CN114969525B - 音乐社交推荐方法、系统、装置及存储介质 - Google Patents

音乐社交推荐方法、系统、装置及存储介质 Download PDF

Info

Publication number
CN114969525B
CN114969525B CN202210577047.9A CN202210577047A CN114969525B CN 114969525 B CN114969525 B CN 114969525B CN 202210577047 A CN202210577047 A CN 202210577047A CN 114969525 B CN114969525 B CN 114969525B
Authority
CN
China
Prior art keywords
user
users
target
information network
relation
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
CN202210577047.9A
Other languages
English (en)
Other versions
CN114969525A (zh
Inventor
谢光勇
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.)
iMusic Culture and Technology Co Ltd
Original Assignee
iMusic Culture and Technology Co Ltd
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 iMusic Culture and Technology Co Ltd filed Critical iMusic Culture and Technology Co Ltd
Priority to CN202210577047.9A priority Critical patent/CN114969525B/zh
Publication of CN114969525A publication Critical patent/CN114969525A/zh
Application granted granted Critical
Publication of CN114969525B publication Critical patent/CN114969525B/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
    • G06F16/90—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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • 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
    • G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种音乐社交推荐方法、系统、装置及存储介质，其中方法包括：首先，获取目标文本；目标文本包括用户基本信息、用户偏好信息及用户关系信息；对目标文本进行关系抽取，构建时间知识图谱；根据时间知识图谱和目标用户，生成异构信息网络；异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；用户包括目标用户和关联用户；根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；将推荐用户推送至目标用户。本申请实施例在传统知识图谱的基础上加入时间维度，实现了互动条件和匹配条件的实时满足，从而实现通过音乐社交软件远距离快速交友的目的。

