1.一种基于图神经网络和知识图谱的歌曲推荐方法,包括如下步骤:
步骤1:抽取待处理歌曲数据集中各实体的特征信息和实体之间的关系信息,并以实体为节点,以实体关系为节点连边构建歌曲知识图谱,其中所述节点包括:歌曲名称节点、歌手节点、类型节点和年份节点;根据用户-歌曲交互图上获取用户和歌曲集合,并以图上连边作为评分信息;根据社交图的连边信息获取用户的社交好友集合;
步骤2:使用知识图谱表示学习算法TransE对歌曲知识图谱数据进行预处理,获得歌曲知识图谱实体和关系的初始嵌入向量;
步骤3:任取用户集合中的一个用户,计算其所收听歌曲在聚合了歌曲知识图谱邻居实体后的嵌入向量;
步骤4:根据收听歌曲的嵌入向量计算用户-歌曲交互图中该用户的嵌入向量;
步骤5:计算该用户在社交图中的嵌入向量,并根据用户-歌曲交互图和社交图中该用户的嵌入向量计算最终嵌入向量;重复步骤3~5计算所有用户的最终嵌入向量;
步骤6:任取歌曲集合中的一个歌曲,根据交互用户的嵌入向量计算用户-歌曲交互图中该歌曲的嵌入向量;
步骤7:计算歌曲在歌曲知识图谱中的嵌入向量,并根据用户-歌曲交互图和歌曲知识图谱中该歌曲的嵌入向量计算最终嵌入向量;重复步骤6~7计算所有歌曲的最终嵌入向量;
步骤8:根据用户和歌曲的嵌入向量预测评分,并以MSE作为损失函数,当损失值小于设定最小损失值后结束计算;对于集合中的某个用户,根据预测评分从高到低的结果排行推荐前K首歌曲,其中K为设定的推荐歌曲数量。
2.如权利要求1所述的方法,其特征在于,步骤1中在用户-歌曲交互图R中,U={u1,u2,...,um}表示用户集合,V={v1,v2,...,vn}表示歌曲集合,其中用户和歌曲的交互记录为评分矩阵Ω={(ui,vj)|Oij≠0},Oij为用户ui对歌曲vj的评分结果,评分等级从1到5。
3.如权利要求1所述的方法,其特征在于,步骤1中将用户-歌曲交互图中的歌曲与歌曲知识图谱上的对应实体进行对齐,获取歌曲在歌曲知识图谱上的对应邻居属性特征。
4.如权利要求1所述的方法,其特征在于,步骤2中,通过知识图谱表示学习算法TransE将知识图谱中的实体和关系映射到低维向量空间中获得初始嵌入向量,歌曲知识图谱由H个三元组(h,r,t)组成,h∈ε,r∈η和t∈ε分别为三元组的头实体,关系和尾实体,ε={e1,e2,...,eA}表示歌曲实体集合,η={r1,r2,...,rB}表示歌曲实体之间关系的集合。
5.如权利要求1所述的方法,其特征在于,步骤3中,对于任取的一个用户ui,任意选取其交互歌曲集合C(i)中的一个歌曲实体va,计算va在歌曲知识图谱上的嵌入向量其中λk=eui·erak,S(a)表示歌曲va在知识图谱上直接相连的邻居实体集合,rak表示歌曲实体va和邻居实体tk之间的关系向量,eui表示用户ui的嵌入向量,erak表示关系rak的嵌入向量;代表歌曲va的初始嵌入向量,etak代表邻居实体tak的嵌入向量,W和b是可训练的权重和偏差,σ为激活函数;遍历C(i)集合中的所有歌曲实体,计算歌曲实体的所有邻居实体的注意力权重,并根据注意力权重计算C(i)中所有歌曲实体的嵌入向量。