音乐推荐方法、计算机设备和存储介质与流程

1.本技术涉及音乐推荐技术领域，特别是涉及一种音乐推荐方法、计算机设备和存储介质。


背景技术：

2.随着音乐推荐技术的发展，出现了一种利用协同过滤算法为用户推荐音乐的技术，该方法可以根据待音乐推荐的用户针对音乐的历史评分信息，确定出与待音乐推荐的用户具有相似音乐喜好的相似用户，之后则可以基于相似用户近期感兴趣的音乐，从中筛选出部分音乐推荐至该用户。
3.传统技术中，利用协同过滤算法实现的音乐推荐，其依赖于用户对音乐的历史评分信息，具有一定的滞后性，相似用户的计算也只是简单的基于相似历史评分的计算，计算效率较低且更新缓慢，获取到的相似用户与待推荐用户仅是在音乐评分维度显示共现关系，因此现有的音乐推荐方法中，音乐推荐准确性较低。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种音乐推荐方法、计算机设备和计算机可读存储介质。
5.第一方面，本技术提供了一种音乐推荐方法，所述方法包括：
6.获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
7.将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
8.根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
9.获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
10.在其中一个实施例中，所述将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型之前，所述方法还包括：获取样本用户的用户画像特征，以及所述样本用户对应的样本音乐标识序列；所述样本音乐标识序列由所述样本用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述样本音乐标识序列中的前n个音乐标识划分为第一样本音乐标识序列，以及将所述样本音乐标识序列中的后n个音乐标识划分为第二样本音乐标识序列；n为大于等于2的正整数；利用所述样本用户的用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型。
11.在其中一个实施例中，所述利用所述用户画像特征、所述第一样本音乐标识序列，
以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型，包括：将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，通过所述音乐推荐模型得到所述样本用户的第一用户音乐偏好特征；将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，通过所述自监督模型得到所述样本用户的第二用户音乐偏好特征；根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，并利用所述模型损失值对所述音乐推荐模型以及所述自监督模型进行训练，将训练完成的音乐推荐模型作为所述预先训练的音乐推荐模型。
12.在其中一个实施例中，所述根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，包括：获取第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征；所述第一样本用户为所述样本用户中的任意一个；获取与所述第一样本用户对应的第二样本用户的第二用户音乐偏好特征；所述第二样本用户为所述样本用户中除所述第一样本用户以外的其余样本用户；根据所述第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征之间的第一相似度，与所述第一样本用户的第一用户音乐偏好特征，以及所述第二样本用户的第二用户音乐偏好特征之间的第二相似度，得到所述第一样本用户对应的模型子损失值；根据各所述第一样本用户对应的模型子损失值，得到所述模型损失值。
13.在其中一个实施例中，所述将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，包括：通过注意力机制，获取各所述第一样本音乐标识序列分别对应的第一序列权重；利用所述第一序列权重对所述第一样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第一样本音乐标识序列，输入所述待训练的音乐推荐模型；所述将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，包括通过注意力机制，获取各所述第二样本音乐标识序列分别对应的第二序列权重；利用所述第二标识权重对所述第二样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第二样本音乐标识序列，输入所述自监督模型。
14.在其中一个实施例中，所述获取所述待推荐用户对应的音乐标识序列，包括：获取所述待推荐用户针对各所述完整播放音乐的音乐播放时间；对所述完整播放音乐按照音乐播放时间进行排序处理，根据音乐播放时间最新的前n个完整播放音乐的音乐标识，得到所述待推荐用户对应的音乐标识序列；n为大于等于2的正整数。
15.在其中一个实施例中，所述根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户，包括：将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库，通过所述向量相似度检索库获取所述待推荐用户的用户音乐偏好特征，与所述向量相似度检索库中预先存储的各所述候选用户的用户音乐偏好特征的特征相似度；对所述特征相似度大小进行排序处理，将特征相似度最大的前预设用户数量的候选用户，作为所述目标用户。
