基于知识图谱的音乐推荐系统的研究与应用.pdf

摘要

推荐系统旨在为用户推荐个性化的信息，帮助用户处理海量信息数据所导致

的信息过载问题。近年来，很多研究发现知识图谱中所蕴含的丰富信息可以有效

地解决推荐算法的冷启动、推荐个性化不强等问题，甚至给推荐结果带来可解释

性。

因此，本文结合当前的研究现状和推荐算法存在的缺陷，分析音乐领域应用

场景的特点，结合知识图谱针对性地提出了一个挖掘用户深浅层次兴趣偏好的推

荐算法。论文主要完成了以下三个方面的工作：

（1）分析音乐领域信息，搭建音乐领域知识图谱构建框架。在对网易云音

乐平台信息和用户行为进行详细分析后，构建了音乐领域本体，然后利用网易云

API采集用户和音乐数据，并根据本体指导进行知识抽取和数据清理。将处理后

的三元组数据通过Neo4j图数据库存储音乐知识图谱并进行可视化的展现。

（2）音乐平台没有类似于电影书籍的用户打分模块，在没有用户显式反馈的

情况下，本文根据用户的隐式反馈行为提出一个专门针对音乐领域的用户交互打

分机制，充分挖掘音乐平台中存在的大量用户隐式反馈行为信息，更精确地反映

用户对音乐的喜爱程度，以此提高后续推荐系统结果的精度。

（3）提出一个融合用户行为的浅层兴趣特征和知识图谱辅助信息中深层兴

趣特征的推荐模型DSKG。在挖掘用户浅层次偏好时，为解决传统的协同过滤算

法数据稀疏的问题，采用矩阵分解的方法，通过重构的低维矩阵得到用户对音乐

的特征向量表示，即提取出用户浅层兴趣特征向量表示；再利用音乐知识图谱的

相关属性和标签等辅助信息挖掘用户更深层次的潜在兴趣，选取传播算法进行特

征提取得到用户深层兴趣的特征向量表达；最后进行融合兴趣表征，由于用户的

交互行为和音乐特质对用户偏好的作用程度不同，引入融合因子对用户浅层及深

层兴趣特征向量加权得到最终的用户兴趣表征，并给出模型的损失函数及优化方

法，根据Top-K推荐得到推荐结果。本文模型通过音乐平台应用场景的现实数据

进行训练，证实推荐结果准确度有效提高。

关键词：推荐系统；知识图谱；协同过滤；混合模型；音乐推荐

Abstract

LiuJiaxin

AppliedStatistics

DirectedbyWuXia

Therecommendationsystemaimstorecommendpersonalizedinformationfor

usersandhelpusersdealwiththeproblemofinformationoverloadcausedbymassive

informationdata.Inrecentyears,manystudieshavefoundthattherichinformation

containedintheknowledgegraphcaneffectivelysolvetheproblemsofcoldstartof

recommendationalgorithmsandweakrecommendationpersonalization,andevenbring

interpretabilitytorecommendationresults.

Therefore,thispaperanalyzesthecharacteristicsofapplicationscenariosinthe

fieldofmusicbasedonthecurrentresearchstatusandtheshortcomingsof

recommendationalgorithms,andproposesarecommendationalgorithmtoexplore

usersinterestpreferencesatshallowlevelsbasedonknowle