CN116662601A - 一种基于图神经网络和知识图谱的歌曲推荐方法 - Google Patents

一种基于图神经网络和知识图谱的歌曲推荐方法 Download PDF

Info

Publication number
CN116662601A
CN116662601A CN202310619137.4A CN202310619137A CN116662601A CN 116662601 A CN116662601 A CN 116662601A CN 202310619137 A CN202310619137 A CN 202310619137A CN 116662601 A CN116662601 A CN 116662601A
Authority
CN
China
Prior art keywords
song
user
vector
knowledge graph
embedded
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
CN202310619137.4A
Other languages
English (en)
Inventor
杨旭华
童越
孙浩
项贤通
周艳波
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202310619137.4A priority Critical patent/CN116662601A/zh
Publication of CN116662601A publication Critical patent/CN116662601A/zh
Pending legal-status Critical Current

Links

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
    • G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于图神经网络和知识图谱的歌曲推荐方法，包括：首先结合用户‑歌曲交互图和歌曲知识图谱计算交互图中用户的嵌入向量，接着利用用户社交图计算社交图中用户的嵌入向量，结合二者嵌入计算得到最终的用户嵌入向量。然后结合歌曲知识图谱中的歌曲嵌入向量和用户‑歌曲交互图中的歌曲嵌入向量计算得到最终的歌曲嵌入向量。最后通过最终用户嵌入向量和最终歌曲嵌入向量计算用户对歌曲的可能评分，按照评分从高到低获得对用户推荐歌曲的预测排名结果。本发明考虑了推荐系统中外部辅助信息的重要性，引入知识图谱和社交网络信息，准确性高，推荐效果好。