16.在其中一个实施例中，所述将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库之前，还包括：获取各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列；所述候选用户对应的音乐标识序列由所述候选用户对应的，
音乐播放时间最新并且完整播放音乐的音乐标识组成；将各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列输入所述预先训练的音乐推荐模型，通过所述音乐推荐模型得到各所述候选用户的用户音乐偏好特征，并将各所述候选用户的用户音乐偏好特征存入所述向量相似度检索库。
17.在其中一个实施例中，所述目标用户的数量为多个；所述获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户，包括：获取各所述目标用户分别关联的偏好音乐，作为候选音乐，并获取各所述候选音乐分别关联的目标用户的用户数量；对所述候选音乐按照关联的目标用户的用户数量大小进行排序处理，将用户数量最大的前预设音乐数量的候选音乐，作为所述目标音乐推荐至所述待推荐用户。
18.在其中一个实施例中，所述获取各所述目标用户分别关联的偏好音乐，包括：获取当前目标用户对应的完整播放音乐，以及所述当前目标用户针对各所述完整播放音乐的音乐评分信息；所述当前目标用户为各所述目标用户中的任意一个；从所述当前目标用户对应的完整播放音乐中，筛选出所述音乐评分信息满足设定评分阈值的完整播放音乐，作为所述当前目标用户对应的候选偏好音乐；获取所述当前目标用户针对各所述候选偏好音乐的音乐播放时间，并对所述候选偏好音乐按照音乐播放时间进行排序处理，将音乐播放时间最新的前预设音乐数量的候选偏好音乐，作为所述当前目标用户关联的偏好音乐。
19.第二方面，本技术还提供了一种音乐推荐装置，所述装置包括：
20.用户特征获取模块，用于获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
21.偏好特征获取模块，用于将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
22.目标用户获取模块，用于根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
23.目标音乐推荐模块，用于获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
24.第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
25.获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
26.将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
27.根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
28.获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
29.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
30.获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
31.将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
32.根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
33.获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
34.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
35.获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
36.将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；
37.根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；
38.获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。
39.上述音乐推荐方法、装置、计算机设备、存储介质和计算机程序产品，通过获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征；根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似；获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。本技术通过得到待推荐用户的用户画像特征与音乐标识序列，得到待推荐用户的用户音乐偏好特征，即可利用用户音乐偏好特征，筛选出特征相似的目标用户，从而利用目标用户关联的偏好音乐来实现音乐推荐，相比于现有技术直接通过用户对音乐的历史评分进行相似用户的筛选，本技术可以利用用户画像特征与音乐标识序列得到的用户音乐偏好特征实现相似用户的筛选，因此可以提高音乐推荐的准确性。
附图说明
40.图1为一个实施例中音乐推荐方法的应用环境图；
41.图2为一个实施例中音乐推荐方法的流程示意图；
42.图3为一个实施例中训练音乐推荐模型的流程示意图；
43.图4为另一个实施例中训练音乐推荐模型的流程示意图；
44.图5为一个实施例中得到模型损失值的流程示意图；
45.图6为一个实施例中从候选用户中获取目标用户的流程示意图；
46.图7为一个实施例中音乐推荐模型的框架示意图；
47.图8为一个实施例中音乐推荐装置的结构框图；
48.图9为一个实施例中计算机设备的内部结构图。
具体实施方式
49.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
