[發明專利]基于Meta-graph知識圖譜表示的對話式音樂推薦方法

有效

• 申請號: 201810574224.1
• 申請日: 2018-06-06
• 公開（公告）號: CN108874957B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 王曉玲;靳遠遠;周純伊
• 申請（專利權）人: 華東師范大學
• 主分類號: G06F16/635
• 分類號: G06F16/635;G06F16/683;G06F16/36
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于Meta-graph知識圖譜表示的對話式音樂推薦方法，其特征在于，包括以下步驟：

(1)、獲取音樂知識圖譜與用戶行為數據，將用戶作為節點依據其行為鏈接至音樂知識圖譜中對應音樂實體，構建出的用戶-音樂知識圖譜作為基于Meta-graph知識圖譜表示方法的輸入，生成用戶特征向量與目標音樂實體特征向量，構成用戶與目標音樂實體特征向量池：

1.1)、設計L個用戶與目標音樂實體的Meta-graph集合，將用戶作為節點依據其行為鏈接至音樂知識圖譜中對應音樂實體，構建出用戶-音樂知識圖譜；

1.2)、根據Meta-graph集合中涉及的L個Meta-graph以及用戶-音樂知識圖譜獲取不同節點類型的鄰接矩陣；

所述L個用戶與目標音樂實體的Meta-graph集合為：L＝3個用戶與目標音樂實體Meta-graph的集合，分別為用戶-歌曲、用戶-歌手-歌曲以及用戶-歌曲-風格、歌手、專輯-歌曲，這樣存在五類關系，這樣獲取的鄰接矩陣包含：用戶-歌曲、用戶-歌手、歌曲-風格、歌曲-歌手和歌曲-專輯鄰接矩陣；

1.3)、結合步驟1.1)中的Meta-graph集合和步驟1.2)獲得的不同類型節點的鄰接矩陣，根據Meta-graph計算公式，利用每個Meta-graph計算用戶和目標音樂實體之間的相似度，獲得L個相似度矩陣；其中，第k個相似度矩陣計算公式為：k是Meta-graph的序列下標，k＝1,2,...,L，A_k1,A_k2,...,A_kl是第k個Meta-graph中依次連接節點的類型，kl為k個Meta-graph中節點類型的數量，是節點類型A_k1游走到節點類型A_k2的鄰接矩陣，是節點類型A_k2,游走到節點類型A_k3的鄰接矩陣，是節點類型A_kl-1游走到節點類型A_kl的鄰接矩陣，如果Meta-graph中相鄰節點類型A_ki、A_k(i+1)是節點類型A_k(i+1)指向節點類型A_ki，則相似度矩陣計算公式中的如果節點類型A_ki游走到節點類型A_k(i+1)間存在多條分岔，則先計算每條分岔的相似度矩陣B為分岔數量，然后再將每條分岔的相似度矩陣用哈達馬乘積依次相乘，得到節點類型A_ki游走到節點類型A_k(i+1)的相似度矩陣i為節點類型序號；

1.4)、依據用戶與目標類型音樂實體交互特性，對L個相似度矩陣分別進行矩陣分解，分別獲得L個用戶隱特征矩陣以及L個目標音樂實體隱特征矩陣

1.5)、分別從用戶隱特征矩陣中提取每個用戶的特征向量，并將同一用戶u_e分別從用戶隱特征矩陣中提取的特征向量進行拼接，生成該用戶u_e的特征向量其中，e為用戶編號；

分別從目標音樂實體隱特征矩陣提取每個目標音樂實體的特征向量，并將同一目標音樂實體c_m分別從目標音樂實體隱特征矩陣提取的特征向量進行拼接，生成該目標音樂實體c_m的特征向量其中，m為目標音樂實體編號；

(2)、從人機對話內容中識別當前用戶需求，并根據當前用戶需求，從音樂知識圖譜中提取符合需求的候選目標音樂實體集合；

(3)、從用戶與目標音樂實體特征向量池中，獲取當前用戶的特征向量和候選目標音樂實體集合中各候選目標音樂實體的特征向量；

(4)、根據當前用戶的特征向量和候選目標音樂實體集合中各目標音樂實體的特征向量，基于Bandit算法進行實時推薦，得到候選目標音樂實體集合中各目標音樂實體的得分，并將得分最高的目標音樂實體推薦給當前用戶。

2.根據權利要求1所述的基于Meta-graph知識圖譜表示的對話式音樂推薦方法，其特征在于，步驟(4)后進一步包括在線更新部分：

(5)、獲取當前用戶特征向量和推薦的目標音樂實體的特征向量，基于Bandit算法進行更新，并將更新的結果寫入用戶與音樂實體特征向量池中，基于Bandit算法進行更新，并將更新結果寫入用戶與音樂實體特征向量池中，以使后續的推薦中學習得到本次推薦的結果。