Description

一种基于图神经网络和知识图谱的歌曲推荐方法
技术领域
本发明涉及推荐系统领域，特别是指一种基于图神经网络和知识图谱的歌曲推荐方法。
背景技术
随着互联网的发展，网络上的歌曲数量也在快速增长，人们很难快速从海量歌曲中定位到自己喜欢的歌曲，因此歌曲推荐系统也就应运而生，并被广泛利用于各大音乐应用中。传统的歌曲推荐系统一般使用用户-歌曲交互图(U-I图)进行预测，但这种方式由于缺乏用户之间和物品之间的交互信息，普遍存在数据稀疏和冷启动等问题。为了提升歌曲推荐效果，研究者们试图在推荐系统中引入更多的外部数据、先验知识和辅助信息。基于社交网络的歌曲推荐能够大大改善针对新用户的推荐困难问题，在提高推荐精确度的同时，用户也会更加信任社交推荐给出的结果。歌曲知识图谱作为能够承载大量歌曲语义信息和关联知识的信息载体，将其与歌曲推荐系统结合也能获得更好的推荐性能。
目前已经有很多结合辅助信息的推荐系统算法，但这些方法并没有充分利用用户之间和物品之间的附加信息。结合歌曲知识图谱进行推荐的方法增强了用户和歌曲，歌曲和歌曲之间的间接交互信息，建模用户和歌曲之间的高阶关系，提升了推荐效果。由于用户-歌曲交互图、社交图、歌曲知识图谱等本质上都是非欧式空间的图模型，使用图神经网络能够有效捕获图中节点信息以及节点之间相互依赖关系，有助于提升推荐系统性能。
发明内容
为了克服现有的歌曲推荐系统方法未能充分利用用户和歌曲双边辅助信息的问题，提高推荐算法的准确性，本发明提出了一种基于图神经网络和知识图谱的歌曲推荐方法。
本发明解决其技术问题所采用的具体步骤是：
步骤1：抽取待处理歌曲数据集中各实体的特征信息和实体之间的关系信息，并以实体为节点，以实体关系为节点连边构建歌曲知识图谱，其中所述节点包括：歌曲名称节点、歌手节点、类型节点和年份节点；根据用户-歌曲交互图上获取用户和歌曲集合，并以图上连边作为评分信息；根据社交图的连边信息获取用户的社交好友集合；
步骤2：使用知识图谱表示学习算法TransE对歌曲知识图谱数据进行预处理，获得歌曲知识图谱实体和关系的初始嵌入向量；
步骤3：任取用户集合中的一个用户，计算其所收听歌曲在聚合了歌曲知识图谱邻居实体后的嵌入向量；
步骤4：根据收听歌曲的嵌入向量计算用户-歌曲交互图中该用户的嵌入向量；
步骤5：计算该用户在社交图中的嵌入向量，并根据用户-歌曲交互图和社交图中该用户的嵌入向量计算最终嵌入向量；重复步骤3～5计算所有用户的最终嵌入向量；
步骤6：任取歌曲集合中的一个歌曲，根据交互用户的嵌入向量计算用户-歌曲交互图中该歌曲的嵌入向量；
步骤7：计算歌曲在歌曲知识图谱中的嵌入向量，并根据用户-歌曲交互图和歌曲知识图谱中该歌曲的嵌入向量计算最终嵌入向量；重复步骤6～7计算所有歌曲的最终嵌入向量；
步骤8：根据用户和歌曲的嵌入向量预测评分，并以MSE作为损失函数，当损失值小于设定最小损失值后结束计算；对于集合中的某个用户，根据预测评分从高到低的结果排行推荐前K首歌曲，其中K为设定的推荐歌曲数量。
步骤1中在用户-歌曲交互图R中，U＝{u1,u2,...,um}表示用户集合，V＝{v1,v2,...,vn}表示歌曲集合，其中用户和歌曲的交互记录为评分矩阵Ω＝{(ui,vj)|Oij≠0}，Oij为用户ui对歌曲vj的评分结果，评分等级从1到5。
步骤1通过将用户-歌曲交互图中的歌曲与歌曲知识图谱上的对应实体进行对齐，获取歌曲在歌曲知识图谱上的对应邻居属性特征。
步骤2中通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维向量空间中获得初始嵌入向量，歌曲知识图谱由H个三元组(h,r,t)组成，h∈ε，r∈η和t∈ε分别为三元组的头实体,关系和尾实体，ε＝{e1,e2,...,eA}表示歌曲实体集合，η＝{r1,r2,...,rB}表示歌曲实体之间关系的集合。