50.本技术实施例提供的音乐推荐方法，可以应用于如图1所示的应用环境中。其中，终端101通过网络与服务器102进行通信。具体来说，需要进行音乐推荐的待推荐用户可以通过其终端101向音乐推荐服务器102发起音乐推荐请求，服务器102可以对请求进行响应，得到待推荐用户的用户画像特征，以及该待推荐用户最近完整播放的音乐标识序列，并将用户画像特征与音乐标识序列输入到预先训练完成的音乐推荐模型中，即可通过音乐推荐模型输出待推荐用户的用户音乐偏好特征。之后服务器102还可以利用待推荐用户的用户音乐偏好特征，从候选用户中筛选出与该用户音乐偏好特征相似的目标用户，即可利用目标用户的偏好音乐来得到最终推荐至待推荐用户的目标音乐，发送至待推荐用户的终端101。其中，终端101可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
51.在一个实施例中，如图2所示，提供了一种音乐推荐方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
52.步骤s201，获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成。
53.其中，待推荐用户指的是需要进行音乐推荐的用户，用户画像特征则指的是待推荐用户的自身的画像特征，例如可以包括待推荐用户的流派画像，歌手画像，语种画像等用户特征。而音乐标识序列则是由多个音乐标识所组成的序列，并且该序列中的音乐标识可以是待推荐用户最新完整播放音乐的音乐标识，例如可以是在近期一段时间内待推荐用户完整播放音乐的音乐标识。
54.具体来说，待推荐用户可以通过其终端101中携带的音乐应用程序，向服务器102发起用于服务器102进行音乐推荐的音乐推荐请求，服务器102接收到音乐推荐请求后，即可从用户信息库中得到待推荐用户的用户画像特征，并且得到待推荐用户最新完整播放音乐的音乐标识，形成待推荐用户的音乐标识序列。
55.步骤s202，将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征。
56.预先训练的音乐推荐模型则是预先训练完成的用于实现音乐推荐的模型，该模型
可以基于用户的用户画像特征以及音乐标识序列，输出反映用户音乐偏好的用户音乐偏好特征，之后服务器102则可以利用得到的用户音乐偏好特征，来为用户进行音乐推荐。服务器102得到待推荐用户的用户画像特征以及音乐标识序列后，则可以将上述用户画像特征以及音乐标识序列输入到预先训练的音乐推荐模型中，由音乐推荐模型输出得到待推荐用户的用户音乐偏好特征。
57.步骤s203，根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似。
58.候选用户则指的是用于筛选出与待推荐用户的相似用户的用户群体，例如可以是服务器102对应的全量用户，而目标用户则指的是全量用户中，与待推荐用户具有相似音乐偏好的用户，该目标用户的筛选可以是基于用户音乐偏好特征筛选得到。服务器102在得到待推荐用户的用户音乐偏好特征后，则可以得到用户音乐偏好特征与每一个候选用户的用户音乐偏好特征之间的相似程度，如果某一个候选用户的用户音乐偏好特征对应的相似程度满足某个特定条件时，服务器102则可以将该候选用户作为与待推荐用户相似的目标用户，从而实现从候选用户中筛选出目标用户。
59.步骤s204，获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。
60.偏好音乐则指的是目标用户感兴趣的音乐，例如可以是目标用户完整播放的音乐，或者目标用户点赞过的音乐等等，目标用户与偏好音乐的关联关系可以是由服务器102预先构建得到，可以是预先构建用户-音乐索引的方式实现。而目标音乐则是最终推荐至待推荐用户的推荐音乐，服务器102在确定出目标用户后，还可以基于预先构建的用户-音乐索引，得到目标用户关联的偏好音乐，之后服务器102还可以从中进一步筛选出用于推荐至待推荐用户的目标音乐，将其返回待推荐用户的终端101。
61.上述音乐推荐方法中，通过获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征；根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似；获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。本技术通过得到待推荐用户的用户画像特征与音乐标识序列，得到待推荐用户的用户音乐偏好特征，即可利用用户音乐偏好特征，筛选出特征相似的目标用户，从而利用目标用户关联的偏好音乐来实现音乐推荐，相比于现有技术直接通过用户对音乐的历史评分进行相似用户的筛选，本技术可以利用用户画像特征与音乐标识序列得到的用户音乐偏好特征实现相似用户的筛选，因此可以提高音乐推荐的准确性。
62.在一个实施例中，如图3所示，步骤s202之前，还可以包括：
63.步骤s301，获取样本用户的用户画像特征，以及样本用户对应的样本音乐标识序列；样本音乐标识序列由样本用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成。
64.其中，样本用户指的是用于训练音乐推荐模型所使用的样本数据集中包含的用户，样本用户的用户画像特征则指的是样本用户的自身的画像特征，而样本音乐标识序列
则是样本用户对应的音乐标识序列由多个音乐标识所组成的序列，该序列中的音乐标识可以是样本用户最新完整播放音乐的音乐标识，例如可以是在近期一段时间内样本用户完整播放音乐的音乐标识。
65.具体来说，在进行模型训练时，服务器102可以采集用于训练音乐推荐模型的样本用户数据，即可从中得到样本用户的用户画像特征，并且得到样本用户最新完整播放音乐的音乐标识，形成样本音乐标识序列。
66.步骤s302，将样本音乐标识序列中的前n个音乐标识划分为第一样本音乐标识序列，以及将样本音乐标识序列中的后n个音乐标识划分为第二样本音乐标识序列；n为大于等于2的正整数。