Description

音乐社交推荐方法、系统、装置及存储介质
技术领域
本申请涉及网络分析技术领域，尤其涉及一种音乐社交推荐方法、系统、装置及存储介质。
背景技术
随着人们艺术素养的不断提高，音乐软件在市场中越来越普及。在普通的播放功能的技术上，音乐软件也渐渐承担起部分社交功能，让人们可以通过音乐交友。但是，目前可用的音乐社交软件仅仅实现了知识图谱中实体和网络的检索和分析功能，没有社交推荐功能，不能实现远距离快速交友的目的。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本申请提出一种音乐社交推荐方法、系统、装置及存储介质。
第一方面，本申请实施例提供了一种音乐社交推荐方法，包括：获取目标文本；其中，所述目标文本包括用户基本信息、用户偏好信息及用户关系信息；对所述目标文本进行关系抽取，构建时间知识图谱；根据所述时间知识图谱和目标用户，生成异构信息网络；其中，所述异构信息网络以用户和用户偏好作为节点，以所述用户和所述用户偏好之间的关系作为元路径；其中，所述用户包括目标用户和关联用户；根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户；将所述推荐用户推送至所述目标用户。
可选地，所述对所述目标文本进行关系抽取，构建时间知识图谱，包括：根据所述目标文本，确定包括实体、属性和关系在内的三元组；其中，所述实体包括组织或个人，所述属性包括性别、歌曲偏好和歌手偏好，所述关系包括社交关系和用户行为；在所述三元组中添加时间维度，所述时间维度用于表征所述三元组的有效性；基于加法模型，确定所述实体和所述关系在所述时间维度上的演化过程。
可选地，所述根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户，包括：根据所述推荐模式，计算所述异构信息网络中所述关联用户与所述目标用户的相似度；根据所述相似度，从所述关联用户中确定多个所述推荐用户。
可选地，所述根据所述推荐模式，计算所述异构信息网络中所述关联用户与所述目标用户的相似度，包括：根据所述推荐模式，确定所述用户偏好的权重；根据所述权重，计算所述异构信息网络中所述关联用户与所述目标用户的相似度。
第二方面，本申请实施例提供了一种音乐社交推荐系统，包括：第一模块，用于获取目标文本；其中，所述目标文本包括用户基本信息、用户偏好信息及用户关系信息；第二模块，用于对所述目标文本进行关系抽取，构建时间知识图谱；第三模块，用于根据所述时间知识图谱和目标用户，生成异构信息网络；其中，所述异构信息网络以用户和用户偏好作为节点，以所述用户和所述用户偏好之间的关系作为元路径；其中，所述用户包括目标用户和关联用户；第四模块，用于根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户；第五模块，用于将所述推荐用户推送至所述目标用户。
第三方面，本申请实施例提供了一种音乐社交推荐装置，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述音乐社交推荐方法。
第四方面，本申请实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现上述的音乐社交推荐方法。
本申请实施例的有益效果如下：首先，获取目标文本；其中，目标文本包括用户基本信息、用户偏好信息及用户关系信息；对目标文本进行关系抽取，构建时间知识图谱；根据时间知识图谱和目标用户，生成异构信息网络；其中，异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；其中，用户包括目标用户和关联用户；根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；将推荐用户推送至目标用户。本申请实施例在传统知识图谱的基础上加入时间维度，满足了音乐社交软件的用户不定时出现的互动需求，实现了互动条件和匹配条件的实时满足，从而实现通过音乐社交软件远距离快速交友的目的。
附图说明
附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。
图1是本申请实施例提供的音乐社交推荐方法的步骤流程图；
图2为多维加性时间序列的分解示意图；
图3为本申请实施例提供的异构信息网络中元路径的示意图；
图4为本申请实施例提供的音乐社交推荐系统示意图；
图5为本申请实施例提供的音乐社交推荐装置的示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在系统示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于系统中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
