last.FM数据集构建音乐知识图谱，以用于获取用户潜在的兴趣，为之后可以获取更多用户信息用于给用户进行精确推荐做准备；
(三)为了更好的进行推荐，本发明使用了RMSProp优化器对模型进行优化，之后重新对损失函数进行修改设计，极好的降低了模型在推荐过程中造成的损失，为进行精确推荐做出极大贡献；
(四)本发明通过在知识图谱中来挖掘用户的潜在兴趣并以此来刺激用户偏好在知识实体集合上的传播，在偏好传播时采用了基于三元组多层注意力机制，将用户的历史点击信息所形成用户对于候选项目的偏好分布用于预测最终点击概率；同时通过三元组多层注意力机制来获取三元组信息以更准确地为用户推荐合适的音乐；
(五)ST_RippleNet模型在推荐方面可以更好的来获取用户与项目之间的连通性，在音乐推荐场景中进行了广泛的实验，其结果证明了本发明ST_RippleNet模型相对于当前主流推荐算法的显著优势，并且可以很好的解决冷启动问题；再以书籍推荐为例，可以通过知识图谱上的“用户-作家-书籍类型-作家”、“用户-书籍-书籍类型-书籍”和“用户-作家-年龄-作家家”等用户与项目的连通性来获取用户更多的信息来提高为用户推荐其喜欢的书籍的准确性，极好的解决了现有的基于嵌入和基于路径的KG感知推荐方法的局限性，可以很好的挖掘出用户潜在的兴趣，以此提高推荐效果。
附图说明
下面结合附图对本发明进一步说明。
附图1为基于知识图谱的音乐推荐方法的流程框图；
附图2为构建音乐推荐知识图谱的流程框图；
附图3为音乐推荐知识图谱的示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于知识图谱的音乐推荐方法及系统作以下详细地说明。
实施例1：
如附图1所示，本发明的基于知识图谱的音乐推荐方法，该方法具体如下：
S1、构建音乐推荐知识图谱：利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
本实施例中选取的数据集为Last.FM数据集，Last.FM数据集包含来自2000名用户的音乐记录。各个数据集在ST_RippleNet模型中的超参数设置如下表所示：
Figure BDA0002993830200000081
S2、构建ST_RippleNet模型：通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
S3、模型优化：使用RMSProp优化器对ST_RippleNet模型进行优化；
S4、构建ST_RippleNet模型的损失函数：对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
如附图2所示，本实施例步骤S1中构建音乐推荐知识图谱具体如下：
S101、信息抽取：将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；将结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
S102、知识融合：将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
S103、数据加工：采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘(知识推理)的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图谱。
本实施例中的音乐推荐知识图谱采用三元组描述数据，三元组的形式为(实体-关系-实体)或(实体-属性-实体)，通过获取三元组样例挖掘用户与项目之间的潜在关系，再通过三元组多层注意力机制获取三元组信息以更准确地为用户推荐合适的音乐。如附图3所示，Closer是一个实体，Pairs也是一个实体，故Closer-The Chainsmokers-Paris是一个(实体-关系-实体)的三元组样例；The Chainsmokers是属性，而Popular music是属性类别，因而Something Just Tike This-The Chainsmokers-Popular music构成(实体-属性-属性值)的三元组样例。
本实施例步骤S2中构建ST_RippleNet模型具体如下：
S201、构建k维空间向量：通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
S202、构建不同属性的特征提取模型：将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
S203、构建三元组多层注意力模型：通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
S204、构建用户偏好传播模型：通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
S205、信息迭代衰减：将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
S206、构建混合用户项特征模型：对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
S207、构建排序学习推荐模型：通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
S208、Top-N推荐：对实体进行排序学习产生Top N推荐列表；
S209、预测点击概率：根据Top N推荐列表进行点击率的预测。
