CN113094542B - 一种针对用户隐式反馈数据的集合排序音乐推荐方法 - Google Patents

Abstract

一种针对用户隐式反馈数据的集合排序音乐推荐方法，获取用户‑歌曲交互数据，然后采用基于MinHash的局部敏感哈希算法从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲；对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐。本发明不仅能够利用到用户之间的协同关系而且考虑到了歌曲集合之间的顺序关系，相比于传统方法，实现了更好的音乐推荐效果。

Description

一种针对用户隐式反馈数据的集合排序音乐推荐方法

技术领域

本发明涉及音乐推荐系统领域，具体涉及一种针对用户隐式反馈数据的集合排序音乐推荐方法。

背景技术

音乐推荐系统是根据用户对歌曲的反馈来为用户推荐其可能喜欢的歌曲，用户的反馈分为两种形式：显式反馈和隐式反馈。显式反馈是用户对歌曲的评分，通常为数值型(从0-10或者0-5)。隐式反馈代表的是用户的一种行为数据，通常为二值型(0或1)，即用户是否有过这种行为，即用户是否听过这首歌。由于隐式反馈相比于显式反馈更常见而且更易被收集，所以如何处理隐式反馈近年来引起了很多关注。目前，处理隐式反馈的大多是对级(pairwise)的排序模型，而这类模型偏重于对歌曲对之间的顺序关系是否合理进行判断，对于歌曲对<item₁,tem₂>，根据待推荐用户的偏好程度，判断item₁是否应该排在item₂前面。然而，这种对级排序的方法假设每个用户是独立的，忽略了用户之间的联系。此外，由于对级模型只考虑歌曲对之间的顺序，未能挖掘出歌曲集合之间的顺序关系。

在现有的音乐推荐体系中，除了为用户推荐歌曲，很多音乐软件都支持制作歌单功能，如何为用户推荐歌单以及如何为歌单推荐标签也是当前研究的重要方向。此外，如何消除流行歌曲带来的流行度偏差也是值得研究的工作。

发明内容

本发明目的在于提供一种针对用户隐式反馈数据的集合排序音乐推荐方法。

为实现上述目的，本发明采用如下的技术方案实现：

一种针对用户隐式反馈数据的集合排序音乐推荐方法，获取用户-歌曲交互数据，然后采用基于MinHash的局部敏感哈希算法从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲；

对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐。

本发明进一步的改进在于，根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲包括以下步骤：

步骤1：对于待推荐用户u，在通过Jaccard相似性得到的相似用户集合中，找出α×M个最相似的用户N_u，α是可调的参数，M是用户数；

步骤2：根据最相似的用户N_u，计算潜在偏好歌曲Q_u的候选集合C_u；候选集合C_u中包含最相似的用户N_u中每个用户听过但待推荐用户u没有听过的歌曲的并集：

步骤3：计算待推荐用户u对候选集合C_u中每个歌曲的得分S_ui，选取得分最大的β×N个歌曲组成潜在偏好歌曲Q_u，β是控制集合大小的参数，N是歌曲数。

本发明进一步的改进在于，Jaccard相似性定义如下：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合，sim_uv为相似性。

本发明进一步的改进在于，候选集合C_u通过下式计算：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合。

本发明进一步的改进在于，得分S_ui通过下式计算：

式中，I(Y_ui)是指示函数，sim_uv为相似性，v为任一用户。

本发明进一步的改进在于，对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐，包括以下步骤：根据用户偏好的假设：P_u＞_totdlQ_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i；根据表示用户的向量e_u和表示歌曲的向量e_i，计算每一个待推荐用户u对所有歌曲的偏好得分取得分最大的K个歌曲作为个性化推荐的结果；其中，i为代表待推荐用户u听过的歌曲集合P_u中的歌曲，/>为所有的歌曲集合，R_u为剩余歌曲。

本发明进一步的改进在于，目标函数如下式所示：

式中，U为用户集合，e_k为第k个音乐的特征向量，i代表待推荐用户u听过的歌曲集合P_u中的歌曲，j代表潜在偏好歌曲Q_u中的歌曲，k代表剩余歌曲Ru中的歌曲，λ为正则化系数，Θ为参数的集合。

