一种基于神经网络模型的上下文感知音乐推荐方法
【技术领域】
[0001] 本发明属于数据挖掘及推荐技术领域，具体涉及一种基于神经网络模型的上下文 感知音乐推荐方法。
【背景技术】
[0002] 随着移动通信带宽的增加、终端处理能力的增强、以及传感技术的发展，越来越多 的用户通过移动终端来收听音乐。移动用户的听歌喜好通常会随着时间、空间、天气、身体 状况不同而变化，传统的音乐推荐系统已不适用于个性化移动网络服务领域。近年来，基于 上下文感知的音乐推荐系统通过将上下文信息引入推荐系统，成为一个新兴的研究领域。 在研究中发现，把上下文信息融入推荐系统，相当于把传统的"用户-项目"二维评分效用模 型扩展为包含多种上下文信息的多维评分效用模型，有利于提高推荐精确度。因此利用移 动终端提供的位置、时间、空间、天气等上下文信息，推荐更符合用户偏好、当前心情和周围 环境的音乐，具有重要的研究意义。
[0003] 目前，基于上下文信息的音乐推荐方法通常采用了 "多维推荐"转化为"二维推荐" 的设计思路，在推荐结果生成之前、生成之后或者生成的过程中，利用当前上下文信息过滤 掉与当前上下文信息不匹配的数据，同时采用传统二维推荐技术(包含协同过滤、基于内容 的过滤、基于知识的过滤、混合式过滤等)生成推荐结果。因为利用了传统推荐系统的成熟 技术，此类方法成为目前应用最广的上下文感知推荐方法。
[0004] 然而，现有技术在音乐与用户的匹配过程只考虑了用户的上下文信息，缺乏对音 乐内容的深层解析，认为所有音乐都是同质的，音乐的不同属性来自用户在不同情境下对 音乐具有的不同喜好程度，即由音乐的用户属性对不同音乐进行差异化区分，从而忽略了 音乐作为一类多媒体文件，其自身具有的上下文属性。这种推荐方法过于主观，降低了用户 与音乐的耦合性，从而对推荐系统的精度有所影响。在很多场景下，用户的收听上下文往往 会主导用户的需求，例如用户的全局偏好包括摇滚乐和纯音乐，但是用户在晚上休息的时 候，会更喜欢后者。
【发明内容】
[0005] 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神经网络模型的上 下文感知音乐推荐方法，能够让推荐的音乐符合用户的实时需求和偏好。
[0006] -种基于神经网络模型的上下文感知音乐推荐方法，包括如下步骤：
[0007] (1)收集用户的完整音乐收听序列，所述的完整音乐收听序列包含用户历史对于 音乐的每条收听记录；
[0008] Ο?枏抿所右田户的尝聦咅序刟.建fr W下日烷函救T..
[0009]
[0010] 其中:A表示所有用户组成的用户集群，Au表示用户集群A中的第U个用户，Hu表示用 户A u的完整音乐收听序列，p(Au|Hu)表示完整音乐收听序列Hu下观测到用户A u的概率，/f表 示完整音乐收听序列Hu中的第i条收听记录，表示收听记录的上下文记录即包括收 听记录￥的前c条以及后c条收听记录，#Ρ；?私,)表示上下文记录下观测到收听记录 /?,的概率，c为大于0的自然数，i和u均为自然数且1 < i < m，1 < u < n，m为完整音乐收听序列 Hu中收听记录的总数量，η为用户集群A中用户的总数量；
[0011] (3)对上述目标函数L进行最大化求解，以求得乐库中每首音乐的特征向量以及每 个用户的全局兴趣向量；
[0012] (4)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近 期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平 均，得到用户的上下文收听兴趣向量；
[0013] (5)根据每首音乐的特征向量以及用户的全局兴趣向量和上下文收听兴趣向量， 计算出用户对于每首音乐的兴趣值;进而根据兴趣值对乐库中的所有音乐从大到小排序， 并提取兴趣值最大的若干首音乐推荐给用户。
[0014] 所述概率p(Au|Hu)的表达式如下：
[0015]
[0016] 其中：vu为用户Au的全局兴趣向量，L为完整音乐收听序列Hu中各条收听记录所 对应音乐的平均特征向量， T表示转置。
[0017]所述概率虼,)的表达式如下：
[0018]
[0019] 其中：为收听记录￥所对应音乐的特征向量，|^.'±,.为上下文记录/^。中各条 收听记录所对应音乐的平均特征向量，τ表示转置，1?为乐库中第j首音乐的特征向量，j为自 然数且B j < k，k为乐库中音乐的总数量。
[0020] 所述的步骤(5)中通过以下公式计算用户对于每首音乐的兴趣值：
[0021]
[0022] 其中：<为用户Au对于乐库中第j首音乐的兴趣值，为乐库中第j首音乐的特征 向量，vu为用户Au的全局兴趣向量，zu为用户Au的上下文收听兴趣向量， τ表示转置，j为自然 数且1 < j < k，k为乐库中音乐的总数量。
[0023] 本发明首次利用神经网络模型从用户的完整收听序列中获取音乐的特征和用户 的全局兴趣，分别表示为音乐的特征向量和用户的全局兴趣特征向量，为音乐特征提取困 难以及用户全局兴趣建模困难的问题提供了一种可靠的解决方法;本发明根据用户的最近 收听序列中的音乐的特征向量获取用户的收听上下文兴趣，为用户的收听上下文的提取和 建模困难的问题提供了一种可行的思路;综合考虑用户全局兴趣和收听上下文兴趣的推荐 方法，本发明能够使得推荐的音乐更符合目标用户当前的偏好，从而减少用户的搜索成本 并提高用户的满意度。
【附图说明】
[0024] 图1为本发明音乐推荐方法的系统架构示意图。
[0025] 图2为本发明音乐推荐方法中的用户音乐偏好预测流程示意图。
【具体实施方式】
[0026] 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。
[0027] 本发明基于收听上下文感知的音乐推荐方法包括以下步骤：
[0028] (1)获取用户的完整的音乐收听序列，收听序列中的每条记录包括音乐ID、播放时 间、播放设备。
[0029] (2)利用神经网络模型处理所有用户的完整收听序列，将每首音乐和每个用户表 示为特征向量。该神经网络模型的目标函数公式为：
[0030]
[0031 ]其中，夕(《 I:是给定用户u的完整音乐收听序列Wf :，。丨下观测到用户 u的概率，定义为：
[0032]<