其中，在ST_RippleNet模型中，为音乐数据集Last.FM设置跳数H＝2，项目与知识图谱嵌入维数d为16，学习率η设置为0.001，而参数λ1＝10-7，λ2＝0.01，具体如下表所示：
Figure BDA0002993830200000101
由此可见，对于音乐数据集而言，跳数增多，对其推荐性能几乎没有提高，反而会造成更大的开销。
本实施例中对ST_RippleNet模型的网络结构进行改进，具体如下：
(1)、给定用户项目交互矩阵Y和音乐知识图谱G，为用户u定义的k-hop相关实体的集合具体为：
Figure BDA0002993830200000102
其中，
Figure BDA0002993830200000103
表示用户点击的历史项目的集合；u表示用户；v表示项目；h、r、t分别表示音乐知识图谱中知识三元组的头、关系和尾，其跳数取值为k＝1,2,...,H；ξ表示音乐知识图谱(KG)中的实体；
(2)、Ripple Set为从
Figure BDA0002993830200000104
开始的知识三元组的集合，设置一个最大值
Figure BDA0002993830200000105
以防止Ripple Set过大，具体为：
Figure BDA0002993830200000106
其中，跳数k＝1,2,...,H；
(3)、音乐嵌入项v∈Rn结合音乐项目v的单热标识、属性、单词包或上下文信息给定嵌入项v和用户u的1-hop波纹集
Figure BDA0002993830200000111
通过音乐比较项v和头部hi以及三元组中的交互关系ri，使用softmax函数给
Figure BDA0002993830200000112
中的每个三元组(hi,ri,ti)分配一个相关概率，具体为：
Figure BDA0002993830200000113
其中，R表示知识图谱(KG)中的关系集，交互关系ri的嵌入矩阵是Ri∈Rn×n，而头部hi的嵌入是hi∈Rd；关联概率pi表示在嵌入矩阵Ri的空间中度量的项目v与实体hi的相似度；在计算项目v和实体hi的相关性时，应当考虑嵌入矩阵Ri，即采用不同的关系来衡量时，项目-实体具有不同的相似性；比如Something Just Like This和Paris在考虑歌手或音乐流派时高度相似，而从作曲者的角度来讲，二者之间相差甚远。
(4)、在得到相关概率后，取给定嵌入项v和用户u的1-hop波纹集
Figure BDA0002993830200000114
中尾部之和乘以相应的相关概率，返回向量
Figure BDA0002993830200000115
具体为：
Figure BDA0002993830200000116
其中，尾部ti的嵌入用ti∈Rn来表示；用户u的音乐点击记录Vu相对于音乐v的一阶响应则是由向量
Figure BDA0002993830200000117
来表示，并通过用户偏好传播模型来获取用户u的二阶响应
Figure BDA0002993830200000118
此过程在其波纹集
Figure BDA0002993830200000119
上迭代进行来获得i＝1,...,H；同时在此过程中观察用户u的多个音乐点击记录的响应，亦是将用户的偏好传播至其点击记录最多H-hop的位置，其嵌入亦是通过所有响应来计算，具体如下：
Figure BDA00029938302000001110
其中，uT表示用户嵌入项矩阵的转置矩阵，计算最后一跳
Figure BDA00029938302000001111
用户嵌入时结合k-hop的
Figure BDA00029938302000001112
组合用户嵌入和项目嵌入来输出预测的点击概率，采用tanh函数来预测其点击概率：
Figure BDA0002993830200000121
其中，uT表示用户嵌入项矩阵的转置矩阵，v表示项目嵌入项矩阵。
在预测点击率前通过训练来生成用户音乐爱好偏好模型时采用tanh函数更有利于训练模型，也更容易达到最优值，可以获取到更精确的用户偏好推荐模型。
本实施例步骤S3中的RMSProp优化器的计算公式具体如下：
Figure BDA0002993830200000122
Figure BDA0002993830200000123
Figure BDA0002993830200000124
其中，γ表示动力，取值为0.9；η取值为0.001；gt表示第t轮迭代的梯度；E[g2]t表示前t次的梯度平方的平均值,为了防止分母为零，使用了一个很小的数值ξ来进行平滑，取值为10-8。
T_RippleNet模型对于本发明采用RMSProp优化器进行一优化，由于RMSProp优化器中含有一个衰减系数来控制历史信息的多少，而本发明在构建用户偏好传播模型过程中亦是要通过获取用户历史信息来获取用户潜在信息用于为用户提供精确推荐，因此RMSProp优化器的这个控制用户历史信息多少的衰减系数可以帮助本发明通过知识图谱构建用户偏好模型时获取更多拥有用的信息来为用户进行推荐，更好的对模型进行优化。
本实施例步骤S4中的对损失函数进行改进具体如下：
S401、对于给定知识图G，结合其隐式反馈矩阵Y后，最大化模型参数θ的后验概率具体为：
max p(Θ|G,Y)；
S402、后验概率展开之后具体为：
Figure BDA0002993830200000125
S403、其参数的先验概率则需服从0均值的正态分布：
Figure BDA0002993830200000134
S404、第二项的似然函数构成具体为：
Figure BDA0002993830200000131
S405、第三项的似然函数表示具体为：
Figure BDA0002993830200000132