步骤3中对于任取的一个用户ui，任意选取其交互歌曲集合C(i)中的一个歌曲实体va，计算va在歌曲知识图谱上的嵌入向量
其中λk＝eui·erak，S(a)表示歌曲va在知识图谱上直接相连的邻居实体集合，rak表示歌曲实体va和邻居实体tk之间的关系向量，eui表示用户ui的嵌入向量，erak表示关系rak的嵌入向量。代表歌曲va的初始嵌入向量，etak代表邻居实体tak的嵌入向量，W和b是可训练的权重和偏差，σ为激活函数。遍历C(i)集合中的所有歌曲实体，计算歌曲实体的所有邻居实体的注意力权重，并根据注意力权重计算C(i)中所有歌曲实体的嵌入向量。
步骤4中使用了步骤3计算得到的歌曲嵌入向量，结合评分向量计算用户-歌曲交互图中用户ui的嵌入向量
其中
eO是对应的用户ui对歌曲va的评分向量，是引入了评分信息的歌曲嵌入向量，为拼接操作，MLP为多层感知机计算操作。θa使用两层神经网络进行计算，W1、W2和b1、b2为不同神经网络中可训练的权重和偏差。
步骤5中根据社交图计算用户ui的嵌入向量，在社交图上与该用户有连边即为该用户的社交好友
其中
F(i)代表用户ui在社交图上与其存在直接连边的歌曲用户集合。根据步骤4和步骤5计算得到的用户嵌入向量计算最终嵌入向量
遍历用户集合U，重复步骤3～5得到所有用户的嵌入向量。
步骤6中遍历歌曲vj的交互用户集合D(j)中的所有用户，结合交互用户向量和对应评分向量计算用户-歌曲交互图中歌曲vj的嵌入向量
其中
是用户ub的嵌入向量，eO是对应的用户ub对歌曲vj的评分向量，evj是歌曲vj的初始嵌入向量。
步骤7中计算了歌曲知识图谱中歌曲vj的嵌入向量
其中S(j)代表歌曲vj在知识图谱上与其存在直接连边的邻居集合。根据步骤6和步骤7计算得到的歌曲嵌入向量计算最终嵌入向量
遍历歌曲集合V，重复步骤6～7得到所有歌曲的嵌入向量。
步骤8中计算损失函数
其中
|Ω|是用户与歌曲之间通过评分产生交互的样本数量，是评分矩阵Ω中某一对用户ui和歌曲vj的预测评分，yij是对应的真实评分。
本发明的技术构思为：通过图注意力网络学习用户的社交信息、歌曲在知识图谱中的语义和关系信息、用户和歌曲之间的交互信息，丰富用户嵌入向量和歌曲嵌入向量，使推荐给用户的歌曲更加准确。本发明考虑了推荐系统中外部辅助信息的重要性，引入知识图谱和社交网络信息，准确性高，推荐效果好。
本发明的优点是：通过将知识图谱推荐和社交推荐相结合的方式，建模用户和歌曲之间的高阶关系，捕获用户隐藏的远距离未知兴趣，推荐准确性较高，改善了歌曲推荐中数据稀疏性和冷启动问题。
附图说明
图1为由用户-歌曲交互图、用户社交图和歌曲知识图谱组成的歌曲推荐系统示意图，圆形代表用户实体，矩形代表歌曲实体，菱形代表知识图谱实体。
图2是本发明的方法流程图。
具体实施方式
为了进一步说明实施案例，下面参照附图对本发明做进一步说明。
参照图2，一种基于图神经网络和知识图谱的歌曲推荐方法，包括如下步骤：
步骤1：抽取待处理歌曲数据集中各实体的特征信息和实体之间的关系信息，并以实体为节点，以实体关系为节点连边构建歌曲知识图谱，其中所述节点包括：歌曲名称节点、歌手节点、类型节点和年份节点；根据用户-歌曲交互图上获取用户和歌曲集合，并以图上连边作为评分信息；根据社交图的连边信息获取用户的社交好友集合；
步骤2：使用知识图谱表示学习算法TransE对歌曲知识图谱数据进行预处理，获得歌曲知识图谱实体和关系的初始嵌入向量；
步骤3：任取用户集合中的一个用户，计算其所收听歌曲在聚合了歌曲知识图谱邻居实体后的嵌入向量；
步骤4：根据收听歌曲的嵌入向量计算用户-歌曲交互图中该用户的嵌入向量；
步骤5：计算该用户在社交图中的嵌入向量，并根据用户-歌曲交互图和社交图中该用户的嵌入向量计算最终嵌入向量；重复步骤3～5计算所有用户的最终嵌入向量；
