音乐推荐方法、计算机设备和存储介质技术

本申请涉及一种音乐推荐方法、计算机设备和存储介质。所述方法包括：获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征；根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似；获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。采用本方法能够提高音乐推荐的准确性。能够提高音乐推荐的准确性。能够提高音乐推荐的准确性。

【技术实现步骤摘要】
音乐推荐方法、计算机设备和存储介质


[0001]本申请涉及音乐推荐
，特别是涉及一种音乐推荐方法、计算机设备和存储介质。

技术介绍

[0002]随着音乐推荐技术的发展，出现了一种利用协同过滤算法为用户推荐音乐的技术，该方法可以根据待音乐推荐的用户针对音乐的历史评分信息，确定出与待音乐推荐的用户具有相似音乐喜好的相似用户，之后则可以基于相似用户近期感兴趣的音乐，从中筛选出部分音乐推荐至该用户。
[0003]传统技术中，利用协同过滤算法实现的音乐推荐，其依赖于用户对音乐的历史评分信息，具有一定的滞后性，相似用户的计算也只是简单的基于相似历史评分的计算，计算效率较低且更新缓慢，获取到的相似用户与待推荐用户仅是在音乐评分维度显示共现关系，因此现有的音乐推荐方法中，音乐推荐准确性较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种音乐推荐方法、计算机设备和计算机可读存储介质。
[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]获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
[0007]将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
[0008]根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
[0009]获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
[0010]在其中一个实施例中，所述将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型之前，所述方法还包括：获取样本用户的用户画像特征，以及所述样本用户对应的样本音乐标识序列；所述样本音乐标识序列由所述样本用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述样本音乐标识序列中的前N个音乐标识划分为第一样本音乐标识序列，以及将所述样本音乐标识序列中的后N个音乐标识划分为第二样本音乐标识序列；N为大于等于2的正整数；利用所述样本用户的用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型。
[0011]在其中一个实施例中，所述利用所述用户画像特征、所述第一样本音乐标识序列，
以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型，包括：将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，通过所述音乐推荐模型得到所述样本用户的第一用户音乐偏好特征；将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，通过所述自监督模型得到所述样本用户的第二用户音乐偏好特征；根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，并利用所述模型损失值对所述音乐推荐模型以及所述自监督模型进行训练，将训练完成的音乐推荐模型作为所述预先训练的音乐推荐模型。
[0012]在其中一个实施例中，所述根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，包括：获取第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征；所述第一样本用户为所述样本用户中的任意一个；获取与所述第一样本用户对应的第二样本用户的第二用户音乐偏好特征；所述第二样本用户为所述样本用户中除所述第一样本用户以外的其余样本用户；根据所述第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征之间的第一相似度，与所述第一样本用户的第一用户音乐偏好特征，以及所述第二样本用户的第二用户音乐偏好特征之间的第二相似度，得到所述第一样本用户对应的模型子损失值；根据各所述第一样本用户对应的模型子损失值，得到所述模型损失值。
[0013]在其中一个实施例中，所述将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，包括：通过注意力机制，获取各所述第一样本音乐标识序列分别对应的第一序列权重；利用所述第一序列权重对所述第一样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第一样本音乐标识序列，输入所述待训练的音乐推荐模型；所述将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，包括通过注意力机制，获取各所述第二样本音乐标识序列分别对应的第二序列权重；利用所述第二标识权重对所述第二样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第二样本音乐标识序列，输入所述自监督模型。
[0014]在其中一个实施例中，所述获取所述待推荐用户对应的音乐标识序列，包括：获取所述待推荐用户针对各所述完整播放音乐的音乐播放时间；对所述完整播放音乐按照音乐播放时间进行排序处理，根据音乐播放时间最新的前N个完整播放音乐的音乐标识，得到所述待推荐用户对应的音乐标识序列；N为大于等于2的正整数。
[0015]在其中一个实施例中，所述根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户，包括：将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库，通过所述向量相似度检索库获取所述待推荐用户的用户音乐偏好特征，与所述向量相似度检索库中预先存储的各所述候选用户的用户音乐偏好特征的特征相似度；对所述特征相似度大小进行排序处理，将特征相似度最大的前预设用户数量的候选用户，作为所述目标用户。
[0016]在其中一个实施例中，所述将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库之前，还包括：获取各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列；所述候选用户对应的音乐标识序列由所述候选用户对应的，
音乐播放时间最新并且完整播放音乐的音乐标识组成；将各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列输入所述预先训练的音乐推荐模型，通过所述音乐推荐模型得到各所述候选用户的用户音乐偏好特征，并将各所述候选用户的用户音乐偏好特征存入所述向量相似度检索库。
[0017]在其中一个实施例中，所述目标用户的数量为多个；所述获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户，包括：获取各所述目标用户分别关联的偏好音乐，作为候选音乐，并获取各所述候选音乐分别关联的目标用户的用户数量；对所述候选音乐按照关联的目标用户的用户数量大小进行排序处理，将用户数量最大的前预设音乐数量的候选音乐，作为所述目标音乐推荐至所述待推荐用户。
[0018]在其中一个实施例中，所述获取各所述目标用户分别关联的偏好音乐，包括：获取当前目标用户对应的完整播放音乐本文档来自技高网...

【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：获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。2.根据权利要求1所述的方法，其特征在于，所述将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型之前，所述方法还包括：获取样本用户的用户画像特征，以及所述样本用户对应的样本音乐标识序列；所述样本音乐标识序列由所述样本用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述样本音乐标识序列中的前N个音乐标识划分为第一样本音乐标识序列，以及将所述样本音乐标识序列中的后N个音乐标识划分为第二样本音乐标识序列；N为大于等于2的正整数；利用所述样本用户的用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型，包括：将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，通过所述音乐推荐模型得到所述样本用户的第一用户音乐偏好特征；将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，通过所述自监督模型得到所述样本用户的第二用户音乐偏好特征；根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，并利用所述模型损失值对所述音乐推荐模型以及所述自监督模型进行训练，将训练完成的音乐推荐模型作为所述预先训练的音乐推荐模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，包括：获取第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征；所述第一样本用户为所述样本用户中的任意一个；获取与所述第一样本用户对应的第二样本用户的第二用户音乐偏好特征；所述第二样本用户为所述样本用户中除所述第一样本用户以外的其余样本用户；根据所述第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征之间的第一相似度，与所述第一样本用户的第一用户音乐偏好特征，以及所述第二样本用户的第二用户音乐偏好特征之间的第二相似度，得到所述第一样本用户对应
的模型子损失值；根据各所述第一样本用户对应的模型子损失值，得到所述模型损失值。5.根据权利要求3所述的方法，其特征在于，所述将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，包括：通过注意力机制，获取各所述第一样本音乐标识序列分别对应的第一序列权重；利用所述第一序列权重对所述第一样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第一样本音乐标识序列，输入所述待...

【专利技术属性】
技术研发人员：王朋，
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：