本申请公开了一种融合用户兴趣的音乐推荐方法、装置、设备和存储介质，该方法包括：根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量；确定音乐场景下用户的画像特征向量、用户的短期兴趣特征向量以及用户的长期兴趣特征向量；确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量；基于所述权重向量以及所述序列长度向量，对初始音乐召回模型进行模型动态融合，得到目标音乐召回模型；基于所述目标音乐召回模型推荐音乐给用户。本申请根据序列长度向量以及权重向量进行模型动态融合，基于融合的模型进行曲库推荐，令用户感到音乐的曲库是丰富多彩的，避免最终造成用户流失。造成用户流失。造成用户流失。
【技术实现步骤摘要】
融合用户兴趣的音乐推荐方法、装置、设备及存储介质
[0001]本申请涉及通信计算机
，尤其涉及一种融合用户兴趣的音乐推荐方法、装置、设备及存储介质。
技术介绍
[0002]对于音乐app，推荐系统扮演着举足轻重的作用，一个优秀的推荐系统能够增加用户的粘性，为app带来更丰厚的收益，对于音乐推荐过程，一般分为召回、粗排、精排以及重排四个阶段，其中召回阶段通常是从几百万甚至上千万的候选歌曲中，初步筛选出几千甚至上万首用户可能喜欢的歌曲。
[0003]现有推荐系统在召回阶段普遍采用向量检索的方式，具体地，将长期兴趣以及短期兴趣转化为用户向量ue，同时将每个候选歌曲都转化为物品向量ie，在召回阶段，使用ue检索与其匹配的ie，这些ie对应的歌曲就是要召回的歌曲。
[0004]但是上述现有技术推荐结果对回流用户不友好，无法唤起用户的记忆，且对应模型易过拟合，造成可推荐范围越缩越窄，最终造成用户流失。
技术实现思路
[0005]本申请的主要目的在于提供一种融合用户兴趣的音乐推荐方法、装置、设备和存储介质，旨在解决现有技术中音乐推荐易造成用户流失的技术问题。
[0006]为实现上述目的，本申请提供一种融合用户兴趣的音乐推荐方法，所述方法包括：
[0007]根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量；
[0008]确定音乐场景下用户的画像特征向量、用户的短期兴趣特征向量以及用户的长期兴趣特征向量；
[0009]确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量；
[0010]基于所述权重向量以及所述序列长度向量，对初始音乐召回模型进行模型动态融合，得到目标音乐召回模型；
[0011]基于所述目标音乐召回模型推荐音乐给用户。
[0012]可选地，所述序列长度向量包括短期序列长度向量和长期序列长度向量，所述实际长度包括实际短期序列长度和实际长期序列长度，所述最大长度包括最大短期序列长度和最大长期序列长度；
[0013]所述根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量的步骤，包括：
[0014]基于所述用户的短期兴趣特征向量，确定用户音乐播放序列的实际短期序列长度，基于所述实际短期序列长度以及最大短期序列长度，确定短期序列长度向量；
[0015]基于所述用户的长期兴趣特征向量，确定用户音乐播放序列的实际长期序列长度，基于所述实际长期序列长度以及最大长期序列长度，确定长期序列长度向量。
[0016]可选地，所述确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量的步骤，包括：
[0017]组合所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量，得到组合向量；
[0018]将所述组合向量输入至所述预设音乐召回模型中，以基于所述预设音乐召回模型对所述组合向量进行处理，得到所述权重向量；
[0019]其中，所述预设音乐召回模型中的模型参数是基于反向梯度更新法训练得到的。
[0020]可选地，所述组合所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量，得到组合向量的步骤之前，所述方法包括：
[0021]使用预设独立参数，对所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量进行线性变换，得到变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量；
[0022]基于变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量进行组合，得到组合向量。
[0023]可选地，所述基于变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量进行组合，得到组合向量的步骤，包括：
[0024]对变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量、所述用户的长期兴趣特征向量以及所述序列长度向量进行求和，得到组合向量；
[0025]或者对变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量、所述用户的长期兴趣特征向量以及所述序列长度向量进行向量的拼接，得到组合向量。
[0026]可选地，所述基于所述目标音乐召回模型推荐音乐给用户的步骤，包括：
