1.基于超图节点多尺度嵌入音乐推荐方法，其特征在于：该方法包括以下步骤：S1：获取数据集，所述数据集包括用户收听历史数据集和音乐属性数据集，对所述用户收听历史数据集和音乐属性数据集进行预处理，将预处理后的数据集分为训练集train.txt和测试集test.txt进行分别处理；

S2：通过训练集train.txt构建超图数据模型；

S3：根据游走算法生成超图数据模型的一阶马尔可夫游走序列，即得到每个超图节点的游走序列；

S4：采集得到游走序列的每个超图节点的多尺度领域属性集，将采集的每个多尺度邻域属性集分成若干次作为Doc2Vec的输入，生成不同尺度的节点嵌入，将多个尺度嵌入组合为最终嵌入；

S5：将所述S4中得到的音乐节点最终嵌入进行加权计算，得到用户对音乐的偏好，用户的偏好包括长期偏好和短期偏好，计算待预测音乐的嵌入与用户长期和短期偏好之间的余弦相似度，并将计算得到的两个相似度相加，得到待预测音乐的最终推荐分数。

2.根据权利要求1所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S2，通过训练集train.txt构建超图数据模型，具体为：超图数据模型表示为：其中，V表示超图节点集合，包含四种节点类型；ε表示超边集合，包含四种超边类型；

V＝Sv∪Uv∪Rv∪Av        (2)

ε＝Se∪Ue∪Re∪Ae         (3)

其中，Sv表示音乐节点，Uv表示用户节点，Rv表示歌手节点，Av表示专辑节点，Se表示音乐超边，Ue表示用户超边，Re表示歌手超边，Ae表示专辑超边；

超边ei∈ε的定义如下：

其中， 表示超边头部节点集合，有且仅有一个节点，其节点类型即为超边类型， 表示超边尾部节点集合，全部为音乐节点，且有多个，两个集合取并集即为超边全部节点。

3.根据权利要求2所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S3中的游走算法具体为：根据节点度中心原则，节点的度中心性用来判断节点在网络中的活跃程度和重要性，将节点度中心原则扩展到超边上，选择度高的超边作为起始边，随机选择一个超边节点作为起始节点，表示为：其中，deg(ε)表示计算超边的度，通过max函数选择最大度的超边， 为超边的全部节点，νcur表示从当前最大超边随机选择一个节点作为下一跳节点，即当前节点；

当超边内跳跃选择下一跳节点时，若为第一个节点，则直接随机选择一个节点，若不是第一个节点，则综合考虑上一跳节点和当前节点对下一跳的影响，若上一跳权重越大则选择上一跳节点，否则选择收听时间在当前节点之后的节点，直到序列长度达到阈值；

当节点选择完毕之后，若当前节点的权重小于阈值，则会被舍弃，而保留权重较高的节点；

超边跳跃策略表示为：

πvx＝dt·Tvx          (8)

其中，P表示给定当前节点v，访问下一个节点x的概率，πvx是节点v和节点x之间的未归一化转移概率，Z是归一化常数；假设当前随机游走经过边(t，v)到达顶点v，Tvx表示v，x的收听时间差值，dt为音乐t与超边的关联权重；

超边间跳跃表示为：

其中，Jumpe表示从当前超边跳跃的概率，degree表示超边的度，其值由超边包含的节点个数决定；若当前超边度较小，表示从当前超边跳跃到另一条超边的可能性较大，允许算法更深入地探索具有更多顶点的超边，同时避免陷入较小超边内部的循环；

调整p和q参数来调节算法如何遍历超图：更高的p值使算法提高探索当前超边顶点的能力，允许它更频繁地在当前超边游走，同时，更高的q值将具有相同的结果，但不依赖于当前超边度。

4.根据权利要求3所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S3中，根据游走算法生成超图数据模型的一阶马尔可夫游走序列，表示为：L＝v1,v2,…vn        (10)

其中， 表示通过游走算法为每个超图节点得到的游走序列；

则超图游走表示为：

其中，length为游走序列的长度。

5.根据权利要求4所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S4中，采集得到游走序列的每个超图节点的多尺度领域属性集，将采集的每个多尺度邻域属性集分成若干次作为Doc2Vec的输入，生成不同尺度的节点嵌入，具体为：每个超图节点的多尺度领域属性集，分别表示为：

其中， 表示节点v的k近邻属性集，其中包含了不同尺度的邻居节点属性；

将得到节点邻域属性集作为Doc2Vec的输入，通过浅层前馈神经网络得到词嵌入和句子嵌入，则对应音乐的属性嵌入以及音乐最终嵌入的目标函数表示为：所述目标函数表示的是最大化全部节点u出现在他的邻域节点的概率；

其中，

假设每个邻域节点出现在节点u的概率是独立，互不影响，ni表示u的邻域节点；

使用Softmax函数计算超图邻域NS(u)中的每个顶点v成为输入顶点u∈V的上下文节点的概率，表示为：

6.根据权利要求5所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S4中，最终嵌入，表示为：其中， 是节点v的k近邻属性集，将其作为Doc2Vec的输入，学习每个邻域长度单独的低维嵌入分量，并将它们连接起来以形成完整的节点表示；αk≥0是分配给各个尺度邻域嵌入的一个超参数，它表示该尺度在构成最终嵌入中的权重。

7.根据权利要求6所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S5中，长期偏好由整个训练音乐序列嵌入求和平均得到，长期偏好表示为：u

其中， 表示长期偏好，H表示整个训练音乐序列嵌入；

短期偏好由用户最近收听的n个音乐嵌入求和平均得到，短期偏好表示为：u

其中， 表示短期偏好，S表示用户最近收听的n个音乐嵌入。

8.根据权利要求7所述的基于超图节点多尺度嵌入音乐推荐方法，其特征在于：所述S5中，计算待预测音乐的嵌入与用户长期和短期偏好之间的余弦相似度，并将计算得到的两个相似度相加，得到待预测音乐的最终推荐分数，计算公式表示为：其中， 表示待预测音乐的嵌入与用户长期偏好的余弦相似度， 表示待预测音乐的嵌入与用户短期偏好的余弦相似度， 表示待预测音乐的最终推荐分数。