S406、在构建第三项似然函数时，引入tanh函数的特性，故ST_RippleNet的损失函数为：
Figure BDA0002993830200000133
其中，项目和实体的嵌入矩阵分别使用V和E来表示，Ir是关系R的指示张量I在知识图谱(KG)中的切片，R是关系r的嵌入矩阵。其中，KG可以从引入项目之间的语义关联、由多种类型的交互关系组成、将用户的历史与推荐记录联系起来这三个方面提高推荐性能。
本发明充分将用户-项目间的交互关系应用于挖掘用户潜在偏好上，不仅是通过知识图谱得到用户项目间的相似性，而且得到用户与用户、项目与项目以及用户与项目之间的相关度即不同特性的基本特征都是为了挖掘出用户潜在偏好信息，亦是通过构建所需的知识图谱，继而通过知识图谱来挖掘用户的潜在兴趣并以此来刺激用户偏好在知识实体集合上的传播，在偏好传播时本发明采用了三元组多层注意力机制来获取知识图谱中的三元组信息，将用户的历史点击信息所形成用户对于候选项目的偏好分布用于预测最终点击概率，继而获得更精确的推荐性能，并且最终在音乐数据集上取得了非常好的推荐效果。实验对比结果如下表所示：
Figure BDA0002993830200000141
实施例2：
本发明的基于知识图谱的音乐推荐系统，该系统包括，
图谱构建单元，用于构建音乐推荐知识图谱，利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
模型构建单元，用于构建ST_RippleNet模型，通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
模型优化单元，用于使用RMSProp优化器对ST_RippleNet模型进行优化；
函数改进单元，用于对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
本实施例中模型构建单元包括，
信息抽取模块，用于将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
知识融合模块，用于将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
数据加工模块，用于采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘(知识推理)的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图；
本实施例中模型构建单元包括，
k维空间向量构建模块，用于通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
不同属性的特征提取模型构建模块，用于将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
三元组多层注意力模型构建模块，用于通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
用户偏好传播模型构建模块，用于通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
迭代计算模块，用于将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
混合用户项特征模型构建模块，用于对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
排序学习推荐模型构建模块，用于通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
Top-N推荐模块，用于对实体进行排序学习产生Top N推荐列表；
预测模块，用于根据Top N推荐列表进行点击率的预测。
实施例3：
本发明实施例还提供了一种计算机可读存储介质，其中存储有多条指令，指令由处理器加载，使处理器执行本发明任一实施例中的基于知识图谱的音乐推荐方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RYM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于知识图谱的音乐推荐方法，其特征在于，该方法具体如下：
构建音乐推荐知识图谱：利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
构建ST_RippleNet模型：通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
模型优化：使用RMSProp优化器对ST_RippleNet模型进行优化；
构建ST_RippleNet模型的损失函数：对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
2.根据权利要求1所述的基于知识图谱的音乐推荐方法，其特征在于，构建音乐推荐知识图谱具体如下：
信息抽取：将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；将结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
知识融合：将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
数据加工：采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图谱。