步骤6：任取歌曲集合中的一个歌曲，根据交互用户的嵌入向量计算用户-歌曲交互图中该歌曲的嵌入向量；
步骤7：计算歌曲在歌曲知识图谱中的嵌入向量，并根据用户-歌曲交互图和歌曲知识图谱中该歌曲的嵌入向量计算最终嵌入向量；重复步骤6～7计算所有歌曲的最终嵌入向量；
步骤8：根据用户和歌曲的嵌入向量预测评分，并以MSE作为损失函数，当损失值小于设定最小损失值后结束计算；对于集合中的某个用户，根据预测评分从高到低的结果排行推荐前K首歌曲，其中K为设定的推荐歌曲数量。
步骤1中在用户-歌曲交互图R中，U＝{u1,u2,...,um}表示用户集合，V＝{v1,v2,...,vn}表示歌曲集合，其中用户和歌曲的交互记录为评分矩阵Ω＝{(ui,vj)|Oij≠0}，Oij为用户ui对歌曲vj的评分结果，评分等级从1到5。
步骤1通过将用户-歌曲交互图中的歌曲与歌曲知识图谱上的对应实体进行对齐，获取歌曲在歌曲知识图谱上的对应邻居属性特征。
步骤2中通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维向量空间中获得初始嵌入向量，歌曲知识图谱由H个三元组(h,r,t)组成，h∈ε，r∈η和t∈ε分别为三元组的头实体,关系和尾实体，ε＝{e1,e2,...,eA}表示歌曲实体集合，η＝{r1,r2,...,rB}表示歌曲实体之间关系的集合。
步骤3中对于任取的一个用户ui，任意选取其交互歌曲集合C(i)中的一个歌曲实体va，计算va在歌曲知识图谱上的嵌入向量
其中λk＝eui·erak，S(a)表示歌曲va在知识图谱上直接相连的邻居实体集合，rak表示歌曲实体va和邻居实体tk之间的关系向量，eui表示用户ui的嵌入向量，erak表示关系rak的嵌入向量。代表歌曲va的初始嵌入向量，etak代表邻居实体tak的嵌入向量，W和b是可训练的权重和偏差，σ为激活函数。遍历C(i)集合中的所有歌曲实体，计算歌曲实体的所有邻居实体的注意力权重，并根据注意力权重计算C(i)中所有歌曲实体的嵌入向量。
步骤4中使用了步骤3计算得到的歌曲嵌入向量，结合评分向量计算用户-歌曲交互图中用户ui的嵌入向量
其中
eO是对应的用户ui对歌曲va的评分向量，是引入了评分信息的歌曲嵌入向量，为拼接操作，MLP为多层感知机计算操作。θa使用两层神经网络进行计算，W1、W2和b1、b2为不同神经网络中可训练的权重和偏差。
步骤5中根据社交图计算用户ui的嵌入向量，在社交图上与该用户有连边即为该用户的社交好友
其中
F(i)代表用户ui在社交图上与其存在直接连边的歌曲用户集合。根据步骤4和步骤5计算得到的用户嵌入向量计算最终嵌入向量
如图1用户ui的最终嵌入向量结合了社交信息、交互歌曲以及对应知识图谱信息。遍历用户集合U，重复步骤3～5得到所有用户的嵌入向量。
步骤6中遍历歌曲vj的交互用户集合D(j)中的所有用户，结合交互用户向量和对应评分向量计算用户-歌曲交互图中歌曲vj的嵌入向量
其中
是用户ub的嵌入向量，eO是对应的用户ub对歌曲vj的评分向量，evj是歌曲vj的初始嵌入向量。
步骤7中计算了歌曲知识图谱中歌曲vj的嵌入向量
其中S(j)代表歌曲vj在知识图谱上与其存在直接连边的邻居集合。根据步骤6和步骤7计算得到的歌曲嵌入向量计算最终嵌入向量
如图1歌曲vj的最终嵌入向量结合了交互用户信息和歌曲知识图谱信息。遍历歌曲集合V，重复步骤6～7得到所有歌曲的嵌入向量。
步骤8中计算损失函数
其中
|Ω|是用户与歌曲之间通过评分产生交互的样本数量，如图1中在评分矩阵Ω中任取某一对用户ui和歌曲vj计算得到yij是对应的真实评分。
如上所述，本发明实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (10)