67.本实施例中，服务器102采集的样本音乐标识序列包含的音乐标识可以是偶数个，即2n个，该2n个音乐标识可以是按照播放时间由近到远的顺序进行排序处理，第一样本音乐标识序列则指的是2n个样本音乐标识序列中的前n个音乐标识所组成的音乐标识序列，即播放时间最接近的n个音乐标识所组成的音乐标识序列，而第二样本音乐标识序列则指的是2n个样本音乐标识序列中的后n个音乐标识所组成的音乐标识序列，即2n个样本音乐标识序列中播放时间较远的n个音乐标识所组成的音乐标识序列。
68.例如，某个样本用户按播放时间从近及远的2n条完整听歌序列可以是例如，某个样本用户按播放时间从近及远的2n条完整听歌序列可以是其中，代表用户一个完整播放音乐的音乐标识，那么第一样本音乐标识序列可以是前n个完整播放音乐的音乐标识所组成的音乐标识序列，即而第二样本音乐标识序列可以是后n个完整播放音乐的音乐标识所组成的音乐标识序列，即
69.步骤s303，利用样本用户的用户画像特征、第一样本音乐标识序列，以及第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到预先训练的音乐推荐模型。
70.最后，服务器102则可以利用样本用户的用户画像特征、第一样本音乐标识序列，以及第二样本音乐标识序列，来实现对音乐推荐模型，从而得到预先训练的音乐推荐模型。
71.本实施例中，音乐推荐模型的训练可以是通过样本用户的用户画像特征，以及样本用户对应的样本音乐标识序列中的前n个音乐标识形成的第一样本音乐标识序列，以及后n个音乐标识形成的第二样本音乐标识序列，来实现音乐推荐模型的训练，通过上述方式可以提高训练得到的音乐推荐模型的准确性。
72.进一步地，如图4所示，步骤s303可以进一步包括：
73.步骤s401，将用户画像特征以及第一样本音乐标识序列输入待训练的音乐推荐模型，通过音乐推荐模型得到样本用户的第一用户音乐偏好特征。
74.第一用户音乐偏好特征指的是由音乐推荐模型输出得到的针对于样本用户的音乐偏好特征，具体来说，服务器102可以将样本用户的用户画像特征，以及对应样本用户的第一样本音乐标识序列输入至需要进行训练的音乐推荐模型，由待训练的音乐推荐模型输出得到该样本用户对应的用户音乐偏好特征，作为第一用户音乐偏好特征。
75.步骤s402，将用户画像特征以及第二样本音乐标识序列输入待训练的音乐推荐模型对应的自监督模型，通过自监督模型得到样本用户的第二用户音乐偏好特征。
76.而自监督模型则是用于对待训练的音乐推荐模型进行自监督学习的神经网络模
型，本实施例中，音乐推荐模型的训练过程是通过自监督学习的方式来实现，因此可以减少对数据进行标识的过程，而第二用户音乐偏好特征则是由自监督模型输出的，针对于样本用户的音乐偏好特征。具体来说，服务器102还可以将样本用户的用户画像特征以及第二样本音乐标识序列，输入到待训练的音乐推荐模型对应的自监督模型中，由自监督模型输出得到该样本用户的用户音乐偏好特征，作为第二用户音乐偏好特征。
77.步骤s403，根据第一用户音乐偏好特征以及第二用户音乐偏好特征得到模型损失值，并利用模型损失值对音乐推荐模型以及自监督模型进行训练，将训练完成的音乐推荐模型作为预先训练的音乐推荐模型。
78.模型损失值则是用于训练音乐推荐模型以及自监督模型的模型损失值，本实施例中，服务器102在得到样本用户的第一用户音乐偏好特征，以及第二用户音乐偏好特征后，则可以基于第一用户音乐偏好特征，以及第二用户音乐偏好特征构造模型损失值，从而利用模型损失值对音乐推荐模型和自监督模型进行模型训练，并将训练完成的音乐推荐模型，作为预先训练的音乐推荐模型。
79.本实施例中，对音乐推荐模型的训练可以是通过自监督学习的方式实现，通过该方式可以减少训练数据的标注，因此可以节省音乐推荐模型训练过程的人力与时间成本损耗。
80.进一步地，如图5所示，步骤s403可以进一步包括：
81.步骤s501，获取第一样本用户的第一用户音乐偏好特征，以及第一样本用户的第二用户音乐偏好特征；第一样本用户为样本用户中的任意一个；
82.步骤s502，获取与第一样本用户对应的第二样本用户的第二用户音乐偏好特征；第二样本用户为样本用户中除第一样本用户以外的其余样本用户。
83.本实施例中，样本用户的数量可以是多个，而第一样本用户可以是多个样本用户中的任意一个，第二样本用户则是多个样本用户中除了第一样本用户以外的其余样本用户。例如，样本用户可以包括用户a、用户b以及用户c，以用户a作为第一样本用户为例，此时用户b以及用户c则可以作为第二样本用户，同理以用户b作为第一样本用户为例，此时用户a以及用户c则可以作为第二样本用户。本实施例中，服务器102可以从多个样本用户中确定出任意一个作为第一样本用户，并且将样本用户中除第一样本用户以外的其余样本用户作为第二样本用户。
84.步骤s503，根据第一样本用户的第一用户音乐偏好特征，以及第一样本用户的第二用户音乐偏好特征之间的第一相似度，与第一样本用户的第一用户音乐偏好特征，以及第二样本用户的第二用户音乐偏好特征之间的第二相似度，得到第一样本用户对应的模型子损失值；
85.步骤s504，根据各第一样本用户对应的模型子损失值，得到模型损失值。
86.第一相似度指的是第一样本用户的第一用户音乐偏好特征，以及该第一样本用户的第二用户音乐偏好特征之间的特征相似度，而第二相似度则指的是第一样本用户的第一用户音乐偏好特征，以及第二样本用户的第二用户音乐偏好特征之间的特征相似度。以用户a作为第一样本用户为例，那么第一相似度则可以通过用户a所对应的第一用户音乐偏好特征a1，以及用户a所对应的第二用户音乐偏好特征a2计算得到，而第二相似度则可以通过用户a所对应的第一用户音乐偏好特征a1，以及用户b或者用户c所对应的第二用户音乐偏
好特征b2和的第二用户音乐偏好特征b3计算得到。
87.子损失值则是由第一样本用户的第一相似度与第二相似度，计算得到的损失值，最后则可以根据每一个第一样本用户的子损失值，来得到最终的模型损失值。一般而言，由于第一相似度可以表征相同用户的两个用户音乐偏好特征之间的差异，而第二相似度则可以表征不同用户的两个用户音乐偏好特征之间的差异，因此利用第一相似度与第二相似度构造的损失函数通常需要最小化相同用户的两个用户音乐偏好特征之间的差异，以及最大化不同用户的两个用户音乐偏好特征之间的差异，该损失函数可以通过以下计算公式表征：