3.根据权利要求2所述的基于知识图谱的音乐推荐方法，其特征在于，所述音乐推荐知识图谱采用三元组描述数据，三元组的形式为(实体-关系-实体)或(实体-属性-实体)，通过获取三元组样例挖掘用户与项目之间的潜在关系，再通过三元组多层注意力机制获取三元组信息以更准确地为用户推荐合适的音乐。
4.根据权利要求1所述的基于知识图谱的音乐推荐方法，其特征在于，构建ST_RippleNet模型具体如下：
构建k维空间向量：通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
构建不同属性的特征提取模型：将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
构建三元组多层注意力模型：通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
构建用户偏好传播模型：通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
信息迭代衰减：将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
构建混合用户项特征模型：对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
构建排序学习推荐模型：通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
Top-N推荐：对实体进行排序学习产生Top N推荐列表；
预测点击概率：根据Top N推荐列表进行点击率的预测。
5.根据权利要求4所述的基于知识图谱的音乐推荐方法，其特征在于，对ST_RippleNet模型的网络结构进行改进，具体如下：
给定用户项目交互矩阵Y和音乐知识图谱G，为用户u定义的k-hop相关实体的集合具体为：
Figure FDA0002993830190000031
其中，
Figure FDA0002993830190000032
表示用户点击的历史项目的集合；u表示用户；v表示项目；h、r、t分别表示音乐知识图谱中知识三元组的头、关系和尾，其跳数取值为k＝1,2,...,H；ξ表示音乐知识图谱中的实体；
Ripple Set为从
Figure FDA0002993830190000033
开始的知识三元组的集合，设置一个最大值
Figure FDA0002993830190000034
以防止RippleSet过大，具体为：
Figure FDA0002993830190000035
其中，跳数k＝1,2,...,H；
音乐嵌入项v∈Rn结合音乐项目v的单热标识、属性、单词包或上下文信息给定嵌入项v和用户u的1-hop波纹集
Figure FDA0002993830190000036
通过音乐比较项v和头部hi以及三元组中的交互关系ri，使用softmax函数给
Figure FDA0002993830190000037
中的每个三元组(hi,ri,ti)分配一个相关概率，具体为：
Figure FDA0002993830190000038
其中，R表示知识图谱中的关系集，交互关系ri的嵌入矩阵是Ri∈Rn×n，而头部hi的嵌入是hi∈Rd；关联概率pi表示在嵌入矩阵Ri的空间中度量的项目v与实体hi的相似度；在计算项目v和实体hi的相关性时，应当考虑嵌入矩阵Ri，即采用不同的关系来衡量时，项目-实体具有不同的相似性；
在得到相关概率后，取给定嵌入项v和用户u的1-hop波纹集
Figure FDA0002993830190000041
中尾部之和乘以相应的相关概率，返回向量
Figure FDA0002993830190000042
具体为：
Figure FDA0002993830190000043
其中，尾部ti的嵌入用ti∈Rn来表示；用户u的音乐点击记录Vu相对于音乐v的一阶响应则是由向量
Figure FDA0002993830190000044
来表示，并通过用户偏好传播模型来获取用户u的二阶响应
Figure FDA0002993830190000045
此过程在其波纹集
Figure FDA0002993830190000046
上迭代进行来获得i＝1,...,H；同时在此过程中观察用户u的多个音乐点击记录的响应，亦是将用户的偏好传播至其点击记录最多H-hop的位置，其嵌入亦是通过所有响应来计算，具体如下：
Figure FDA0002993830190000047
其中，uT表示用户嵌入项矩阵的转置矩阵，计算最后一跳
Figure FDA0002993830190000048
用户嵌入时结合k-hop的
Figure FDA0002993830190000049
组合用户嵌入和项目嵌入来输出预测的点击概率，采用tanh函数来预测其点击概率：
Figure FDA00029938301900000410
其中，uT表示用户嵌入项矩阵的转置矩阵，v表示项目嵌入项矩阵。
6.根据权利要求1所述的基于知识图谱的音乐推荐方法，其特征在于，RMSProp优化器的计算公式具体如下：
Figure FDA00029938301900000411
Figure FDA00029938301900000412
Figure FDA00029938301900000413
其中，γ表示动力，取值为0.9；η取值为0.001；gt表示第t轮迭代的梯度；E[g2]t表示前t次的梯度平方的平均值,为了防止分母为零，使用了一个很小的数值ξ来进行平滑，取值为10-8。
7.根据权利要求1所述的基于知识图谱的音乐推荐方法及系统，其特征在于，对损失函数进行改进具体如下：
对于给定知识图G，结合其隐式反馈矩阵Y后，最大化模型参数θ的后验概率具体为：