本发明进一步的改进在于，根据用户偏好的假设：P_u＞_totalQ_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i，包括以下步骤：

步骤1：初始化每一个表示用户的向量e_u和每一个表示歌曲的向量e_i；

步骤2：使用所有的训练样本将目标函数优化一次；

步骤3：重复步骤2直到收敛，得到训练完毕的表示用户的向量e_u和表示歌曲的向量e_i。

本发明和现有技术相比较，具有如下有益效果：

针对现有的对级排序方法忽略了用户之间的关系且未能考虑到歌曲集合之间的顺序，提出了考虑用户间协同关系的集合排序推荐方法，整个推荐过程主要分为三步：首先，根据用户之间的协同关系(即拥有相似行为的用户也有相似的喜好)来挖掘出每个用户可能喜欢的歌曲集合，为了能快速检索出待推荐用户的相似用户，这里使用了基于MinHash的局部敏感哈希算法来加速最近邻搜索的过程，并且能取得不错的效果。其次，对于每个待推荐用户，其歌曲集合可以划分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲，对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐。本发明不仅能够利用到用户之间的协同关系而且考虑到了歌曲集合之间的顺序关系，相比于传统方法，实现了更好的音乐推荐效果。

进一步的，对听过的歌曲、潜在偏好歌曲以及剩余歌曲，根据用户偏好的假设：P_u＞_totalQ_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i；使用向量内积作为预测的喜好程度，用每一个用户的向量分别于所有歌曲的向量做内积，最后挑选值最大的K个歌曲作为该用户的推荐列表。

附图说明

图1为针对用户隐式反馈数据的集合排序推荐方法示意图。其中，(a)为用户-歌曲交互矩阵，(b)为u₁的偏好结构。

图2为针对用户隐式反馈数据的集合排序推荐方法过程图。

图3是本发明所提出的方法流程图，具体包括以下步骤：

图4为消融实验结果图。其中，(a)为召回率的对比，(b)为NDCG的对比。

具体实施方式

下面结合附图对本发明做详细描述。

参见图2和图3，一种针对用户隐式反馈数据的集合排序音乐推荐方法，包括以下步骤：

首先获取用户-歌曲交互数据，然后从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲，潜在偏好歌曲以及剩余歌曲；最后对这三类歌曲排序，生成个性化音乐推荐列表，完成音乐推荐。具体包括以下步骤：

步骤1：首先获取用户-歌曲交互数据，然后从音乐软件的所有用户中找出待推荐用户的最近邻，然后采用基于用户的协同过滤算法挖掘出待推荐用户u的潜在偏好歌曲Q_u；具体过程如下：

步骤1.1：首先采集到用户收听歌曲的历史行为记录，即每个用户收听了那些歌曲。

设M为总用户数，N为总歌曲数，定义一个M×N的矩阵Y来表示采集到的用户听歌数据，其中，Y_ui＝0表示待推荐用户u没有收听过歌曲i，Y_ui＝1表示待推荐用户u听过歌曲i；

步骤1.2：对于待推荐用户u，在通过Jaccard相似性得到的相似用户集合中，找出α×M个最相似的用户N_u，α是可调的参数，M是用户数，Jaccard相似性定义如下：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合。即使得Y_ui＝1的所有歌曲i的集合，sim_uv为相似性。

步骤1.3：计算出潜在偏好歌曲Q_u的候选集合C_u，候选集合C_u中包含了最相似的用户N_u中每个用户听过但待推荐用户u没有听过的歌曲的并集：

步骤1.4：计算出待推荐用户u对候选集合C_u中每个歌曲的得分S_ui，选取其中得分最大的β×N个歌曲组成潜在偏好歌曲Q_u，β是一个控制集合大小的可调参数，N是歌曲数，得分S_ui计算方法如下：

式中，I(Y_ui)是一个指示函数，当Y_ui＝1时，I(Y_ui)＝1，否则I(Y_ui)＝0。

步骤2：根据待推荐用户u的潜在偏好歌曲Q_u，将所有歌曲分为三类：听过的歌曲P_u，潜在偏好歌曲Q_u以及剩余歌曲R_u；具体的，对于待推荐用户u来说，P_u是待推荐用户u听过的所有歌曲，Q_u是通过基于用户的协同过滤算法挖掘出来的用户可能喜欢的歌曲，R_u则是除了P_u和Q_u以外的歌曲即剩余歌曲，其中，/>是所有的歌曲集合。