[0088][0089]
其中，u表示任意一个第一样本用户，u
′
表示大小为b的batch中，除第一样本用户u以外的其余第二样本用户，表示第一样本用户的第一用户音乐偏好特征，表示第一样本用户的第二用户音乐偏好特征，表示第二样本用户的第二用户音乐偏好特征，τ为超温度系数，是一个常量。
[0090]
本实施例中，模型损失值的计算可以是基于样本用户中任意一个第一样本用户的第一用户音乐偏好特征，与第一样本用户的第二用户音乐偏好特征之间的第一相似度，以及第一样本用户的第一用户音乐偏好特征，与第一样本用户以外的第二样本用户的第二用户音乐偏好特征之间的第二相似度计算得到，从而可以通过对比学习的思想实现模型训练，通过该方式得到的模型损失值可以使得训练的音乐推荐模型可以更精确的提取出用户音乐偏好特征。
[0091]
另外，步骤s401可以进一步包括：通过注意力机制，获取各第一样本音乐标识序列分别对应的第一序列权重；利用第一序列权重对第一样本音乐标识序列进行加权处理，并将用户画像特征以及加权处理后的第一样本音乐标识序列，输入待训练的音乐推荐模型；步骤s402可以进一步包括：通过注意力机制，获取各第二样本音乐标识序列分别对应的第二序列权重；利用第二标识权重对第二样本音乐标识序列进行加权处理，并将用户画像特征以及加权处理后的第二样本音乐标识序列，输入自监督模型。
[0092]
第一序列权重指的是用于对第一样本音乐标识序列进行加权特征提取的权重，而第二序列权重指的是用于对第二样本音乐标识序列进行加权特征提取的权重，本实施例中，第一序列权重与第二序列权重可以通过注意力机制实现，服务器102可以通过注意力机制，对第一样本音乐标识序列以及第二样本音乐标识序列进行加权处理，并将加权后的第一样本音乐标识序列，以及用户画像特征输入待训练的音乐推荐模型，同时将加权后的第二样本音乐标识序列，以及用户画像特征输入自监督模型，来实现第一用户音乐偏好特征与第二用户音乐偏好特征的获取。
[0093]
本实施例中，服务器102可以通过注意力机制分别获取每一个第一样本音乐标识序列与第二样本音乐标识序列分别对应的序列权重，从而利用序列权重对上述样本音乐标识序列进行加权处理后，进行模型训练，通过上述方式可以进一步提高训练音乐推荐模型的准确性。
[0094]
在一个实施例中，步骤s201可以进一步包括：获取待推荐用户针对各完整播放音
乐的音乐播放时间；对完整播放音乐按照音乐播放时间进行排序处理，根据音乐播放时间最新的前n个完整播放音乐的音乐标识，得到待推荐用户对应的音乐标识序列；n为大于等于2的正整数。
[0095]
音乐播放时间指的是待推荐用户完整播放音乐的时间，由于音乐标识序列是由待推荐用户音乐播放时间最新，且完整播放的音乐标识组成，因此服务器102在进行待推荐用户对应的音乐标识序列获取时，可以先得到待推荐用户每一个完整播放音乐所对应的音乐播放时间。之后则可以对完整播放音乐按照音乐播放时间由新到旧的顺序进行排序，从而将音乐播放时间最新的前n个完整播放音乐的音乐标识，组成待推荐用户对应的音乐标识序列。
[0096]
本实施例中，服务器102可以根据待推荐用户完整播放音乐的播放时间，提取出播放时间最新的前n个完整播放音乐的音乐标识，组成音乐标识序列，从而上述音乐标识序列可以更好的表征待推荐用户当前感兴趣的音乐，从而可以提高音乐推荐的实时准确性。
[0097]
在一个实施例中，如图6所示，步骤s203可以进一步包括：
[0098]
步骤s601，将待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库，通过向量相似度检索库获取待推荐用户的用户音乐偏好特征，与向量相似度检索库中预先存储的各候选用户的用户音乐偏好特征的特征相似度。
[0099]
其中，向量相似度检索库是用于检索相似特征向量的检索库，例如可以是faiss库，该检索库预先存储有每一个候选用户对应的用户音乐偏好特征，当服务器102得到待推荐用户的用户音乐偏好特征后，则可以将上述待推荐用户的用户音乐偏好特征输入向量相似度检索库，由向量相似度检索库计算待推荐用户的用户音乐偏好特征，与各个候选用户对应的用户音乐偏好特征之间的特征相似度。
[0100]
步骤s602，对特征相似度大小进行排序处理，将特征相似度最大的前预设用户数量的候选用户，作为目标用户。
[0101]
预设用户数量则是预先设定的从候选用户中筛选出的目标用户数量，该数量可以是k个，具体来说，服务器102通过向量相似度检索库得到待推荐用户的用户音乐偏好特征，与每一个候选用户对应的用户音乐偏好特征之间的特征相似度之后，还可以按照特征相似度的大小进行排序处理，从而将特征相似度的前k个用户音乐偏好特征对应的候选用户，作为目标用户。
[0102]
本实施例中，服务器102在进行目标用户筛选时，可以通过向量相似度检索库中预先存储的各候选用户的用户音乐偏好特征，来计算用户音乐偏好特征的特征相似度，从而根据特征相似度的大小顺序进行目标用户筛选，通过向量相似度检索库可以预先存储每个候选用户的用户音乐偏好特征，而不需要实时计算每个候选用户的用户音乐偏好特征，从而可以减少服务器102进行音乐推荐过程中的计算负担。
[0103]
进一步地，步骤s601之前，还可以包括：获取各候选用户的用户画像特征，以及各候选用户对应的音乐标识序列；候选用户对应的音乐标识序列由候选用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将各候选用户的用户画像特征，以及各候选用户对应的音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到各候选用户的用户音乐偏好特征，并将各候选用户的用户音乐偏好特征存入向量相似度检索库。
[0104]
本实施例中，每一个候选用户的用户音乐偏好特征的获取方式可以和待推荐用户
的用户音乐偏好特征的获取方式相类似，都是通过预先训练的音乐推荐模型输出得到，通过采集每一个候选用户自身的画像特征，以及候选用户最新完整播放音乐的音乐标识，从而利用上述音乐标识组成每一个候选用户对应的音乐标识序列。