maxp(Θ|G,Y)；
后验概率展开之后具体为：
Figure FDA0002993830190000051
而其参数的先验概率则需服从0均值的正态分布：
Figure FDA0002993830190000052
第二项的似然函数构成具体为：
Figure FDA0002993830190000053
第三项的似然函数表示具体为：
Figure FDA0002993830190000054
在构建第三项似然函数时，引入tanh函数的特性，故ST_RippleNet的损失函数为：
Figure FDA0002993830190000055
其中，项目和实体的嵌入矩阵分别使用V和E来表示，Ir是关系R的指示张量I在知识图谱中的切片，R是关系r的嵌入矩阵。
8.一种基于知识图谱的音乐推荐系统，其特征在于，该系统包括，
图谱构建单元，用于构建音乐推荐知识图谱，利用原始音乐数据集构建音乐推荐知识图谱，获取用户潜在的兴趣并以此来刺激用户偏好在音乐知识实体集合上的传播；
模型构建单元，用于构建ST_RippleNet模型，通过整合音乐推荐知识图谱中的多种源异构数据，引入低维向量并采用三元组多层注意力机制来构建ST_RippleNet模型，进而充分利用音乐推荐知识图谱的知识信息；
模型优化单元，用于使用RMSProp优化器对ST_RippleNet模型进行优化；
函数改进单元，用于对损失函数进行改进，降低ST_RippleNet模型在推荐过程中的损失。
9.根据权利要求8所述的基于知识图谱的音乐推荐系统，其特征在于，所述模型构建单元包括，
信息抽取模块，用于将原始音乐数据集内的数据按照其结构化程度划分为结构化数据、半结构化数据及非结构化数据；结构化数据组成结构化数据库；再将半结构化数据及非结构化数据通过属性提取、实体提取以及实体与关系联合提取的方式提取所需的数据信息，组成半结构以及非结构数据信息库；
知识融合模块，用于将结构化数据库、第三方数据库以及半结构以及非结构数据信息库进行数据合并，形成初始数据库；再对初始数据库进行实体消歧及共指消解处理，将不同数据库对各个实体的不同描述进行整合，获得实体的完整描述，进而得到知识库；
数据加工模块，用于采用自顶向下的方式构建知识图谱的数据组织框架，即数据模型；再通过数据挖掘的方式依据推理规则获取用户与项目间潜在的关系信息；再对所得到音乐数据进行优化，并将合格且符合需求的音乐数据放入知识库中，构建完整的音乐推荐知识图；
所述模型构建单元包括，
k维空间向量构建模块，用于通过node2vec对音乐推荐知识图谱结构特征进行提取，在对提取的信息进行向量化表示，即构建k维空间向量；
不同属性的特征提取模型构建模块，用于将音乐推荐知识图谱中的实体和实体间的关系嵌入到稠密的低维向量中，再通过计算用户项目之间的相似性得到用户与用户、音乐与音乐以及用户与音乐之间的相关度，即不同特性的基本特征作为传播强度的权重值，通过权重值构建不同属性的特征提取模型；
三元组多层注意力模型构建模块，用于通过三元组注意力机制来获取知识图谱中的三元组信息，通过三元组信息构建三元组多层注意力模型，通过三元组多层注意力模型中的三元组信息推理挖掘出用户更多的音乐兴趣爱好；
用户偏好传播模型构建模块，用于通过不同属性的特征提取模型与三元组注意力模型获取到的信息构建用户偏好传播模型，为用户进行音乐推荐做准备；
迭代计算模块，用于将音乐推荐知识图谱的结构信息与用户偏好传播模型结合传播强度进行迭代计算；
混合用户项特征模型构建模块，用于对音乐推荐知识图谱的结构特征进行提取，构建混合用户项特征模型，并在训练混合用户项特征模型时作为输入；
排序学习推荐模型构建模块，用于通过目标函数调节不同特征的重要程度构建排序学习模型，并选出最优结果；
Top-N推荐模块，用于对实体进行排序学习产生Top N推荐列表；
预测模块，用于根据Top N推荐列表进行点击率的预测。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序可被处理器执行以实现如权利要求1至7中所述的基于知识图谱的音乐推荐方法。
CN202110323893.3A 2021-03-26 2021-03-26 基于知识图谱的音乐推荐方法及系统 Pending CN113032618A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110323893.3A CN113032618A (zh) 2021-03-26 2021-03-26 基于知识图谱的音乐推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110323893.3A CN113032618A (zh) 2021-03-26 2021-03-26 基于知识图谱的音乐推荐方法及系统

Publications (1)

Publication Number Publication Date
CN113032618A true CN113032618A (zh) 2021-06-25

Family

ID=76474283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110323893.3A Pending CN113032618A (zh) 2021-03-26 2021-03-26 基于知识图谱的音乐推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113032618A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN113836401A (zh) * 2021-09-07 2021-12-24 咪咕音乐有限公司 歌单推荐方法、装置及可读存储介质