随着人们艺术素养的不断提高，音乐软件在市场中越来越普及。在普通的播放功能的技术上，音乐软件也渐渐承担起部分社交功能，让人们可以通过音乐交友。但是，目前可用的音乐社交软件仅仅实现了知识图谱中实体和网络的检索和分析功能，没有社交推荐功能，不能实现远距离快速交友的目的。
基于此，本申请提供了一种音乐社交推荐方法、系统、装置及存储介质，首先，获取目标文本；其中，目标文本包括用户基本信息、用户偏好信息及用户关系信息；对目标文本进行关系抽取，构建时间知识图谱；根据时间知识图谱和目标用户，生成异构信息网络；其中，异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；其中，用户包括目标用户和关联用户；根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；将推荐用户推送至目标用户。本申请实施例在传统知识图谱的基础上加入时间维度，满足了音乐社交软件的用户不定时出现的互动需求，实现了互动条件和匹配条件的实时满足，从而实现通过音乐社交软件远距离快速交友的目的。
下面结合附图，对本申请实施例作进一步阐述。
参考图1，图1是本申请实施例提供的音乐社交推荐方法的步骤流程图，该方法包括但不限于步骤S100-S140：
S100、获取目标文本；
具体地，为了能够对音乐社交软件的用户提供实时有效的社交推荐内容，需要先获取用户相关的信息。例如，可以在获得用户权限的前提下，获取用户相关的目标文本。在本申请实施例中，目标文本包括用户基本信息、用户偏好信息及用户关系信息。
用户基本信息包括用户的ID、昵称、用户绑定的联系方式或社交平台等，用户偏好信息，需要说明的是，本申请实施例中的用户可以指个人，也可以指组织。
用户偏好信息包括用户在使用音乐社交软件时搜索、播放、分享和收藏的歌曲、歌手、歌单或者是音乐风格。在一些实施例中，用户还可以在随机播放的曲目中通过点击软件界面上的“我喜欢”按钮来表示对当前曲目的偏好。而除了上述用户主动进行实时选择的偏好信息以外，还可以通过用户播放曲目的频次来判断用户的偏好。
另外需要说明的是，用户的音乐偏好会因为外部因素的印象而发生变化，例如随着年龄增长，用户喜好的音乐风格发生改变；又或者是根据季节不同，用户偏好收听的音乐风格也会有所不同。因此，在获取用户偏好信息时，也需要获取偏好信息对应的时间信息。
用户关系信息包括用户与用户之间的关系，在实际生活中，用户可能会因为亲人或朋友的推荐去收听不同的歌曲，因此在获得用户权限的前提下，可以根据用户绑定联系方式或社交平台确定用户与用户之间的关系，例如根据用户的手机通讯录，确定与当前用户相关的其他用户，并获取用户之间的关系。
对获取到的目标文本进行清洗、过滤等预处理，并将预处理完毕后的目标文本存储在数据库中。可以理解的是，可以对存储在数据库内的目标文本进行新建、删除、查看和保存等操作。
S110、对目标文本进行关系抽取，构建时间知识图谱；
具体地，对步骤S100获取到的目标文本进行关系抽取，构建知识图谱。首先，其中，根据目标文本，确定构成知识图谱的三元组，该三元组包括实体、属性和关系在内。知识图谱中的实体一般是用户(个人或组织)，实体的属性是用户的性别、歌曲偏好和歌手偏好等，而实体之间的关系是指社交关系或用户行为。其中，社交关系是指用户之间是亲友或同事关系，而用户行为是指用户分享、播放、收藏、评论曲目等行为。
而上述内容中提到，随着时间变化，用户在音乐社交软件中表现出来的偏好会出现变化，因此传统的知识图谱无法满足用户在使用音乐社交软件时的实时分析需求。因此在本申请实施例中，提出将时间序列整合到传统的知识图谱中，构建时间知识图谱。
时间序列是一系列面向时间的数据。生活中，从经济和金融到生产经营管理，再到政治和社会政策会议的分析，时间序列分析被广泛应用于许多领域。而在众多的分析方法中，通过加法模型对时间序列进行分析是很常见的一种，其主要思路是将时间序列表示为多个时间维度下的组合模式，例如是每日、每月、每个季度或者是每十年，并且对每个维度下的趋势进行统计。加法模型可以展示时间序列中包含的数据的趋势，并根据这些观察结果进行预测。因此，为了更好地满足用户在使用音乐社交软件时的实时分析需求，本申请通过加法模型来分析时间序列。
具体地，本申请实施例在现有的三元组中添加时间维度，该时间维度用于表征三元组的有效性。例如一个三元组的主体实体表示为s，对象实体表示为o，主体实体和对象实体之间的关系表示为p，用t表示时间步长，则对于长期事实(s,p,o,[ts,te])，认为该带有时间维度的三元组为正三元组，表示从开始时间ts到结束时间te之间的每一个时间步内，三元组(s,p,o)所表示的事实都是有效的。例如有三元组的s为用户A，p为收藏，o为歌曲B，时间维度为[t1,t2]，则三元组(s,p,o,[ts,te])表示：用户A在时间区间[t1,t2]中收藏了歌曲B。
