[发明专利]一种曲目推荐方法及装置

说明书

本发明实施例提供了一种曲目推荐方法及装置，该曲目推荐方法包括：基于曲目的标签信息建立卷积神经网络模型，得到标签特征；基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。因此，本发明实施例提供的方案可以为用户推荐更符合用户喜好要求的曲目。

技术领域

本发明实施例涉及计算机技术领域，特别是涉及一种曲目推荐方法及装置。

背景技术

个性化曲目推荐技术，它能够根据用户的喜好、兴趣等信息，将用户喜好、感兴趣的曲目推荐给用户。

目前，在为用户推荐个性化曲目时，使用的推荐算法通常为协同过滤算法，该算法一般基于用户的评分或行为进行用户评分预测或曲目推荐。但是该推荐算法无法获取用户兴趣的变化或上下文相关的喜好和兴趣。因此，现有的方式，为用户推荐的曲目不符合用户喜好要求的概率较高。

发明内容

有鉴于此，本发明实施例提出了一种曲目推荐方法及装置，主要目的在于可以为用户推荐更符合用户喜好要求的曲目。

第一方面，本发明实施例提供了一种曲目推荐方法，该曲目推荐方法包括：

基于曲目的标签信息建立卷积神经网络模型，得到标签特征；

基于所述曲目的用户行为信息建立时序神经网络模型，得到用户行为时序特征；

基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征；其中，所述目标特征用于确定待推荐曲目。

可选的，

所述基于所述标签特征以及所述用户行为时序特征建立深度神经网络模型，得到目标特征，包括：

在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值；

根据所述损失值确定所述目标特征。

可选的，

所述根据所述损失值确定所述目标特征，包括：

A1：判断当前损失值是否能够确定所述目标特征；如果是，执行A2；否则，执行A3至A5；

A2：将所述标签特征以及所述用户行为时序特征确定为所述目标特征；

A3：通过所述损失值更新所述卷积神经网络模型，得到新的标签特征；

A4：通过所述损失值更新所述时序神经网络模型，得到新的用户行为时序特征；

A5：在所述深度神经网络模型的输出层将所述新的标签特征以及所述新的用户行为时序特征作为所述损失函数的输入，计算所述损失函数的新的损失值；将所述新的损失值作为当前损失值执行A1。

可选的，

所述标签特征为至少一种，所述用户行为时序特征为至少一种；其中，每一种所述用户行为时序特征分别对应一种预设的样本损失函数；

所述在所述深度神经网络模型的输出层将所述标签特征以及所述用户行为时序特征作为损失函数的输入，计算所述损失函数的损失值，包括：

针对每一种所述标签特征均执行：为每一种所述用户行为时序特征分配针对于所述标签特征的权重；利用每一种所述用户行为时序特征对应的样本损失函数以及权重，分别计算每一种所述用户行为时序特征针对于所述标签特征的样本损失值，将各个所述样本损失值的加和确定为所述标签特征对应的标签损失值；

利用每一种所述标签特征对应的标签损失值，得到所述损失值。

可选的，