CN114153997A (zh) * 2022-02-09 2022-03-08 中国传媒大学 基于双线性感知图神经网络模型的视听推荐系统、方法
CN114329222A (zh) * 2021-12-31 2022-04-12 辽宁工程技术大学 一种融合注意力机制和双端知识图谱的电影推荐方法
CN114547330A (zh) * 2022-01-28 2022-05-27 山东师范大学 音乐知识图谱半自动构建方法及系统
CN114637863A (zh) * 2022-03-31 2022-06-17 东北大学秦皇岛分校 一种基于传播的知识图谱推荐方法
CN114707510A (zh) * 2022-04-01 2022-07-05 深圳市普渡科技有限公司 资源推荐信息推送方法、装置、计算机设备及存储介质
CN114780785A (zh) * 2022-06-23 2022-07-22 新缪斯(深圳)音乐科技产业发展有限公司 基于知识图谱的音乐教学推荐方法及系统
CN114860948A (zh) * 2022-04-15 2022-08-05 南京邮电大学 一种基于RippleNet算法的知识图谱推荐精度方法
CN116450938A (zh) * 2023-04-07 2023-07-18 北京欧拉认知智能科技有限公司 一种基于图谱的工单推荐实现方法及系统
CN116628230A (zh) * 2023-07-25 2023-08-22 航天宏图信息技术股份有限公司 属性关联关系的表达方法、装置、电子设备及存储介质
CN118069881A (zh) * 2024-04-25 2024-05-24 山东科技大学 一种基于异质图模型的音乐推荐方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180021472A (ko) * 2016-08-22 2018-03-05 연세대학교 산학협력단 링크 연결성을 기반으로 한 음악 추천 방법 및 장치
CN108875809A (zh) * 2018-06-01 2018-11-23 大连理工大学 联合attention机制与神经网络的生物医学实体关系分类方法
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN111444351A (zh) * 2020-03-24 2020-07-24 清华苏州环境创新研究院 一种行业工艺领域知识图谱构建方法及装置
CN111782817A (zh) * 2020-05-30 2020-10-16 国网福建省电力有限公司信息通信分公司 一种面向信息系统的知识图谱构建方法、装置及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180021472A (ko) * 2016-08-22 2018-03-05 연세대학교 산학협력단 링크 연결성을 기반으로 한 음악 추천 방법 및 장치
CN108875809A (zh) * 2018-06-01 2018-11-23 大连理工大学 联合attention机制与神经网络的生物医学实体关系分类方法
CN111259133A (zh) * 2020-01-17 2020-06-09 成都信息工程大学 一种融合多信息的个性化推荐方法
CN111444351A (zh) * 2020-03-24 2020-07-24 清华苏州环境创新研究院 一种行业工艺领域知识图谱构建方法及装置
CN111782817A (zh) * 2020-05-30 2020-10-16 国网福建省电力有限公司信息通信分公司 一种面向信息系统的知识图谱构建方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGWEI WANG: "RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems", 《CIKM"18:THE 27TH ACM INTERNATIONAL CONFERENCE ON INFORMATION AND KNOWLEDGE MANAGEMENT》 *
莫凡: "《机器学习算法的数学解析与Python实现》", 31 January 2020, 北京：机械工业出版社 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113836401B (zh) * 2021-09-07 2024-03-22 咪咕音乐有限公司 歌单推荐方法、装置及可读存储介质
CN113836401A (zh) * 2021-09-07 2021-12-24 咪咕音乐有限公司 歌单推荐方法、装置及可读存储介质
CN113570058B (zh) * 2021-09-22 2022-01-28 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN113570058A (zh) * 2021-09-22 2021-10-29 航天宏康智能科技(北京)有限公司 推荐方法和装置
CN114329222A (zh) * 2021-12-31 2022-04-12 辽宁工程技术大学 一种融合注意力机制和双端知识图谱的电影推荐方法
CN114329222B (zh) * 2021-12-31 2024-09-13 辽宁工程技术大学 一种融合注意力机制和双端知识图谱的电影推荐方法
