(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210338347.1 (22)申请日 2022.04.01 (71)申请人 上海电力大 学 地址 201306 上海市浦东 新区沪城环路 1851号 (72)发明人 孙云芸　李海明　 (74)专利代理 机构 上海德昭知识产权代理有限 公司 31204 专利代理师 陈龙梅 (51)Int.Cl. G06F 16/36(2019.01) G06F 16/635(2019.01) G06F 16/9535(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于知识图谱多任务特征学习的音乐 推荐方法 (57)摘要 本发明公开了一种基于知识图谱多任务特 征学习的音乐推荐方法， 包括： 步骤1， 在知识图 谱构建阶段， 基于Satori库和用户 ‑音乐交互记 录， 将训练得到的实体和关系的特征向量映射为 低维向量， 构建所需的知识图谱； 步骤2， 在模型 训练阶段， 通过邻域聚合操作融合用户及其邻域 节点在知识图谱 上的特征表示， 将局部近邻结构 捕捉并存储在每个实体中， 获取用户偏好特征； 步骤3， 在推荐阶段， 通过CNN回归模型预测音乐 的潜在特征， 并结合用户偏好特征计算用户与音 乐之间的匹配度， 生成最终用户可能感兴趣的推 荐列表。 在Last.FM 数据集上进行对比实验， 结果 表明与传统的推荐方法和基于知识图谱方法相 比， 该算法能有效挖掘用户和音乐之间的潜在关 系， 提高音乐推荐质量。 权利要求书1页 说明书4页 附图2页 CN 114676268 A 2022.06.28 CN 114676268 A 1.一种基于知识图谱多任务特 征学习的音乐推荐方法， 其特 征在于， 包括以下步骤： 步骤1， 在知识图谱构 建阶段， 基于Satori库和用户 ‑音乐交互记录， 将训练得到的实体 和关系的特 征向量映射 为低维向量， 构建所需的知识图谱； 步骤2， 在模型训练阶段， 通过邻域聚合操作融合用户及其邻域节点在所述知识图谱上 的特征表示， 将局部 近邻结构捕捉并存 储在每个实体中， 获取用户偏好特 征； 步骤3， 在推荐阶段， 通过CNN回归模型预测音乐的潜在特征， 并结合所述用户偏好特征 计算用户与音乐之间的匹配度， 生成最终用户可能感兴趣的推荐列表。 2.根据权利要求1所述的基于知识图谱多任务特 征学习的音乐推荐方法， 其特 征在于： 其中， 步骤1具体包括以下子步骤： 步骤1‑1， 在实体链接阶段， 将数据集中的用户、 音乐和它们的属性值映射链接到相应 的实体； 步骤1‑2， 在关系抽取阶段， 将所述用户和所述音乐之间的收听、 购买、 点击等隐性交互 行为视为关系； 步骤1‑3， 在知识存储阶段， 将训练得到的所述实体和所述关系的特征向量映射为低维 向量， 构建所需的所述知识图谱。 3.根据权利要求1所述的基于知识图谱多任务特 征学习的音乐推荐方法， 其特 征在于： 其中， 步骤2中， 遍历所有的用户项目对(u， v)， 以逐层迭代的方式计算出项目v 的感受 野M并初始 化模型参数， 通过计算V的邻域线性组合， 将用户关系得分作为过滤器， 挑选出用 户可能感兴趣的项目集合， 最后使用Mean  aggregator和Concat  aggregator两个聚合函数 将实体表示v及其邻域表示聚合成一个向量。 4.根据权利要求1所述的基于知识图谱多任务特征学习的音乐推荐方法， 其特征在于， 还包括： 步骤4， 检测阶段， 在所述检测阶段， 采集不同领域的数据， 带入模型， 进行个性化推荐， 获得最优检测结 果。权　利　要　求　书 1/1 页 2 CN 114676268 A 2一种基于知识图谱多任务特征学习的音乐推荐方 法 技术领域 [0001]本发明属于计算机应用领域， 具体涉及一种基于知识图谱多任务特征学习的音乐 推荐方法。 背景技术 [0002]近年来， 随着云计算、 大数据、 物联网等技术的迅猛发展， 互联网空间中各类应用 的层出不穷引发了数据规模的爆炸式增长。 在当前这个崭新的数字化信息时代， 海量的数 据资源被提供 给用户， 给他们造成了 很大的困扰， 推荐系统的出现有效缓解了这个问题。 [0003]在多媒体产品的推荐任务中， 音乐推荐逐渐得到广泛的关注。 目前流行的音乐推 荐算法主要分为基于内容的推荐算法、 基于协同过滤 的推荐算法和混合推荐算法。 其中基 于协同过滤的音乐推荐方法应用较为广泛， 它可以根据相似的用户自动过滤和筛选出目标 用户， 进一步挖掘出用户的潜在兴趣。 但是在面临稀疏性问题时， 协同过滤算法也难以保证 音乐的推荐质量。 [0004]近年来， 音乐推荐场景中的冷启动和稀疏性问题受到了越来越多学者的关注。 Zhang等提出一种个性化推荐算法用以解决多媒体产品中推荐 方式单一的问题。 Zheng等基 于标签提出了一个动态音乐推荐框架， 它利用音乐曲目的可用语义标签的特点来补充高度 稀疏的用户项交互矩阵， 大大简化了为新用户推荐曲目的难度。 Hariri等在推荐之前首先 利用用户的社会化标签对音乐进 行分类， 然后通过用户播放记录中的相关信息对用户所处 的情境进行归类 推荐， 取得了良好的推荐效果。 [0005]但是， 仅基于音频、 标签或类别的推荐会丢失大量的音乐特征信息， 从而无法为用 户提供良好的个性化服务。 在实际的推荐场景中， 音乐冷启动问题是普遍存在的， 对于新增 的用户和音乐， 由于其缺少相关的反馈数据而无法对其进行推荐， 这极大 的影响了用户的 收听体验。 [0006]因此使用单一类别数据难以构建良好的特征体系， 融合多源辅助信息进行音乐推 荐具有重要意 义。 发明内容 [0007]本发明是为了解决上述问题而进行的， 目的在于提供一种基于知识图谱多任务特 征学习的音乐推荐方法。 [0008]本发明提供了一种基于知识图谱多任务特征学习的音乐推荐方法， 具有这样的特 征， 包括以下步骤： 步骤1， 在知识图谱构建阶段， 基于Sat ori库和用户 ‑音乐交互记录， 将训 练得到的实体和关系的特征向量映射为低维向量， 构建所需的知识图谱； 步骤2， 在模型训 练阶段， 通过邻域聚合操作融合用户及其邻域节点在知识图谱上 的特征表示， 将局部近邻 结构捕捉并存储在每个实体中， 获取用户偏好特征； 步骤3， 在推荐阶段， 通过CNN回归模型 预测音乐的潜在特征， 并结合用户偏好特征计算用户与音乐之间的匹配度， 生成最终用户 可能感兴趣的推荐列表。说　明　书 1/4 页 3 CN 114676268 A 3