本申请涉及一种音乐推荐方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取目标用户的用户潜在特征向量，用户潜在特征向量用于表示用户对音乐的兴趣偏好程度；获取各候选音乐的音乐潜在特征向量，所述候选音乐的音乐潜在特征向量的确定方式包括：获取所述候选音乐的音频数据和属性数据，将候选音乐的音频数据和属性数据输入至预先训练的音乐特征预测模型，得到候选音乐的音乐潜在特征向量；基于所述用户潜在特征向量和所述音乐潜在特征向量，确定所述目标用户对各所述候选音乐的偏好值，并根据各所述候选音乐的偏好值，从各所述候选音乐中确定向所述目标用户进行推荐的目标音乐。采用本方法能够提高音乐的推荐精度。乐的推荐精度。乐的推荐精度。
【技术实现步骤摘要】
音乐推荐方法、装置、计算机设备和存储介质
[0001]本申请涉及人工智能
，特别是涉及一种音乐推荐方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着人工智能技术的发展，出现了各式各样的推荐系统，如音乐推荐系统、商品推荐系统等，各推荐系统可以给用户进行相关推荐，从而提升用户的体验。
[0003]然而当前的推荐系统在进行推荐时，一般只针对系统中已存在的数据进行推荐，并且在推荐时也没有结合用户本身的特征，最终导致推荐精度较低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够提高音乐推荐精度的音乐推荐方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种音乐推荐方法，所述方法包括：
[0006]获取目标用户的用户潜在特征向量，所述用户潜在特征向量用于表示用户对音乐的兴趣偏好程度；
[0007]获取各候选音乐的音乐潜在特征向量，所述候选音乐的音乐潜在特征向量的确定方式包括：获取所述候选音乐的音频数据和属性数据，将所述候选音乐的音频数据和属性数据输入至预先训练的音乐特征预测模型，得到所述候选音乐的音乐潜在特征向量；
[0008]基于所述用户潜在特征向量和所述音乐潜在特征向量，确定所述目标用户对各所述候选音乐的偏好值，并根据各所述候选音乐的偏好值，从各所述候选音乐中确定向所述目标用户进行推荐的目标音乐。
[0009]在其中一个实施例中，所述目标用户的用户潜在特征向量的确定方式，包括：
[0010]获取音乐收听记录，所述音乐收听记录包括各用户以及各用户收听的音乐的信息；
[0011]对所述音乐收听记录进行矩阵化处理，获得各所述用户与各所述音乐之间的对应关系的关联矩阵；
[0012]对所述关联矩阵进行分解，获得各所述用户的用户潜在特征向量，各所述用户包括所述目标用户。
[0013]在其中一个实施例中，所述音乐特征预测模型的训练过程，包括：
[0014]获取样本数据集，所述样本数据集包括样本音乐的样本音频数据和样本属性数据；
[0015]采用待训练音乐特征预测模型对所述样本音频数据进行处理，获得所述样本音频数据的音频向量；对所述样本属性数据进行编码处理，获得所述样本属性数据的属性向量；并将所述音频向量和所述属性向量进行全连接处理，获得预测音乐潜在特征向量；
[0016]若达到训练结束条件，将所述待训练音乐特征预测模型作为音乐特征预测模型，
否则，根据所述预测音乐潜在特征向量和所述样本音乐的目标音乐潜在特征向量的比对结果，调整待训练音乐特征预测模型，返回采用待训练音乐特征预测模型对所述样本音频数据进行处理，直至达到训练结束条件。
[0017]在其中一个实施例中，所述待训练音乐特征预测模型包括：傅里叶变换器、滤波器、第一升维网络模型、编码器、第二升维网络模型以及全连接层；
[0018]所述傅里叶变换器对所述样本音频数据进行傅里叶变换，所述滤波器对所述傅里叶变换后的样本音频数据进行滤波处理，获得初始音频向量，所述第一升维网络模型对所述初始音频向量进行升维处理，获得所述样本音频数据的音频向量；
[0019]所述编码器对所述样本属性数据进行编码处理，获得初始属性向量，所述第二升维网络模型对所述初始属性向量进行升维处理，获得所述样本属性数据的属性向量；
[0020]所述全连接层将所述音频向量和所述属性向量进行全连接处理，获得预测音乐潜在特征向量。
[0021]在其中一个实施例中，所述待训练音乐特征预测模型还包括：词嵌入处理模块；
[0022]所述词嵌入处理模块对所述初始属性向量进行词嵌入处理，获得词嵌入处理后属性向量；
[0023]所述第二升维网络模型对所述词嵌入处理后属性向量进行升维处理，获得所述样本属性数据的属性向量。
[0024]在其中一个实施例中，所述全连接层将所述音频向量和所述属性向量进行全连接处理，获得预测音乐潜在特征向量，包括：
[0025]所述全连接层将所述音频向量和所述属性向量进行拼接，获得拼接后音乐向量；并对所述拼接后音乐向量进行降维处理，获得预测音乐潜在特征向量。
[0026]在其中一个实施例中，基于所述用户潜在特征向量和所述音乐潜在特征向量，确定所述目标用户对各所述候选音乐的偏好值，包括：