CN114547330A (zh) * 2022-01-28 2022-05-27 山东师范大学 音乐知识图谱半自动构建方法及系统
CN114153997A (zh) * 2022-02-09 2022-03-08 中国传媒大学 基于双线性感知图神经网络模型的视听推荐系统、方法
CN114637863A (zh) * 2022-03-31 2022-06-17 东北大学秦皇岛分校 一种基于传播的知识图谱推荐方法
CN114637863B (zh) * 2022-03-31 2024-07-26 东北大学秦皇岛分校 一种基于传播的知识图谱推荐方法
CN114707510A (zh) * 2022-04-01 2022-07-05 深圳市普渡科技有限公司 资源推荐信息推送方法、装置、计算机设备及存储介质
CN114860948A (zh) * 2022-04-15 2022-08-05 南京邮电大学 一种基于RippleNet算法的知识图谱推荐精度方法
CN114780785A (zh) * 2022-06-23 2022-07-22 新缪斯(深圳)音乐科技产业发展有限公司 基于知识图谱的音乐教学推荐方法及系统
CN114780785B (zh) * 2022-06-23 2022-09-13 新缪斯(深圳)音乐科技产业发展有限公司 基于知识图谱的音乐教学推荐方法及系统
CN116450938A (zh) * 2023-04-07 2023-07-18 北京欧拉认知智能科技有限公司 一种基于图谱的工单推荐实现方法及系统
CN116628230A (zh) * 2023-07-25 2023-08-22 航天宏图信息技术股份有限公司 属性关联关系的表达方法、装置、电子设备及存储介质
CN118069881A (zh) * 2024-04-25 2024-05-24 山东科技大学 一种基于异质图模型的音乐推荐方法

Similar Documents

Publication Publication Date Title
CN113032618A (zh) 基于知识图谱的音乐推荐方法及系统
Qi et al. Finding all you need: web APIs recommendation in web of things through keywords search
Esteban et al. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization
US12118030B2 (en) Dynamic feedback in a recommendation system
Ahmadian et al. A deep learning based trust-and tag-aware recommender system
Kant et al. Merging user and item based collaborative filtering to alleviate data sparsity
CN110377840B (zh) 一种基于用户长短期偏好的音乐列表推荐方法及系统
JP4650541B2 (ja) 推薦装置および方法、プログラム、並びに記録媒体
CN110287325A (zh) 一种基于智能语音分析的电网客服业务推荐方法及装置
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
JP2010061600A (ja) 推薦装置および方法、プログラム、並びに記録媒体
CN111400584A (zh) 联想词的推荐方法、装置、计算机设备和存储介质
CN111178986A (zh) 用户-商品偏好的预测方法及系统
Leung et al. Big data analytics for personalized recommendation systems
CN115618009A (zh) 基于注意力机制的知识图谱偏好预测推荐方法
CN116992151A (zh) 一种基于双塔图卷积神经网络的在线课程推荐方法
Sakurai et al. Deep reinforcement learning-based music recommendation with knowledge graph using acoustic features
Guo et al. Dynamic feature generation and selection on heterogeneous graph for music recommendation
CN107886132B (zh) 一种求解音乐流量预测的时间序列分解方法及系统
Liu et al. Integrating user short-term intentions and long-term preferences in heterogeneous hypergraph networks for sequential recommendation
CN117194771B (zh) 一种图模型表征学习的动态知识图谱服务推荐方法
CN109471951A (zh) 基于神经网络的歌词生成方法、装置、设备和存储介质
CN115203532B (zh) 一种项目推荐方法、装置、电子设备及存储介质
KR101818716B1 (ko) 컨셉 키워드 확장 데이터 셋 생성방법, 장치 및 컴퓨터로 판독 가능한 기록매체
CN114510642A (zh) 基于异构信息网络的书籍推荐方法、系统及设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625