一种基于非线性流形学的歌曲推荐方法

摘要

本发明属于计算机技术推荐方法领域，涉及一种基于非线性流形学的歌曲推荐方法。本发明的主要方法包括：建立用户与歌曲的关系模型；对歌曲进行分类降维操作；根据降维后获得的关系模型再通过歌曲推荐方法进行推荐。本发明的有益效果为，推荐较之传统协同过滤算法更加准确，推荐方案更加合理。

主权项

一种基于非线性流形学习的歌曲推荐方法，其特征在于，包括以下步骤：a.建立用户与歌曲的关系模型：采用m×n矩阵R表示用户与歌曲的关系模型，设矩阵R中的元素为R_ij，其中下标i为用户编号、下标j为歌曲编号，则R_ij可通过如下公式计算：$R_{ij}=5\times sgn\left(x_{ij}\right)(1-e^{-|x_{ij}\times t_{ij}|})$其中，x_ij的获取方法为：统计用户对歌曲的操作记录，并将操作记录分别标识为正面操作和负面操作，所述正面操作包括收藏、下载和分享，所述负面操作包括删除和屏蔽；判断每一次用户的操作为正面操作还是负面操作，若是正面操作，则x_ij加1，若是负面操作，则x_ij减1，t_ij表示用户i对歌曲j的听歌时长，R_ij＝0表示用户i对歌曲j并未接触；sgn(x)是表示x的符号，如x为正数则为1若为负数则为‑1，否则是0；b.对歌曲进行分类，具体方法为：b1.根据矩阵R求歌曲j的K‑邻居：将矩阵R的每一列R_j看作一个向量，求与向量j欧式距离最小的K首歌；b2.对每个K‑邻居集合，将其看作位于一个线性流形上，在这个线性流形上，R_j的坐标用K‑邻居的坐标线性表示，该线性表示记作w，分量表示为w_jk，其中若k不是j的K‑邻居，则w_jk＝0且w满足∑_kw_jk＝1；w通过如下优化函数获得：${\mathrm{min\Sigma }}_{j=1}^m\left|\right|R_j-\underset{k}{\Sigma }{w}_{jk}\times R_k\left|\right|$ b3.在步骤b2的基础上对歌曲进行降维操作，将原矩阵R的m维降为d维：${\tilde{R}}_j=G^T\times R_j$ 其中，G为m行d列的矩阵，G可通过如下公式获得：${\mathrm{min\Sigma }}_{j=1}^n\left|\right|{\tilde{R}}_j-\underset{k}{\Sigma }{w}_{jk}\times {\tilde{R}}_j\left|\right|$c.采用步骤b3中获得的作为矩阵列向量获得新的矩阵采用基于歌曲的协同过滤算法，根据矩阵对用户进行歌曲推荐。