[0027]确定预设音乐的物品向量，确定所述物品向量的目标索引；
[0028]基于所述目标音乐召回模型，从所述目标索引中检索得到目标音乐，并将目标音乐推荐给用户。
[0029]可选地，所述基于所述目标音乐召回模型，从所述目标索引中检索得到目标音乐，并将目标音乐推荐给用户的步骤之后，所述方法包括：
[0030]确定所述用户的反馈信息；
[0031]基于所述反馈信息调整所述目标音乐召回模型。
[0032]本申请还提供一种融合用户兴趣的音乐推荐装置，所述融合用户兴趣的音乐推荐装置包括：
[0033]计算模块，用于根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量；
[0034]第一确定模块，用于确定音乐场景下用户的画像特征向量、用户的短期兴趣特征向量以及用户的长期兴趣特征向量；
[0035]第二确定模块，用于确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量；
[0036]融合模块，用于基于所述权重向量以及所述序列长度向量，对初始音乐召回模型进行模型动态融合，得到目标音乐召回模型；
[0037]推荐模块，用于基于所述目标音乐召回模型推荐音乐给用户。
[0038]可选地，所述序列长度向量包括短期序列长度向量和长期序列长度向量，所述实际长度包括实际短期序列长度和实际长期序列长度，所述最大长度包括最大短期序列长度和最大长期序列长度；
[0039]所述计算模块包括：
[0040]第一确定单元，用于基于所述用户的短期兴趣特征向量，确定用户音乐播放序列的实际短期序列长度，基于所述实际短期序列长度以及最大短期序列长度，确定短期序列长度向量；
[0041]第二确定单元，用于基于所述用户的长期兴趣特征向量，确定用户音乐播放序列的实际长期序列长度，基于所述实际长期序列长度以及最大长期序列长度，确定长期序列长度向量。
[0042]可选地，所述第二确定模块包括：
[0043]第一组合单元，用于组合所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量，得到组合向量；
[0044]权重向量单元，用于将所述组合向量输入至所述预设音乐召回模型中，以基于所述预设音乐召回模型对所述组合向量进行处理，得到所述权重向量；
[0045]其中，所述预设音乐召回模型中的模型参数是基于反向梯度更新法训练得到的。
[0046]可选地，所述第二确定模块还包括：本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合用户兴趣的音乐推荐方法，其特征在于，所述方法包括：根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量；确定音乐场景下用户的画像特征向量、用户的短期兴趣特征向量以及用户的长期兴趣特征向量；确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量；基于所述权重向量以及所述序列长度向量，对初始音乐召回模型进行模型动态融合，得到目标音乐召回模型；基于所述目标音乐召回模型推荐音乐给用户。2.如权利要求1所述的融合用户兴趣的音乐推荐方法，其特征在于，所述序列长度向量包括短期序列长度向量和长期序列长度向量，所述实际长度包括实际短期序列长度和实际长期序列长度，所述最大长度包括最大短期序列长度和最大长期序列长度；所述根据用户音乐播放序列的实际长度以及最大长度计算序列长度向量的步骤，包括：基于所述用户的短期兴趣特征向量，确定用户音乐播放序列的实际短期序列长度，基于所述实际短期序列长度以及最大短期序列长度，确定短期序列长度向量；基于所述用户的长期兴趣特征向量，确定用户音乐播放序列的实际长期序列长度，基于所述实际长期序列长度以及最大长期序列长度，确定长期序列长度向量。3.如权利要求1所述的融合用户兴趣的音乐推荐方法，其特征在于，所述确定所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量对应的权重向量的步骤，包括：组合所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量，得到组合向量；将所述组合向量输入至所述预设音乐召回模型中，以基于所述预设音乐召回模型对所述组合向量进行处理，得到所述权重向量；其中，所述预设音乐召回模型中的模型参数是基于反向梯度更新法训练得到的。4.如权利要求3所述的融合用户兴趣的音乐推荐方法，其特征在于，所述组合所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量，得到组合向量的步骤之前，所述方法包括：使用预设独立参数，对所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量进行线性变换，得到变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量；基于变换后的所述用户的画像特征向量、所述用户的短期兴趣特征向量以及所述用户的长期兴趣特征向量进行组合，得到组合向量。5.如权利要求4所述的融合用户兴趣的音乐推荐方法...
【专利技术属性】
技术研发人员：曹跃，
申请(专利权)人：中国移动通信集团有限公司，
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。