本技术公开了一种大小路径独立性划分聚合的图神经网络音乐推荐方法,属于深度学习领域,包括如下步骤:步骤1、构建异质图神经网络分类聚合模型,该模型包括路径鉴别器、大路径邻居节点选择模块和路径内聚合模块;步骤2、构建损失函数优化训练异质图神经网络分类聚合模型;步骤3、获取当前用户的音乐数据,输入训练完成的异质图神经网络分类聚合模型,生成个性化的音乐推荐列表。本发明旨在为用户打造更加个性化且精准的音乐推荐体验,帮助用户更深入地探索音乐的丰富性和独特魅力,从而为音乐爱好者呈现一个更加精彩纷呈的音乐世界。
背景技术
现有的异质图神经网络(HGNNs)通常依赖于元路径来捕获异质信息网络(HIN)中的丰富语义信息。这种结构特别适用于音乐推荐场景,因为音乐推荐系统本质上是一个包含多种类型节点和边的复杂异质信息网络。其中,用户和音乐曲目作为节点,它们之间的交互(如播放、收藏、评论等)构成了边。这些交互不仅反映了用户的偏好,也揭示了音乐曲目的特征。通过利用元路径,即特定的用户-音乐曲目交互序列,可以捕捉到蕴含着特定用户偏好和音乐曲目特性的语义信息。例如,具有相似听歌历史或风格偏好的用户或音乐曲目可以通过元路径建立联系,从而获得更加精准的表示。理论上,基于元路径的方法能够有效处理复杂的异构性;然而,在实际应用中却面临一些显著挑战。
大多数现有的HGNN方法主要集中在如何聚合不同特征上,而忽视了元路径本身的特性,特别是不同元路径连接的邻居数量差异巨大的事实。具体来说,在音乐推荐中大邻居路径是连接大量邻居节点的元路径,通常通过热门音乐曲目关联。由于热门曲目的流行性,这类路径往往会导致用户节点数量呈指数级增长。虽然这些路径可能提供丰富的语义信息,但其中也夹杂了大量的噪音信息,造成信息冗余,影响模型性能。而小邻居路径是指仅连接少量邻居节点的元路径,通常通过冷门音乐曲目关联。由于冷门曲目的稀有性,这类路径往往无法捕捉到足够全面的用户或音乐曲目特征信息,导致推荐结果不够准确。
此外,即使是语义相近且长度相同的两条元路径,由于所连接的音乐曲目不同,其邻居数量也可能存在巨大差异。这种差异意味着如果不加区分地按相同方式进行聚合,将无法科学地处理不同类型元路径带来的信息。对于大邻居路径而言,过多的噪音信息会降低语义信息的质量;而对于小邻居路径,则难以获取足够的特征信息以支持有效的推荐。现有基于元路径的异质图神经网络分类模型在音乐推荐应用中存在的局限性主要体现在以下几个方面:
在庞大的音乐数据库中,基于元路径的分类模型不加区分的使用元路径数据进行训练,忽略了不同元路径在邻居数量上的巨大差异,可能会造成数据丢失及冗余的问题,使得模型无法灵活适应不同的数据分布情况;对于元路径本身,大邻居路径中包含的大量邻居节点不可避免地引入了噪音信息,增加了计算复杂度,并可能导致模型过拟合,进而影响推荐效果;小邻居路径由于邻居节点数量过少,无法充分捕捉用户或音乐曲目的特征信息,限制了模型的表现力和泛化能力。
综上所述,现有的基于元路径的异质图神经网络分类模型在音乐推荐中存在一定局限性。为了解决这些问题,本发明提出了一种新的方法,旨在通过优化邻居节点的选择和聚合策略,提升音乐推荐系统的性能和准确性,同时更好地应对不同类型元路径带来的挑战。
实现思路