步骤3：根据用户偏好的假设：P_u＞_totalQ_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i，即其中M是用户数，N是歌曲数，i为代表待推荐用户u听过的歌曲集合P_u中的歌曲。

其中，目标函数如下：

式中，U为用户集合，e_k为第k个音乐的特征向量，i代表待推荐用户u听过的歌曲集合P_u中的歌曲，j代表潜在偏好歌曲Q_u中的歌曲，k代表剩余歌曲Ru中的歌曲，λ为正则化系数，Θ为参数的集合。

对于用户偏好的假设表示为P_u＞_totalQ_u＞_totalP_u，＞_total代表一种集合之间的顺序约束，即：用户u对P_u中的每一个歌曲i的偏好程度是大于Q_u中的每一个歌曲j。

整个目标函数的优化过程如下：

步骤a：初始化代表每一个用户的向量和每一个歌曲的向量/>

步骤b：使用所有的训练样本将目标函数优化一次。

步骤c：重复步骤2直到收敛，得到训练完毕的和/>

步骤4：根据表示用户的向量e_u和表示歌曲的向量e_i，计算每一个待推荐用户u对所有歌曲的偏好得分取得分最大的K个歌曲作为个性化推荐的结果。

步骤5：对于待推荐用户u，选出中最大的K个作为推荐列表返回给用户

本发明提出了一种针对用户隐式反馈数据的集合排序音乐推荐方法，能够利用到用户之间的协同关系，同时考虑了歌曲集合之间的顺序关系。行为相似的用户具有相似的爱好，因此先为用户找出其相似的邻居，找出用户的最近邻有助于挖掘出用户的潜在偏好(即用户可能喜欢的歌曲)，同时对用户的偏好做出了更合理的假设，因此推荐结果有较大的提升。本发明所提方法适用于各个场景下的的隐式反馈数据，并且具有良好的可扩展性。

下面为具体实施例。

实施例1

参见图1，根据用户-歌曲交互数据即隐式反馈的数据可以构成如图1中(a)中的用户-歌曲交互矩阵，其中对号代表该用户听过歌曲。具有相似行为的用户也可能具有相似的喜好，根据用户-歌曲的交互数据，找出用户的最近邻用户，参见图1中(b)，把待推荐用户没有听过但他的相似用户听过的歌曲当成是用户可能喜欢的歌曲集合，此时对于待推荐用户来说，所有的歌曲可以分为三类歌曲集合。

表3是本方法做实验时使用的数据集，包含了不同场景，不同规模以及统计特征都不相同的数据。

表3数据集

针对表3中的每个数据集，均采用本发明中的方法，图3是本发明所提出的方法流程图，具体包括以下步骤：

步骤1：首先，检索出每一个用户的相似用户。其中，使用Jaccard系数来衡量用户之间的相似度。

步骤2：根据待推荐用户的相似用户找出待推荐用户可能喜欢的歌曲集合Q_u。

步骤3：把待推荐用户的歌曲集合划分为三类：P_u,Q_u,R_u，其中：

步骤4：根据对用户偏好的假设：

R_u＞_total Q_u＞_total R_u

优化目标函数：

直到收敛，得到其中M是用户数，N是歌曲数。

步骤5：对于待推荐用户v，选出中最大的K个作为推荐列表返回给用户。

表5使用不同的数据集和不同的对比方法与本发明提出的方法的实验结果比较

表5是使用不同的数据集和不同的对比方法与本发明提出的方法的实验结果比较，从表5可以看出，在所有类型的数据集上，本发明的方法对于召回率和NDCG都有较大提高。说明本方法具有推荐准确度高，适用性广，扩展性强的优点。

图4是消融实验的结果对比图，其中，CoSetRank是本发明的方法，对于本方法，都做了对应的消融实验来验证其有效性。从图4中(a)和(b)可以看出，召回率越高，说明推荐正确的歌曲数占总实际正确的总歌曲数的比例越大，NDCG越高，说明推荐的歌曲列表质量越高。