[0105]
之后，服务器102则可以将每一个候选用户的用户画像特征，以及每一个候选用户对应的音乐标识序列分别输入预先训练的音乐推荐模型，由音乐推荐模型分别输出每一个候选用户的用户音乐偏好特征，从而将上述每一个候选用户的用户音乐偏好特征存储至向量相似度检索库中。
[0106]
本实施例中，服务器102还可以利用预先训练的音乐推荐模型，提前得到每一个候选用户的用户音乐偏好特征，存储在向量相似度检索库，从而可以在减少服务器102进行音乐推荐过程中的计算负担的同时，进一步提高目标用户筛选的精度。
[0107]
在一个实施例中，目标用户的数量为多个；步骤s204可以进一步包括：获取各目标用户分别关联的偏好音乐，作为候选音乐，并获取各候选音乐分别关联的目标用户的用户数量；对候选音乐按照关联的目标用户的用户数量大小进行排序处理，将用户数量最大的前预设音乐数量的候选音乐，作为目标音乐推荐至待推荐用户。
[0108]
其中，候选音乐是由每一个目标用户关联的偏好音乐组成的音乐，各候选音乐分别关联的目标用户的用户数量，则指的是每一个候选音乐所关联的目标用户的数量。本实施例中，筛选出来的与待推荐用户具有相似用户音乐偏好特征的目标用户的数量可以是多个，并且每一个目标用户的偏好音乐也可以是多个，因此可能会出现对于同一个候选音乐，多个目标用户都将其作为关联的偏好音乐的情形，该候选音乐关联的目标用户的用户数量即为将该候选音乐作为偏好音乐的目标用户的用户数量。
[0109]
例如，目标用户可以包括用户a、用户b以及用户c，其中用户a的偏好音乐包括音乐1、音乐2以及音乐3，用户b的偏好音乐可以包括音乐2、音乐4以及音乐5，而用户c的偏好音乐则可以包括音乐1、音乐2以及音乐4。那么候选音乐则可以包括音乐1、音乐2、音乐3、音乐4以及音乐5，并且音乐1关联的用户数量为2，音乐2关联的用户数量为3，音乐3关联的用户数量为1，音乐4关联的用户数量为2，音乐5关联的用户数量为1，通过上述方式可以得到每一个候选音乐关联的用户数量。
[0110]
之后，服务器102还可以按照用户数量的大小，对各个候选音乐进行排序处理，并筛选出用户数量最大的前预设音乐数量的候选音乐，例如可以是筛选出用户数量最大的前n个候选音乐作为目标音乐推荐至待推荐用户。例如，n的数量为3，那么服务器102则可以将音乐2、音乐1以及音乐4作为目标音乐推荐至待推荐用户。
[0111]
本实施例中，在得到每一个目标用户分别关联的偏好音乐后，则可以利用偏好音乐组成候选音乐，从而可以基于每一个候选音乐关联的目标用户的用户数量，将用户数量最大的前预设音乐数量的候选音乐作为目标音乐推荐至待推荐用户，通过该方式可以保证推荐至待推荐用户的目标音乐可以是最多相似用户偏好的音乐，从而可以进一步提高音乐推荐的转化率。
[0112]
进一步地，获取各目标用户分别关联的偏好音乐，可以进一步包括：获取当前目标用户对应的完整播放音乐，以及当前目标用户针对各完整播放音乐的音乐评分信息；当前目标用户为各目标用户中的任意一个；从当前目标用户对应的完整播放音乐中，筛选出音乐评分信息满足设定评分阈值的完整播放音乐，作为当前目标用户对应的候选偏好音乐；
获取当前目标用户针对各候选偏好音乐的音乐播放时间，并对候选偏好音乐按照音乐播放时间进行排序处理，将音乐播放时间最新的前预设音乐数量的候选偏好音乐，作为当前目标用户关联的偏好音乐。
[0113]
其中，当前目标用户可以是多个目标用户中的任意一个，音乐评分信息则可以是当前目标用户针对每一个其完整播放音乐的音乐评分，评分阈值则是预先设定的音乐评分阈值，如果当前目标用户某一个音乐评分满足该设定的音乐评分阈值时，则表明当前目标用户对该完整播放音乐具有一定的兴趣，因此则可以将该完整播放音乐作为当前目标用户的候选偏好音乐。之后，服务器102还可以得到当前目标用户对每一个候选偏好音乐的音乐播放时间，并且可以基于音乐播放时间对上述候选偏好音乐，从而将音乐播放时间最新的前预设音乐数量的候选偏好音乐，该预设音乐数量也可以是n个，作为当前目标用户关联的偏好音乐，从而可以保证当前目标用户关联的偏好音乐是近期当前目标用户感兴趣的音乐。
[0114]
例如，确定出的目标用户的数量可以是k个，并且每一个目标用户筛选出的偏好音乐的数量可以是n个，在这种情况下，服务器102则可以筛选出nk个目标用户的偏好音乐，之后则可以从上述nk个偏好音乐中，筛选出n个目标音乐，将其推荐至待推荐用户。
[0115]
本实施例中，目标用户的偏好音乐确定是基于目标用户对应的完整播放音乐的音乐评分信息，以及音乐播放时间确定得到，通过该方式可以保证确定出的目标用户的偏好音乐可以是近期目标用户感兴趣的音乐，从而可以进一步提高推荐的目标音乐的转化率。
[0116]
在一个实施例中，还提供了一种基于自监督学习思想的用户协同过滤的音乐推荐方法，该方法通过用户的人口学属性特征，画像和行为序列特征构建了自监督学习数据，通过自监督学习计算出用户的向量表征，相似用户的计算是在线计算完成，获取到的相似用户的与当前用户是行为上表现相近的用户，在线只要用户的序列发生变化，通过模型可以获得用户最新的表征，可以使得用户表征更为丰富和实时。该方法具体包括以下步骤：
[0117]
1、获取用户的流派画像，歌手画像，语种画像等用户特征，以及按时间从近及远的2n条完整听歌序列其中su代表用户u的全部特征，代表用户的画像特征，代表用户完播的一首歌曲id，基于用户行为拆分对用户特征进行增扩，得到同一个用户的两个特征，其中用户的前n个完整听歌序列和流派画像，歌手画像，语种画像等用户特征记为该可以通过模型根据得到，该用户的后n完整听歌序列和流派画像，歌手画像，语种画像等用户特征记为该可以通过模型根据得到。
[0118]
2、基于对比学习思想，最小化相同用户的两个增扩特征之间的差异，同时最大化不同用户表征之间的差距。对于大小为b的batch，将上述两个增扩方式应用于每个用户u，并获得用户扩增特征然后构建如下对比损失：
[0119][0120]
其中u
′