[0027]计算所述用户潜在特征向量和所述音乐潜在特征向量的内积，并将所述内积作为所述目标用户对各所述候选音乐的偏好值。
[0028]第二方面，本申请还提供了一种音乐推荐装置，所述装置包括：
[0029]用户潜在特征向量获取模块，用于获取目标用户的用户潜在特征向量，所述用户潜在特征向量用于表示用户对音乐的兴趣偏好程度；
[0030]音乐潜在特征向量获取模块，用于获取各候选音乐的音乐潜在特征向量，所述候选音乐的音乐潜在特征向量的确定方式包括：获取所述候选音乐的音频数据和属性数据，将所述候选音乐的音频数据和属性数据输入至预先训练的音乐特征预测模型，得到所述候选音乐的音乐潜在特征向量；
[0031]目标音乐确定模块，用于基于所述用户潜在特征向量和所述音乐潜在特征向量，确定所述目标用户对各所述候选音乐的偏好值，并根据各所述候选音乐的偏好值，从各所述候选音乐中确定向所述目标用户进行推荐的目标音乐。
[0032]第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述音乐推荐方法的步骤。
[0033]第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述音乐推荐方法的步骤。
[0034]第四方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述音乐推荐方法的步骤。
[0035]上述音乐推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过获取目标用户的用户潜在特征向量和各候选音乐的音乐潜在特征向量，确定目标用户对各候选音乐的偏好值，最终可以根据各候选音乐的偏好值，从各候选音乐中确定向目标用户进行推荐的目标音乐，从而提高音乐的推荐精度，其中，通过获取候选音乐的音频数据和属性数据，将候选音乐的音频数据和属性数据输入至预先训练的音乐特征预测模型，得到候选音乐的音乐潜在特征向量。
附图说明
[0036]图1为一个实施例中音乐推荐方法的应用环境图；
[0037]图2为一个实施例中音乐推荐方法的流程示意图；
[0038]图3为一个实施例中音乐推荐方法的样本音频数据处理流程示意图；
[0039]图4为另一个实施例中音乐推荐方法的流程示意图；
[0040]图5为一个实施例中音乐推荐装置的结构框图；
[0041]图6为一个实施例中计算机设备的内部结构图；
[0042]图7为一个实施例中计算机设备的内部本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种音乐推荐方法，其特征在于，所述方法包括：获取目标用户的用户潜在特征向量，所述用户潜在特征向量用于表示用户对音乐的兴趣偏好程度；获取各候选音乐的音乐潜在特征向量，所述候选音乐的音乐潜在特征向量的确定方式包括：获取所述候选音乐的音频数据和属性数据，将所述候选音乐的音频数据和属性数据输入至预先训练的音乐特征预测模型，得到所述候选音乐的音乐潜在特征向量；基于所述用户潜在特征向量和所述音乐潜在特征向量，确定所述目标用户对各所述候选音乐的偏好值，并根据各所述候选音乐的偏好值，从各所述候选音乐中确定向所述目标用户进行推荐的目标音乐。2.根据权利要求1所述的方法，其特征在于，所述目标用户的用户潜在特征向量的确定方式，包括：获取音乐收听记录，所述音乐收听记录包括各用户以及各用户收听的音乐的信息；对所述音乐收听记录进行矩阵化处理，获得各所述用户与各所述音乐之间的对应关系的关联矩阵；对所述关联矩阵进行分解，获得各所述用户的用户潜在特征向量，各所述用户包括所述目标用户。3.根据权利要求1所述的方法，其特征在于，所述音乐特征预测模型的训练过程，包括：获取样本数据集，所述样本数据集包括样本音乐的样本音频数据和样本属性数据；采用待训练音乐特征预测模型对所述样本音频数据进行处理，获得所述样本音频数据的音频向量；对所述样本属性数据进行编码处理，获得所述样本属性数据的属性向量；并将所述音频向量和所述属性向量进行全连接处理，获得预测音乐潜在特征向量；若达到训练结束条件，将所述待训练音乐特征预测模型作为音乐特征预测模型，否则，根据所述预测音乐潜在特征向量和所述样本音乐的目标音乐潜在特征向量的比对结果，调整待训练音乐特征预测模型，返回采用待训练音乐特征预测模型对所述样本音频数据进行处理，直至达到训练结束条件。4.根据权利要求3所述的方法，其特征在于，所述待训练音乐特征预测模型包括：傅里叶变换器、滤波器、第一升维网络模型、编码器、第二升维网络模型以及全连接层；所述傅里叶变换器对所述样本音频数据进行傅里叶变换，所述滤波器对所述傅里叶变换后的样本音频数据进行滤波处理，获得初始音频向量，所述第一升维网络模型对所述初始音频向量进行升维处理，获得所述样本音频数据的音频向量；所述编码器对所述样本属性数据进行编...
【专利技术属性】
技术研发人员：李涵，
申请(专利权)人：卓尔智联武汉研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。