在三元组中添加时间维度之后，就可以构建带有时间维度的时间知识图谱。基于加法模型对时间知识图谱中实体和关系在时间维度上的演化过程进行分析。在本申请实施例中，将实体/关系表示的演化过程拟合为一个由趋势分量、季节分量和随机分量组成的多维加性时间序列。参照图2，图2为多维加性时间序列的分解示意图，如图2所示，以每5年为一个时间步，该多维加性时间序列可以表示为趋势分量、季节分量和随机分量之和。对于每个实体/关系，由于它们的简单性，本申请实施例可以使用一个线性函数和一个正弦函数来分别拟合加法时间序列分解方法中的趋势分量和季节分量，因此如图2所示，趋势分量可以拟合为一个线性函数的曲线，季节分量拟合为一个正弦函数的曲线。
而在每个时间步中，实体(用来表示)和关系rp在时间维度上的表示应该被表示为ei,t和rp,t，基于上述的加法模型(或者说加性时间序列)来分解ei,t和rp,t，则实体和关系在时间维度上的演化过程可以拟合为：
ei,t＝ei+αe,iwe,it+βe,isin(2πωe,it)+N(0,Σe,i)
rp,t＝rp+αr,pwr,pt+βr,psin(2πωr,pt)+N(0,Σr,p)
其中，其中ei是受||ei||2＝1影响的第i个实体，rp是受||rp||2＝1影响的第p个关系，ei和rp是与时间无关的潜在表示。ei+αe,iwe,it和rp+αr,pwr,pt是趋势分量，其中系数|αe,i|和|αr,p|表示ei,t和rp,t的进化速率，向量we,i和wr,p表示相应的进化方向，其限制为||we,i||2＝||wr,p||2＝1。βe,isin(2πωe,it)和βr,psin(2πωr,pt)是对应的季节性分量，其中|βe,i|和|βr,p|表示幅度向量，|ωe,i|和|ωe,i|表示频率向量。高斯噪声项N(0,Σe,i)和N(0,Σr,p)为随机分量，其中Σe,i和Σr,p为相应的对角协方差矩阵。
每个实体和关系作为一个多维高斯分布在每个时间步，以引入一个随机成分。在某一实体和关系的表示中，某一时间步长的平均值表示其当前的期望位置，由其初始表示、线性变化项和季节性项得到。在本申请实施例中，描述演化过程中时间不确定性的协方差被表示为一个常数对角矩阵，以提高计算效率。
S120、根据时间知识图谱和目标用户，生成异构信息网络；
具体地，构建得到时间知识图谱后，需要生成用于音乐社交推荐的异构信息网络。其中，异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；其中，用户包括目标用户和关联用户。通过对时间知识图谱的抽取，可以获得包含三部分的异构图，异构图包括user-user(用户与用户之间的关系图)、user-item(用户与物品之间的交互图)、item-item(物品与物品之间的关联性图)，通过异构图可以生成一个含有时间信息的异构信息网络，构造出用户和物品之间基于meta-path(元路径)的特征。参照图3，图3为本申请实施例提供的异构信息网络中元路径的示意图。如图3所示，该元路径表示为“用户A→歌曲B→歌手C→歌曲D→用户E”，也就是说，图3所示的元路径连接了用户A和用户E，因此，元路径可以视为一种挖掘音乐软件中陌生人用户之间的潜在关系的方式。
这样一来，当用户需要音乐社交软件为其推荐其他用户时，当前用户就被确定为目标用户，通过异构信息网络可以挖掘到与当前用户相关的关联用户，关联用户可以是最近与当前用户听过同一首歌、或者是所在地相近的用户。从不同的关系和时间维度出发，可以确定多个关联用户。
S130、根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；
具体地，不同用户对于社交推荐的偏好不一定相同。例如用户A倾向于音乐社交软件推荐年龄相近或所在地相近的用户，而用户B倾向于软件推荐音乐偏好相近的人，因此，本申请实施例可以预先设置不同的推荐模式供用户选择，不同的推荐模式对应异构信息网络中不同特征的权重，则在不同推荐模式下，根据不同的特征权重，计算异构信息网络中关联用户与目标用户的相似度。
可以理解的是，对相似度进行排序，则可以确定相似度最高的前几个用户，这些用户被选定为与当前目标用户最相似的推荐用户。
S140、将推荐用户推送至目标用户。
具体地，当确定好推荐用户后，将推荐用户以私信、弹窗等形式推送至目标用户的音乐社交软件页面中，帮助目标用户与推荐用户快速建立社交关系。
通过步骤S100-S140，本申请实施例提供了一种音乐社交推荐方法，首先，获取目标文本；其中，目标文本包括用户基本信息、用户偏好信息及用户关系信息；对目标文本进行关系抽取，构建时间知识图谱；根据时间知识图谱和目标用户，生成异构信息网络；其中，异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；其中，用户包括目标用户和关联用户；根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；将推荐用户推送至目标用户。本申请实施例在传统知识图谱的基础上加入时间维度，满足了音乐社交软件的用户不定时出现的互动需求，实现了互动条件和匹配条件的实时满足，从而实现通过音乐社交软件远距离快速交友的目的。
