【技术实现步骤摘要】
模型训练方法以及相关设备
[0001]本申请涉及计算机
,尤其涉及一种模型训练方法、一种计算机设备以及一种计算机可读存储介质。
技术介绍
[0002]音乐推荐系统会根据用户的听歌兴趣点进行歌曲推荐,听歌兴趣点是根据用户的历史听歌数据确定的。但当用户的听歌行为特别丰富,听歌的历史数量达到一定数值(如2000)以上时,很容易产生“兴趣塌陷”问题。所谓“兴趣塌陷”,是指用户行为过于丰富后,推荐系统反而难以精准识别用户的核心兴趣点,被其他偶然兴趣点所淹没。
[0003]因此,如何解决“兴趣塌陷”问题,更为精准地向用户推荐歌曲成为亟待解决的技术问题。
技术实现思路
[0004]本申请实施例提供了一种模型训练方法以及相关设备,可以提升模型训练效果,使得到的目标歌曲推荐模型可以精准地推荐用户感兴趣的歌曲。
[0005]一方面,本申请实施例公开了一种模型训练方法,该模型训练方法包括:
[0006]获取目标用户的初始歌曲序列,所述初始歌曲序列是根据所述目标用户的听歌行为所涉及的多首歌曲的歌曲信息生成,所述多首歌曲中的每一首歌曲对应一个歌曲标签,所述歌曲标签为正例标签或者负例标签,所述歌曲标签是根据歌曲对应的播放特征确定的;
[0007]确定所述歌曲标签为所述正例标签的每一首歌曲的歌曲属性,并根据所述歌曲属性对所述初始歌曲序列进行掩码处理,得到对比歌曲序列,所述歌曲属性为关键歌曲属性或者非关键歌曲属性;
[0008]将所述初始歌曲序列输入初始歌曲推荐模型中进行处理,得到所述初 ...
【技术保护点】
【技术特征摘要】
1.一种模型训练方法,其特征在于,所述方法包括:获取目标用户的初始歌曲序列,所述初始歌曲序列是根据所述目标用户的听歌行为所涉及的多首歌曲的歌曲信息生成,所述多首歌曲中的每一首歌曲对应一个歌曲标签,所述歌曲标签为正例标签或者负例标签,所述歌曲标签是根据歌曲对应的播放特征确定的;确定所述歌曲标签为所述正例标签的每一首歌曲的歌曲属性,并根据所述歌曲属性对所述初始歌曲序列进行掩码处理,得到对比歌曲序列,所述歌曲属性为关键歌曲属性或者非关键歌曲属性;将所述初始歌曲序列输入初始歌曲推荐模型中进行处理,得到所述初始歌曲序列的参考特征序列,将所述对比歌曲序列输入所述初始歌曲推荐模型中进行处理,得到所述对比歌曲序列的对比特征序列;根据所述参考特征序列和所述对比特征序列确定第一差异参数,并根据所述第一差异参数对所述初始歌曲推荐模型的模型参数进行调整,以得到目标歌曲推荐模型。2.根据权利要求1所述的方法,其特征在于,所述确定所述歌曲标签为所述正例标签的每一首歌曲的歌曲属性,包括:获取目标用户针对目标歌曲的操作行为,所述目标歌曲为所述多首歌曲中所述歌曲标签为所述正例标签的任意一首歌曲;若所述目标用户针对所述目标歌曲的操作行为存在目标行为,则确定所述目标歌曲的歌曲属性为所述关键歌曲属性;所述目标行为包括下载行为、收藏行为、分享行为以及评论行为中的一种或多种;若所述目标用户针对所述目标歌曲的操作行为不存在所述目标行为,则确定所述目标歌曲的歌曲属性为所述非关键歌曲属性。3.根据权利要求1所述的方法,其特征在于,所述确定所述歌曲标签为所述正例标签的每一首歌曲的歌曲属性,包括:确定第一歌曲的歌曲特征和第二歌曲的歌曲特征,所述第一歌曲为歌曲集合中的任意一首歌曲,所述第二歌曲为所述歌曲集合中除所述第一歌曲之外的任意一首歌曲,所述歌曲集合由所述多首歌曲中所述歌曲标签为所述正例标签的歌曲构成;根据所述第一歌曲的歌曲特征和所述第二歌曲的歌曲特征,确定所述第一歌曲和所述第二歌曲的歌曲相似度;根据所述歌曲相似度,确定所述歌曲集合中与所述第一歌曲的歌曲相似度大于或者等于相似度阈值的歌曲的占比;若所述占比大于或者等于占比阈值,则确定所述第一歌曲的歌曲属性为所述关键歌曲属性;若所述占比小于所述占比阈值,则确定所述第一歌曲的歌曲属性为所述非关键歌曲属性。4.根据权利要求1
‑
3中任一项所述的方法,其特征在于,所述根据所述歌曲属性对所述初始歌曲序列进行掩码处理,得到对比歌曲序列,包括:从所述歌曲属性为所述关键歌曲属性的歌曲中确定第一待处理歌曲,将所述初始歌曲序列中所述第一待处理歌曲对应的序列元素进行掩码处理,得到第一歌曲序列;从所述歌曲属性为所述非关键歌曲属性的歌曲中确定第二待处理歌曲,将所述初始歌曲序列中所述
第二待处理歌曲对应的序列元素进行掩码处理,得到第二歌曲序列;将所述第一歌曲序列和所述第二歌曲序列确定为对比歌曲序列;其中...
【专利技术属性】
技术研发人员:黄昕,
申请(专利权)人:腾讯音乐娱乐科技深圳有限公司,
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。