1.一种基于图神经网络和知识图谱的歌曲推荐方法，包括如下步骤：
步骤1：抽取待处理歌曲数据集中各实体的特征信息和实体之间的关系信息，并以实体为节点，以实体关系为节点连边构建歌曲知识图谱，其中所述节点包括：歌曲名称节点、歌手节点、类型节点和年份节点；根据用户-歌曲交互图上获取用户和歌曲集合，并以图上连边作为评分信息；根据社交图的连边信息获取用户的社交好友集合；
步骤2：使用知识图谱表示学习算法TransE对歌曲知识图谱数据进行预处理，获得歌曲知识图谱实体和关系的初始嵌入向量；
步骤3：任取用户集合中的一个用户，计算其所收听歌曲在聚合了歌曲知识图谱邻居实体后的嵌入向量；
步骤4：根据收听歌曲的嵌入向量计算用户-歌曲交互图中该用户的嵌入向量；
步骤5：计算该用户在社交图中的嵌入向量，并根据用户-歌曲交互图和社交图中该用户的嵌入向量计算最终嵌入向量；重复步骤3～5计算所有用户的最终嵌入向量；
步骤6：任取歌曲集合中的一个歌曲，根据交互用户的嵌入向量计算用户-歌曲交互图中该歌曲的嵌入向量；
步骤7：计算歌曲在歌曲知识图谱中的嵌入向量，并根据用户-歌曲交互图和歌曲知识图谱中该歌曲的嵌入向量计算最终嵌入向量；重复步骤6～7计算所有歌曲的最终嵌入向量；
步骤8：根据用户和歌曲的嵌入向量预测评分，并以MSE作为损失函数，当损失值小于设定最小损失值后结束计算；对于集合中的某个用户，根据预测评分从高到低的结果排行推荐前K首歌曲，其中K为设定的推荐歌曲数量。
2.如权利要求1所述的方法，其特征在于，步骤1中在用户-歌曲交互图R中，U＝{u1,u2,...,um}表示用户集合，V＝{v1,v2,...,vn}表示歌曲集合，其中用户和歌曲的交互记录为评分矩阵Ω＝{(ui,vj)|Oij≠0}，Oij为用户ui对歌曲vj的评分结果，评分等级从1到5。
3.如权利要求1所述的方法，其特征在于，步骤1中将用户-歌曲交互图中的歌曲与歌曲知识图谱上的对应实体进行对齐，获取歌曲在歌曲知识图谱上的对应邻居属性特征。
4.如权利要求1所述的方法，其特征在于，步骤2中，通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维向量空间中获得初始嵌入向量，歌曲知识图谱由H个三元组(h,r,t)组成，h∈ε，r∈η和t∈ε分别为三元组的头实体,关系和尾实体，ε＝{e1,e2,...,eA}表示歌曲实体集合，η＝{r1,r2,...,rB}表示歌曲实体之间关系的集合。
5.如权利要求1所述的方法，其特征在于，步骤3中，对于任取的一个用户ui，任意选取其交互歌曲集合C(i)中的一个歌曲实体va，计算va在歌曲知识图谱上的嵌入向量
其中λk＝eui·erak，S(a)表示歌曲va在知识图谱上直接相连的邻居实体集合，rak表示歌曲实体va和邻居实体tk之间的关系向量，eui表示用户ui的嵌入向量，erak表示关系rak的嵌入向量；代表歌曲va的初始嵌入向量，etak代表邻居实体tak的嵌入向量，W和b是可训练的权重和偏差，σ为激活函数；遍历C(i)集合中的所有歌曲实体，计算歌曲实体的所有邻居实体的注意力权重，并根据注意力权重计算C(i)中所有歌曲实体的嵌入向量。
6.如权利要求1所述的方法，其特征在于，步骤4中使用了步骤3计算得到的歌曲嵌入向量，结合评分向量计算用户-歌曲交互图中用户ui的嵌入向量
其中
eO是对应的用户ui对歌曲va的评分向量，是引入了评分信息的歌曲嵌入向量，/>为拼接操作，MLP为多层感知机计算操作；θa使用两层神经网络进行计算，W1、W2和b1、b2为不同神经网络中可训练的权重和偏差。
7.如权利要求1所述的方法，其特征在于，步骤5中根据社交图计算用户ui的嵌入向量，在社交图上与该用户有连边即为该用户的社交好友
其中
F(i)代表用户ui在社交图上与其存在直接连边的歌曲用户集合；根据步骤4和步骤5计算得到的用户嵌入向量计算最终嵌入向量
遍历用户集合U，重复步骤3～5得到所有用户的嵌入向量。
8.如权利要求1所述的方法，其特征在于，步骤6中遍历歌曲vj的交互用户集合D(j)中的所有用户，结合交互用户向量和对应评分向量计算用户-歌曲交互图中歌曲vj的嵌入向量
其中
是用户ub的嵌入向量，eO是对应的用户ub对歌曲vj的评分向量，evj是歌曲vj的初始嵌入向量。
9.如权利要求1所述的方法，其特征在于，步骤7中计算了歌曲知识图谱中歌曲vj的嵌入向量
其中S(j)代表歌曲vj在知识图谱上与其存在直接连边的邻居集合；根据步骤6和步骤7计算得到的歌曲嵌入向量计算最终嵌入向量
遍历歌曲集合V，重复步骤6～7得到所有歌曲的嵌入向量。
10.如权利要求1所述的方法，其特征在于，步骤8中计算损失函数
其中
|Ω|是用户与歌曲之间通过评分产生交互的样本数量，是评分矩阵Ω中某一对用户ui和歌曲vj的预测评分，yij是对应的真实评分。
CN202310619137.4A 2023-05-29 2023-05-29 一种基于图神经网络和知识图谱的歌曲推荐方法 Pending CN116662601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310619137.4A CN116662601A (zh) 2023-05-29 2023-05-29 一种基于图神经网络和知识图谱的歌曲推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310619137.4A CN116662601A (zh) 2023-05-29 2023-05-29 一种基于图神经网络和知识图谱的歌曲推荐方法