是batch内的其他用户，τ是温度超参数，是一个常量，其中对用户完整听歌序列，通过self-attention进行特征抽取，self-attention，是一种注意力机制，它将一个
序列的不同位置联系起来，以计算序列的表示，它的作用是全局关联权重，然后做输入的加权和，该模型的框架可如图7所示。
[0121]
3、离线通过模型获取到用户的向量表征，存入向量相似度检索库(faiss),在线通过获取到用户的完整听歌序列，请求模型获取到当前用户的向量表征，然后再faiss中检索top-k个相似用户。
[0122]
4、相似用户通过“用户-物品”索引，找到相似用户近期感兴趣的物品列表，对于取回的nk个相似物品，根据得分排名推荐前n个物品。在线只要用户的完整听歌序列发生变化，通过模型可以获得用户最新的表征，用户表征更为丰富和实时。
[0123]
上述实施例中，可以通过用户的人口学属性特征，画像和行为序列特征构建了自监督学习数据，通过自监督学习计算出用户的向量表征，相似用户的计算是在线计算完成，获取到的相似用户的与当前用户是行为上表现相近的用户，在线只要用户的序列发生变化，通过模型可以获得用户最新的表征，用户表征更为丰富和实时，从而提高推荐音乐的准确性。
[0124]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0125]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的音乐推荐方法的音乐推荐装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个音乐推荐装置实施例中的具体限定可以参见上文中对于音乐推荐方法的限定，在此不再赘述。
[0126]
在一个实施例中，如图8所示，提供了一种音乐推荐装置，包括：用户特征获取模块801、偏好特征获取模块802、目标用户获取模块803和目标音乐推荐模块804，其中：
[0127]
用户特征获取模块801，用于获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；
[0128]
偏好特征获取模块802，用于将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征；
[0129]
目标用户获取模块803，用于根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似；
[0130]
目标音乐推荐模块804，用于获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。
[0131]
上述音乐推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0132]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结
构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用户画像数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种音乐推荐方法。
[0133]
本领域技术人员可以理解，图9中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0134]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0135]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0136]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0137]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0138]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0139]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0140]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保
护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种音乐推荐方法，其特征在于，所述方法包括：获取待推荐用户的用户画像特征，以及获取所述待推荐用户对应的音乐标识序列；所述音乐标识序列由所述待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型，通过所述音乐推荐模型得到所述待推荐用户的用户音乐偏好特征；根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；所述目标用户的用户音乐偏好特征，与所述待推荐用户的用户音乐偏好特征相似；获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户。2.根据权利要求1所述的方法，其特征在于，所述将所述用户画像特征以及所述音乐标识序列输入预先训练的音乐推荐模型之前，所述方法还包括：获取样本用户的用户画像特征，以及所述样本用户对应的样本音乐标识序列；所述样本音乐标识序列由所述样本用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将所述样本音乐标识序列中的前n个音乐标识划分为第一样本音乐标识序列，以及将所述样本音乐标识序列中的后n个音乐标识划分为第二样本音乐标识序列；n为大于等于2的正整数；利用所述样本用户的用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型。3.