参照图4，图4为本申请实施例提供的音乐社交推荐系统示意图，该系统400包括第一模块410、第二模块420、第三模块430、第四模块440和第五模块450，第一模块用于获取目标文本；其中，目标文本包括用户基本信息、用户偏好信息及用户关系信息；第二模块用于对目标文本进行关系抽取，构建时间知识图谱；第三模块用于根据时间知识图谱和目标用户，生成异构信息网络；其中，异构信息网络以用户和用户偏好作为节点，以用户和用户偏好之间的关系作为元路径；其中，用户包括目标用户和关联用户；第四模块用于根据异构信息网络和预设的推荐模式，从关联用户中确定与目标用户相似的多个推荐用户；第五模块用于将推荐用户推送至目标用户。
参考图5，图5为本申请实施例提供的音乐社交推荐装置的示意图，该装置500包括至少一个处理器510，还包括至少一个存储器520，用于存储至少一个程序；图5中以一个处理器及一个存储器为例。
处理器和存储器可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本申请实施例还公开了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现本申请提出的方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种音乐社交推荐方法，其特征在于，包括：
获取目标文本；
其中，所述目标文本包括用户基本信息、用户偏好信息及用户关系信息；
对所述目标文本进行关系抽取，构建时间知识图谱；
根据所述时间知识图谱和目标用户，生成异构信息网络；
其中，所述异构信息网络以用户和用户偏好作为节点，以所述用户和所述用户偏好之间的关系作为元路径；其中，所述用户包括目标用户和关联用户；
根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户；
将所述推荐用户推送至所述目标用户。
2.根据权利要求1所述的音乐社交推荐方法，其特征在于，所述对所述目标文本进行关系抽取，构建时间知识图谱，包括：
根据所述目标文本，确定包括实体、属性和关系在内的三元组；
其中，所述实体包括组织或个人，所述属性包括性别、歌曲偏好和歌手偏好，所述关系包括社交关系和用户行为；
在所述三元组中添加时间维度，所述时间维度用于表征所述三元组的有效性；
基于加法模型，确定所述实体和所述关系在所述时间维度上的演化过程。
3.根据权利要求2所述的音乐社交推荐方法，其特征在于，所述根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户，包括：
根据所述推荐模式，计算所述异构信息网络中所述关联用户与所述目标用户的相似度；
根据所述相似度，从所述关联用户中确定多个所述推荐用户。
4.根据权利要求3所述的音乐社交推荐方法，其特征在于，所述根据所述推荐模式，计算所述异构信息网络中所述关联用户与所述目标用户的相似度，包括：
根据所述推荐模式，确定所述用户偏好的权重；
根据所述权重，计算所述异构信息网络中所述关联用户与所述目标用户的相似度。
5.一种音乐社交推荐系统，其特征在于，包括：
第一模块，用于获取目标文本；
其中，所述目标文本包括用户基本信息、用户偏好信息及用户关系信息；
第二模块，用于对所述目标文本进行关系抽取，构建时间知识图谱；
第三模块，用于根据所述时间知识图谱和目标用户，生成异构信息网络；
其中，所述异构信息网络以用户和用户偏好作为节点，以所述用户和所述用户偏好之间的关系作为元路径；其中，所述用户包括目标用户和关联用户；
第四模块，用于根据所述异构信息网络和预设的推荐模式，从所述关联用户中确定与所述目标用户相似的多个推荐用户；
第五模块，用于将所述推荐用户推送至所述目标用户。
6.一种音乐社交推荐装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-4中任一项所述的音乐社交推荐方法。
7.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-4中任一项所述的音乐社交推荐方法。
CN202210577047.9A 2022-05-25 2022-05-25 音乐社交推荐方法、系统、装置及存储介质 Active CN114969525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210577047.9A CN114969525B (zh) 2022-05-25 2022-05-25 音乐社交推荐方法、系统、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210577047.9A CN114969525B (zh) 2022-05-25 2022-05-25 音乐社交推荐方法、系统、装置及存储介质