Publications (1)

Publication Number Publication Date
CN116662601A true CN116662601A (zh) 2023-08-29

Family

ID=87718445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310619137.4A Pending CN116662601A (zh) 2023-05-29 2023-05-29 一种基于图神经网络和知识图谱的歌曲推荐方法

Country Status (1)

Country Link
CN (1) CN116662601A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171449A (zh) * 2023-09-21 2023-12-05 西南石油大学 一种基于图神经网络的推荐方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117171449A (zh) * 2023-09-21 2023-12-05 西南石油大学 一种基于图神经网络的推荐方法
CN117171449B (zh) * 2023-09-21 2024-03-19 西南石油大学 一种基于图神经网络的推荐方法

Similar Documents

Publication Publication Date Title
CN114048350A (zh) 一种基于细粒度跨模态对齐模型的文本-视频检索方法
Yi et al. Cross-modal variational auto-encoder for content-based micro-video background music recommendation
Stanescu et al. A hybrid recommender system: User profiling from keywords and ratings
CN111651678A (zh) 一种基于知识图谱的个性化推荐方法
Yang et al. Knowledge embedding towards the recommendation with sparse user-item interactions
CN116662601A (zh) 一种基于图神经网络和知识图谱的歌曲推荐方法
CN114329051B (zh) 数据信息识别方法、装置、设备、存储介质及程序产品
CN116127177A (zh) 一种利用知识图谱嵌入负采样优化的推荐方法
WO2020147259A1 (zh) 一种用户画像方法、装置、可读存储介质及终端设备
CN108959184B (zh) 一种基于相似性和相似性可信度的协同过滤推荐算法及装置
Zhu et al. Multimodal sparse linear integration for content-based item recommendation
Xu et al. Towards annotating media contents through social diffusion analysis
CN117312680A (zh) 一种基于用户-实体子图对比学习的资源推荐方法
Li et al. Semi-supervised variational user identity linkage via noise-aware self-learning
Zhang Intelligent recommendation model of contemporary pop music based on knowledge map
Yang et al. Generating knowledge-based attentive user representations for sparse interaction recommendation
Chu et al. Towards a deep learning autoencoder algorithm for collaborative filtering recommendation
Liu et al. A novel learning-to-rank based hybrid method for book recommendation
CN114637846A (zh) 视频数据处理方法、装置、计算机设备和存储介质
Ma et al. Knowledge graph based recommendation algorithm for educational resource
Chew et al. A Hybrid Ontology-based Recommender System Utilizing Data Enrichment and SVD Approaches
Bi et al. An approach for item recommendation using deep neural network combined with the Bayesian personalized ranking
Zhang et al. Confidence-based dynamic cross-modal memory network for image aesthetic assessment
CN113807422B (zh) 融合多特征信息的加权图卷积神经网络评分预测模型
Guo et al. Implicit Feedback Sequence Recommendation System Based on Interactive Interest Modeling

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