一种基于图神经网络和知识图谱的歌曲推荐方法技术

一种基于图神经网络和知识图谱的歌曲推荐方法，包括：首先结合用户

【技术实现步骤摘要】
一种基于图神经网络和知识图谱的歌曲推荐方法


[0001]本专利技术涉及推荐系统领域，特别是指一种基于图神经网络和知识图谱的歌曲推荐方法。

技术介绍

[0002]随着互联网的发展，网络上的歌曲数量也在快速增长，人们很难快速从海量歌曲中定位到自己喜欢的歌曲，因此歌曲推荐系统也就应运而生，并被广泛利用于各大音乐应用中。传统的歌曲推荐系统一般使用用户
‑
歌曲交互图(U
‑
I图)进行预测，但这种方式由于缺乏用户之间和物品之间的交互信息，普遍存在数据稀疏和冷启动等问题。为了提升歌曲推荐效果，研究者们试图在推荐系统中引入更多的外部数据、先验知识和辅助信息。基于社交网络的歌曲推荐能够大大改善针对新用户的推荐困难问题，在提高推荐精确度的同时，用户也会更加信任社交推荐给出的结果。歌曲知识图谱作为能够承载大量歌曲语义信息和关联知识的信息载体，将其与歌曲推荐系统结合也能获得更好的推荐性能。
[0003]目前已经有很多结合辅助信息的推荐系统算法，但这些方法并没有充分利用用户之间和物品之间的附加信息。结合歌曲知识图谱进行推荐的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络和知识图谱的歌曲推荐方法，包括如下步骤：步骤1：抽取待处理歌曲数据集中各实体的特征信息和实体之间的关系信息，并以实体为节点，以实体关系为节点连边构建歌曲知识图谱，其中所述节点包括：歌曲名称节点、歌手节点、类型节点和年份节点；根据用户
‑
歌曲交互图上获取用户和歌曲集合，并以图上连边作为评分信息；根据社交图的连边信息获取用户的社交好友集合；步骤2：使用知识图谱表示学习算法TransE对歌曲知识图谱数据进行预处理，获得歌曲知识图谱实体和关系的初始嵌入向量；步骤3：任取用户集合中的一个用户，计算其所收听歌曲在聚合了歌曲知识图谱邻居实体后的嵌入向量；步骤4：根据收听歌曲的嵌入向量计算用户
‑
歌曲交互图中该用户的嵌入向量；步骤5：计算该用户在社交图中的嵌入向量，并根据用户
‑
歌曲交互图和社交图中该用户的嵌入向量计算最终嵌入向量；重复步骤3～5计算所有用户的最终嵌入向量；步骤6：任取歌曲集合中的一个歌曲，根据交互用户的嵌入向量计算用户
‑
歌曲交互图中该歌曲的嵌入向量；步骤7：计算歌曲在歌曲知识图谱中的嵌入向量，并根据用户
‑
歌曲交互图和歌曲知识图谱中该歌曲的嵌入向量计算最终嵌入向量；重复步骤6～7计算所有歌曲的最终嵌入向量；步骤8：根据用户和歌曲的嵌入向量预测评分，并以MSE作为损失函数，当损失值小于设定最小损失值后结束计算；对于集合中的某个用户，根据预测评分从高到低的结果排行推荐前K首歌曲，其中K为设定的推荐歌曲数量。2.如权利要求1所述的方法，其特征在于，步骤1中在用户
‑
歌曲交互图R中，U＝{u1,u2,...,u
m
}表示用户集合，V＝{v1,v2,...,v
n
}表示歌曲集合，其中用户和歌曲的交互记录为评分矩阵Ω＝{(u
i
,v
j
)|O
ij
≠0}，O
ij
为用户u
i
对歌曲v
j
的评分结果，评分等级从1到5。3.如权利要求1所述的方法，其特征在于，步骤1中将用户
‑
歌曲交互图中的歌曲与歌曲知识图谱上的对应实体进行对齐，获取歌曲在歌曲知识图谱上的对应邻居属性特征。4.如权利要求1所述的方法，其特征在于，步骤2中，通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维向量空间中获得初始嵌入向量，歌曲知识图谱由H个三元组(h,r,t)组成，h∈ε，r∈η和t∈ε分别为三元组的头实体,关系和尾实体，ε＝{e1,e2,...,e
A
}表示歌曲实体集合，η＝{r1,r2,...,r
B
}表示歌曲实体之间关系的集合。5.如权利要求1所述的方法，其特征在于，步骤3中，对于任取的一个用户u
i
，任意选取其交互歌曲集合C(i)中的一个歌曲实体v
a
，计算v
a
在歌曲知识图谱上的嵌入向量在歌曲知识图谱上的嵌入向量其中λ
k
＝e
...

【专利技术属性】
技术研发人员：杨旭华，童越，孙浩，项贤通，周艳波，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：