基于深度学习的个性化音乐推荐系统及其实现方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108509534A(43)申请公布日2018.09.07(21)申请号201810213304.4(22)申请日2018.03.15(71)申请人华南理工大学地址510640广东省广州市天河区五山路381号(72)发明人邓腾飞周智恒余卫宇(74)专利代理机构广州市华学知识产权代理有限公司44245代理人李斌(51)Int.Cl.G06F17/30(2006.01)G06N3/04(2006.01)权利要求书4页说明书8页附图3页(54)发明名称基于深度学习的个性化音乐推荐系统及其实现方法(57)摘要本发明公开了一种基于深度学习的个性化音乐推荐系统及其实现方法，该系统包括用户听歌记录系统、歌曲召回模型、以及深度神经网络(DNN)过滤模型；所述用户听歌记录系统给每位用户分配一个全局唯一的账号，用于记录用户信息以及用户操作记录；所述歌曲召回模型根据用户听歌记录从海量的歌曲库中筛选出用户可能感兴趣的歌曲组；所述深度神经网络(DNN)过滤模型的训练和测试依赖于用户听歌记录系统，训练完成的深度神经网络用于过滤所述歌曲召回模型推荐出来的歌曲组，经过深度神经网络过滤模型过滤排序之后最终生成推荐给用户的歌曲组合。本发明的系统及方法能够过滤用户不感兴趣的歌曲，减少计算量以及计算资源，做到实时的精准推荐。CN108509534ACN108509534A权利要求书1/4页1.基于深度学习的个性化音乐推荐系统，其特征在于，包括用户听歌记录系统、歌曲召回模型、以及深度神经网络过滤模型；所述用户听歌记录系统给每位用户分配一个全局唯一的账号，用于记录用户信息以及用户操作记录，获取用户画像特征和用户听歌流水；所述歌曲召回模型根据用户听歌记录系统和海量歌曲库构建召回歌曲组，所述召回歌曲组包括用户画像歌曲组和用户听歌流水相似歌曲组；根据用户听歌记录系统，所述深度神经网络过滤模型从用户听歌流水中抽取全部的用户听歌流水记录，分成训练集和测试集，所述训练集用于训练深度神经网络过滤模型，所述测试集用于测试该模型的准确率；完成训练的深度神经网络过滤模型用于过滤所述歌曲召回模型推荐出来的召回歌曲组，经过深度神经网络过滤模型过滤排序之后最终生成推荐给用户的歌曲组合。2.根据权利要求1所述的基于深度学习的个性化音乐推荐系统，其特征在于，所述用户的信息也即用户画像特征，包含：用户的年龄、用户的性别、用户的职业、用户所在地区、用户喜欢的歌手、用户不喜欢的歌手、用户喜欢的歌曲流派、用户不喜欢的歌曲流派、用户喜欢的歌曲语种、以及用户不喜欢的歌曲语种；所述用户操作记录也即用户听歌流水，包含：用户喜欢的歌曲、用户分享的歌曲、用户下载的歌曲、用户完整听歌的歌曲、用户评论的歌曲、用户设置为背景音乐的歌曲、用户丢垃圾桶的歌曲、用户切歌的歌曲、用户最近听过的歌曲、源歌曲推出被喜欢的歌曲、源歌曲推出被完整听歌的歌曲、源歌曲推出被切歌的歌曲、源歌曲推出被丢垃圾桶的歌曲、以及源歌曲推出被下载的歌曲；所述源歌曲为计算相似歌曲所依据的歌曲。3.根据权利要求1所述的基于深度学习的个性化音乐推荐系统，其特征在于，对于用户画像歌曲组，所述歌曲召回模型，基于用户画像特征利用统计学原理从海量歌曲库中统计出每种用户画像特征所维系的歌曲组，根据用户已有的用户画像特征从曲库中筛选出用户画像歌曲组；对于用户听歌流水相似歌曲组，所述歌曲召回模型，基于用户听歌流水，根据不同的用户操作记录维护一个用户听歌流水到候选歌曲组的映射，所述候选歌曲组为从千万级别的海量曲库中挑选出一万首以内的歌曲作为推荐给用户的歌曲组，然后再根据目标用户不同的听歌流水操作列表中的歌曲列表计算出相似的歌曲，并维护一个相似歌曲组合构建用户听歌流水相似歌曲组。4.根据权利要求1所述的基于深度学习的个性化音乐推荐系统，其特征在于，所述深度神经网络过滤模型采用tensorflow框架进行搭建；将歌曲召回模型推荐出来的召回歌曲组、歌曲特征和用户画像特征输入深度神经网络过滤模型进行过滤，过滤的方式采用深度神经网络过滤模型预测歌曲的切歌概率或者预测歌曲被喜欢的概率，按照概率进行排序，然后还要过滤掉一些歌曲再排序后给用户推荐个性化的歌曲组。5.根据权利要求1～4任一项所述的基于深度学习的个性化音乐推荐系统的实现方法，其特征在于，包括下述步骤：S1、根据用户听歌记录系统记录的用户信息和用户操作记录，获取用户画像特征和用户听歌流水；所述用户听歌记录系统对于不能获取到的用户画像特征置为空，对于能获取到的用户画像特征则记录下真实的值；2CN108509534A权利要求书2/4页S2、挑选出用户画像歌曲组：从用户听歌流水统计已有的用户画像特征所对应的歌曲组合，根据每个用户画像特征的不同维度来维护一个喜欢的歌