[发明专利]基于Meta-graph知识图谱表示的对话式音乐推荐方法

权利要求书

1.一种基于Meta-graph知识图谱表示的对话式音乐推荐方法，其特征在于，包括以下步骤：

(1)、获取音乐知识图谱与用户行为数据，将用户作为节点依据其行为链接至音乐知识图谱中对应音乐实体，构建出的用户-音乐知识图谱作为基于Meta-graph知识图谱表示方法的输入，生成用户特征向量与目标音乐实体特征向量，构成用户与目标音乐实体特征向量池：

1.1)、设计L个用户与目标音乐实体的Meta-graph集合，将用户作为节点依据其行为链接至音乐知识图谱中对应音乐实体，构建出用户-音乐知识图谱；

1.2)、根据Meta-graph集合中涉及的L个Meta-graph以及用户-音乐知识图谱获取不同节点类型的邻接矩阵；

所述L个用户与目标音乐实体的Meta-graph集合为：L＝3个用户与目标音乐实体Meta-graph的集合，分别为用户-歌曲、用户-歌手-歌曲以及用户-歌曲-风格、歌手、专辑-歌曲，这样存在五类关系，这样获取的邻接矩阵包含：用户-歌曲、用户-歌手、歌曲-风格、歌曲-歌手和歌曲-专辑邻接矩阵；

1.3)、结合步骤1.1)中的Meta-graph集合和步骤1.2)获得的不同类型节点的邻接矩阵，根据Meta-graph计算公式，利用每个Meta-graph计算用户和目标音乐实体之间的相似度，获得L个相似度矩阵；其中，第k个相似度矩阵计算公式为：k是Meta-graph的序列下标，k＝1,2,...,L，A_k1,A_k2,...,A_kl是第k个Meta-graph中依次连接节点的类型，kl为k个Meta-graph中节点类型的数量，是节点类型A_k1游走到节点类型A_k2的邻接矩阵，是节点类型A_k2,游走到节点类型A_k3的邻接矩阵，是节点类型A_kl-1游走到节点类型A_kl的邻接矩阵，如果Meta-graph中相邻节点类型A_ki、A_k(i+1)是节点类型A_k(i+1)指向节点类型A_ki，则相似度矩阵计算公式中的如果节点类型A_ki游走到节点类型A_k(i+1)间存在多条分岔，则先计算每条分岔的相似度矩阵B为分岔数量，然后再将每条分岔的相似度矩阵用哈达马乘积依次相乘，得到节点类型A_ki游走到节点类型A_k(i+1)的相似度矩阵i为节点类型序号；

1.4)、依据用户与目标类型音乐实体交互特性，对L个相似度矩阵分别进行矩阵分解，分别获得L个用户隐特征矩阵以及L个目标音乐实体隐特征矩阵

1.5)、分别从用户隐特征矩阵中提取每个用户的特征向量，并将同一用户u_e分别从用户隐特征矩阵中提取的特征向量进行拼接，生成该用户u_e的特征向量其中，e为用户编号；

分别从目标音乐实体隐特征矩阵提取每个目标音乐实体的特征向量，并将同一目标音乐实体c_m分别从目标音乐实体隐特征矩阵提取的特征向量进行拼接，生成该目标音乐实体c_m的特征向量其中，m为目标音乐实体编号；

(2)、从人机对话内容中识别当前用户需求，并根据当前用户需求，从音乐知识图谱中提取符合需求的候选目标音乐实体集合；

(3)、从用户与目标音乐实体特征向量池中，获取当前用户的特征向量和候选目标音乐实体集合中各候选目标音乐实体的特征向量；

(4)、根据当前用户的特征向量和候选目标音乐实体集合中各目标音乐实体的特征向量，基于Bandit算法进行实时推荐，得到候选目标音乐实体集合中各目标音乐实体的得分，并将得分最高的目标音乐实体推荐给当前用户。

2.根据权利要求1所述的基于Meta-graph知识图谱表示的对话式音乐推荐方法，其特征在于，步骤(4)后进一步包括在线更新部分：

(5)、获取当前用户特征向量和推荐的目标音乐实体的特征向量，基于Bandit算法进行更新，并将更新的结果写入用户与音乐实体特征向量池中，基于Bandit算法进行更新，并将更新结果写入用户与音乐实体特征向量池中，以使后续的推荐中学习得到本次推荐的结果。