在该方法中提出了：1)根据用户的最近邻协同过滤出用户可能喜欢的歌曲集合，2)基于用户偏好的集合排序方法。主要解决了传统的对级排序方法未能考虑到用户之间的协同关系还有歌曲集合之间关系的问题。基于各个场景真实数据的实验结果表明，其推荐评价指标召回率和NDCG都有较大幅度的提升。

本发明中针对现有的对级排序方法忽略了用户之间的关系且未能考虑到歌曲集合之间的顺序，提出了考虑用户间协同关系的集合级个性化推荐方法，整个推荐过程主要分为三步：首先，根据用户之间的协同关系(即拥有相似行为的用户也有相似的喜好)来挖掘出每个用户可能喜欢的歌曲集合Q_u，为了能快速检索出待推荐用户的相似用户。其次，对于每个待推荐用户，其歌曲集合可以划分为三类：P_u,Q_u,R_u，根据这三类集合之间的顺序关系来训练模型，得到表示用户的向量和表示歌曲的向量。最后，使用向量内积作为预测的喜好程度，用每一个用户的向量分别于所有歌曲的向量做内积，最后挑选值最大的K个歌曲作为该用户的推荐列表。本方法相比于传统的针对隐式反馈的推荐方法挖掘到更多有用的信息，对于各个推荐场景都有很好的适用性和扩展性。

Claims (6)

1.一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，

获取用户-歌曲交互数据，然后采用基于MinHash的局部敏感哈希算法从音乐软件的所有用户中找出待推荐用户的最近邻，然后根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲，并将所有歌曲分为三类：听过的歌曲、潜在偏好歌曲以及剩余歌曲；

对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐；

根据协同过滤算法挖掘出待推荐用户的潜在偏好歌曲包括以下步骤：

步骤1：对于待推荐用户u，在通过Jaccard相似性得到的相似用户集合中，找出α×M个最相似的用户N_u，α是可调的参数，M是用户数；

步骤2：根据最相似的用户N_u，计算潜在偏好歌曲Q_u的候选集合C_u；候选集合C_u中包含最相似的用户N_u中每个用户听过但待推荐用户u没有听过的歌曲的并集：

步骤3：计算待推荐用户u对候选集合C_u中每个歌曲的得分S_ui，选取得分最大的β×N个歌曲组成潜在偏好歌曲Q_u，β是控制集合大小的参数，N是歌曲数；

对听过的歌曲、潜在偏好歌曲以及剩余歌曲进行排序，生成个性化音乐推荐列表，完成音乐推荐，包括以下步骤：根据用户偏好的假设：P_u＞_total Q_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i；根据表示用户的向量e_u和表示歌曲的向量e_i，计算每一个待推荐用户u对所有歌曲的偏好得分取得分最大的K个歌曲作为个性化推荐的结果；其中，i为代表待推荐用户u听过的歌曲集合P_u中的歌曲，/>为所有的歌曲集合，R_u为剩余歌曲。

2.根据权利要求1所述的一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，Jaccard相似性定义如下：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合，sim_uv为相似性。

3.根据权利要求1所述的一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，候选集合C_u通过下式计算：

其中，P_u是待推荐用户u听过的歌曲集合，P_v是任一用户v听过的歌曲集合。

4.根据权利要求1所述的一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，得分S_ui通过下式计算：

式中，I(Y_ui)是指示函数，sim_uv为相似性，v为任一用户。

5.根据权利要求1所述的一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，目标函数如下式所示：

式中，U为用户集合，e_k为第k个音乐的特征向量，i代表待推荐用户u听过的歌曲集合P_u中的歌曲，j代表潜在偏好歌曲Q_u中的歌曲，k代表剩余歌曲Ru中的歌曲，λ为正则化系数，Θ为参数的集合。

6.根据权利要求1所述的一种针对用户隐式反馈数据的集合排序音乐推荐方法，其特征在于，根据用户偏好的假设：P_u＞_total Q_u＞_totalR_u优化目标函数，直到收敛，得到表示用户的向量e_u和表示歌曲的向量e_i，包括以下步骤：

步骤1：初始化每一个表示用户的向量e_u和每一个表示歌曲的向量e_i；

步骤2：使用所有的训练样本将目标函数优化一次；

步骤3：重复步骤2直到收敛，得到训练完毕的表示用户的向量e_u和表示歌曲的向量e_i。