一种基于深度学习的音乐个性化分类推荐方法技术

本发明专利技术公开了一种基于深度学习的音乐个性化分类推荐方法，包括对乐库中用户操作多的音乐建立向量模型来推荐相似音乐，同时训练一个深度网络模型分析音乐频谱图使用户操作数少的音乐也能有效地按用户喜好分类推荐。本方法主要利用了用户操作反馈和音乐频谱，能有效地避免人工建立复杂的音乐标签，同时对不同操作数的音乐区分操作，可以解决音乐新加入乐库的冷启动问题。

【技术实现步骤摘要】
一种基于深度学习的音乐个性化分类推荐方法
本专利技术涉及计算机
，具体涉及一种基于深度学习的音乐个性化分类推荐方法。
技术介绍
在互联网技术的迅速发展，人们可以通过手机等等终端享受音乐。网络上存有海量的音乐数据，为了方便用户发现合适的歌，传统音乐曲库需要人工为音乐本身录入流派，年代，作者等标签，然后再给用户推荐相同标签的歌曲。然而，在实践中发现，以曲库录入的标签需要专业人工录入，进行结构化，工作量巨大。且同一首音乐，不同的听众也会有不同的感受，根据曲库固定的标签对音乐进行分类没有考虑到大部分用户自身的实际收听感受，推荐不够灵活和准确。近年来，出现了深度学习的方法，其在特征学习方面有突出的贡献。与传统的机器学习方法不同，深度学习其网络可以根据输入自动学习特征，适于解决大数据分析问题。
技术实现思路
为了克服现有音乐推荐技术中存在的数据标签模型构造成本高的问题，推荐结果不过灵活和准确，提供一种基于深度学习的音乐个性化分类推荐方法，在大数据下按用户喜好分类推荐音乐的方法。本专利技术至少通过如下技术方案之一实现。通过记录用户收听过程中对音乐表示收听感受的操作，例如“收藏”、“喜欢”等，生成本文档来自技高网...

【技术保护点】
1.一种基于深度学习的音乐个性化分类推荐方法，其特征在于，包括如下步骤：S1记录每个用户收听音乐过程中表示收听感受的操作，获得表示用户喜好的歌曲列表；S2筛选出收听操作数多的高频次音乐列表，用适量多用户的高频次音乐列表训练音乐向量模型；S3对音乐向量模型进行用户喜好聚类；S4为收听操作数少的歌曲生成音乐频谱图；S5训练深度网络对频谱图进行用户喜好分类；S6通过用户喜好的歌曲列表计算具体用户的喜好类别并为其推荐同类相似歌曲。

【技术特征摘要】
1.一种基于深度学习的音乐个性化分类推荐方法，其特征在于，包括如下步骤：S1记录每个用户收听音乐过程中表示收听感受的操作，获得表示用户喜好的歌曲列表；S2筛选出收听操作数多的高频次音乐列表，用适量多用户的高频次音乐列表训练音乐向量模型；S3对音乐向量模型进行用户喜好聚类；S4为收听操作数少的歌曲生成音乐频谱图；S5训练深度网络对频谱图进行用户喜好分类；S6通过用户喜好的歌曲列表计算具体用户的喜好类别并为其推荐同类相似歌曲。2.根据权利要求1所述的一种基于深度学习的音乐个性化分类推荐方法，其特征在于，所述S1还包括对用户的操作细分，建立操作分级区分用户对歌曲的喜欢程度，从大到小为：“分享”>“收藏”>“试听”>“跳过”；并分别建立“分享”音乐列表、“收藏”音乐列表；然后根据不同的列表进行其余步骤，给用户进行更有层次音乐筛选和推荐。3.根据权利要求1所述的一种基于深度学习的音乐个性化分类推荐方法，其特征在于，所述S2中，筛选出收听操作数多的高频次音乐列表，用大量用户的高频次音乐列表训练音乐向量模型，具体包含如下步骤：S2.1统计所有音乐的操作频次，筛选出高频次音乐集合VH和低频次音乐集合VL；筛选出每个用户列表中属于VH的高频次音乐构成列表l，作为音乐向量模型的训练数据；S2.2给定一个音乐列表l,由音乐s1,s2,…,sT构成，T为音乐列表l包含的音乐总数，其概率模型可表示为其中的Contexti表示的音乐si的上下文，视为列表内该音乐前后w首音乐，w能根据实验效果调整得出，i的取值为1～T；首先将每首音乐按均匀分布初始化为统一维度的向量，然后构建一个只有一个隐层的全连接神经网络神经网络，输入为音乐向量，输出为Contexti包含的2w个音乐向量；S2.3以xi输入为例，对应一组训练样本，xi为输入，为正样本，其余为k-1个负样本，根据歌曲出现频率随机采样负样本；目标函数为噪声对比估计函数(noise-contrastiveestimation(NCE))：其中，为正例的概率，为负例的概率，目标函数的含义是尽可能让真实的正例目标词获得高概率...

【专利技术属性】
技术研发人员：王一歌，叶展鹏，韦岗，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44