Publications (2)

Publication Number Publication Date
CN114969525A CN114969525A (zh) 2022-08-30
CN114969525B true CN114969525B (zh) 2023-04-07

Family

ID=82955664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210577047.9A Active CN114969525B (zh) 2022-05-25 2022-05-25 音乐社交推荐方法、系统、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114969525B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115186664B (zh) * 2022-09-13 2023-01-13 深圳市爱聊科技有限公司 基于多维度的主体间相合度测算方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085559A (zh) * 2020-08-18 2020-12-15 山东大学 基于时序性知识图谱的可解释商品推荐方法及系统
CN113360772A (zh) * 2021-07-02 2021-09-07 中国科学技术大学 一种可解释性推荐模型训练方法与装置
CN113590900A (zh) * 2021-07-29 2021-11-02 南京工业大学 一种融合动态知识图谱的序列推荐方法
CN113656709A (zh) * 2021-08-24 2021-11-16 东北大学 一种融合知识图谱和时序特征的可解释兴趣点推荐方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11017038B2 (en) * 2017-09-29 2021-05-25 International Business Machines Corporation Identification and evaluation white space target entity for transaction operations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085559A (zh) * 2020-08-18 2020-12-15 山东大学 基于时序性知识图谱的可解释商品推荐方法及系统
CN113360772A (zh) * 2021-07-02 2021-09-07 中国科学技术大学 一种可解释性推荐模型训练方法与装置
CN113590900A (zh) * 2021-07-29 2021-11-02 南京工业大学 一种融合动态知识图谱的序列推荐方法
CN113656709A (zh) * 2021-08-24 2021-11-16 东北大学 一种融合知识图谱和时序特征的可解释兴趣点推荐方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《推荐任务中知识图谱嵌入应用研究综述》;田萱等;《计算机科学与探索》;第1681-1705页 *
Explainable Job-Posting Recommendations Using Knowledge Graphs and Named Entity Recognition;Chirayu Upadhyay et al.;《2021 IEEE International Conference on Systems, Man, and Cybernetics (SMC)》;第3291-3296页 *

Also Published As

Publication number Publication date
CN114969525A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Harder et al. Intermedia agenda setting in the social media age: How traditional players dominate the news agenda in election times
Reich The impact of technology on news reporting: A longitudinal perspective
US8478757B2 (en) Systems and methods for managing profiles
US8204878B2 (en) System and method for finding unexpected, but relevant content in an information retrieval system
CN108021568B (zh) 一种歌单推荐方法及装置
CN110313009A (zh) 学习实体的信任模型和风险容忍度来计算风险得分
CN104036045A (zh) 一种信息分析方法及服务平台
US10430805B2 (en) Semantic enrichment of trajectory data
Park et al. The network of celebrity politics: Political implications of celebrity following on Twitter
US20190034536A1 (en) Cue data model implementation for adaptive presentation of collaborative recollections of memories
Hine The evolution and diversification of Twitter as a cultural artefact in the British press 2007–2014
Palonen Democracy vs. demography: Rethinking politics and the people as debate
CN114969525B (zh) 音乐社交推荐方法、系统、装置及存储介质
Jatowt et al. Digital history meets Wikipedia: Analyzing historical persons in Wikipedia
CN105022807A (zh) 信息推荐方法及装置
Weber et al. Journalism history, web archives, and new methods for understanding the evolution of digital journalism
Baur et al. Listening factors: A large-scale principal components analysis of long-term music listening histories
Wachowicz et al. Developing a streaming data processing workflow for querying space–time activities from geotagged tweets
Aranda-Cuéllar et al. Winter tourism dependence: A cyclical and cointegration analysis. Case study for the Alps
US8117227B2 (en) Method for analyzing web space data
CN116303663A (zh) 一种基于内容社交平台的用户亲密度计算方法及系统
CN110796494A (zh) 一种客群识别方法及装置
Seaver Computing Taste: The Making of Algorithmic Music Recommendation
CN113010788A (zh) 信息推送方法及装置、电子设备、计算机可读存储介质
CN112417301A (zh) 信息推送方法、装置、服务器和存储介质

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
GR01 Patent grant
GR01 Patent grant