根据权利要求2所述的方法，其特征在于，所述利用所述用户画像特征、所述第一样本音乐标识序列，以及所述第二样本音乐标识序列，对待训练的音乐推荐模型进行训练，得到所述预先训练的音乐推荐模型，包括：将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，通过所述音乐推荐模型得到所述样本用户的第一用户音乐偏好特征；将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，通过所述自监督模型得到所述样本用户的第二用户音乐偏好特征；根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，并利用所述模型损失值对所述音乐推荐模型以及所述自监督模型进行训练，将训练完成的音乐推荐模型作为所述预先训练的音乐推荐模型。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一用户音乐偏好特征以及所述第二用户音乐偏好特征得到模型损失值，包括：获取第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征；所述第一样本用户为所述样本用户中的任意一个；获取与所述第一样本用户对应的第二样本用户的第二用户音乐偏好特征；所述第二样本用户为所述样本用户中除所述第一样本用户以外的其余样本用户；根据所述第一样本用户的第一用户音乐偏好特征，以及所述第一样本用户的第二用户音乐偏好特征之间的第一相似度，与所述第一样本用户的第一用户音乐偏好特征，以及所述第二样本用户的第二用户音乐偏好特征之间的第二相似度，得到所述第一样本用户对应
的模型子损失值；根据各所述第一样本用户对应的模型子损失值，得到所述模型损失值。5.根据权利要求3所述的方法，其特征在于，所述将所述用户画像特征以及所述第一样本音乐标识序列输入所述待训练的音乐推荐模型，包括：通过注意力机制，获取各所述第一样本音乐标识序列分别对应的第一序列权重；利用所述第一序列权重对所述第一样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第一样本音乐标识序列，输入所述待训练的音乐推荐模型；所述将所述用户画像特征以及所述第二样本音乐标识序列输入所述待训练的音乐推荐模型对应的自监督模型，包括：通过注意力机制，获取各所述第二样本音乐标识序列分别对应的第二序列权重；利用所述第二标识权重对所述第二样本音乐标识序列进行加权处理，并将所述用户画像特征以及加权处理后的所述第二样本音乐标识序列，输入所述自监督模型。6.根据权利要求1所述的方法，其特征在于，所述获取所述待推荐用户对应的音乐标识序列，包括：获取所述待推荐用户针对各所述完整播放音乐的音乐播放时间；对所述完整播放音乐按照音乐播放时间进行排序处理，根据音乐播放时间最新的前n个完整播放音乐的音乐标识，得到所述待推荐用户对应的音乐标识序列；n为大于等于2的正整数。7.根据权利要求1所述的方法，其特征在于，所述根据所述待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户，包括：将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库，通过所述向量相似度检索库获取所述待推荐用户的用户音乐偏好特征，与所述向量相似度检索库中预先存储的各所述候选用户的用户音乐偏好特征的特征相似度；对所述特征相似度大小进行排序处理，将特征相似度最大的前预设用户数量的候选用户，作为所述目标用户。8.根据权利要求7所述的方法，其特征在于，所述将所述待推荐用户的用户音乐偏好特征发送至预先构建的向量相似度检索库之前，还包括：获取各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列；所述候选用户对应的音乐标识序列由所述候选用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将各所述候选用户的用户画像特征，以及各所述候选用户对应的音乐标识序列输入所述预先训练的音乐推荐模型，通过所述音乐推荐模型得到各所述候选用户的用户音乐偏好特征，并将各所述候选用户的用户音乐偏好特征存入所述向量相似度检索库。9.根据权利要求1所述的方法，其特征在于，所述目标用户的数量为多个；所述获取所述目标用户关联的偏好音乐，并从所述偏好音乐中获取目标音乐，将所述目标音乐推荐至所述待推荐用户，包括：获取各所述目标用户分别关联的偏好音乐，作为候选音乐，并获取各所述候选音乐分别关联的目标用户的用户数量；
对所述候选音乐按照关联的目标用户的用户数量大小进行排序处理，将用户数量最大的前预设音乐数量的候选音乐，作为所述目标音乐推荐至所述待推荐用户。10.根据权利要求9所述的方法，其特征在于，所述获取各所述目标用户分别关联的偏好音乐，包括：获取当前目标用户对应的完整播放音乐，以及所述当前目标用户针对各所述完整播放音乐的音乐评分信息；所述当前目标用户为各所述目标用户中的任意一个；从所述当前目标用户对应的完整播放音乐中，筛选出所述音乐评分信息满足设定评分阈值的完整播放音乐，作为所述当前目标用户对应的候选偏好音乐；获取所述当前目标用户针对各所述候选偏好音乐的音乐播放时间，并对所述候选偏好音乐按照音乐播放时间进行排序处理，将音乐播放时间最新的前预设音乐数量的候选偏好音乐，作为所述当前目标用户关联的偏好音乐。11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。

技术总结
本申请涉及一种音乐推荐方法、计算机设备和存储介质。所述方法包括：获取待推荐用户的用户画像特征，以及获取待推荐用户对应的音乐标识序列；音乐标识序列由待推荐用户对应的，音乐播放时间最新并且完整播放音乐的音乐标识组成；将用户画像特征以及音乐标识序列输入预先训练的音乐推荐模型，通过音乐推荐模型得到待推荐用户的用户音乐偏好特征；根据待推荐用户的用户音乐偏好特征，从候选用户中获取目标用户；目标用户的用户音乐偏好特征，与待推荐用户的用户音乐偏好特征相似；获取目标用户关联的偏好音乐，并从偏好音乐中获取目标音乐，将目标音乐推荐至待推荐用户。采用本方法能够提高音乐推荐的准确性。能够提高音乐推荐的准确性。能够提高音乐推荐的准确性。


技术研发人员：王朋
受保护的技术使用者：腾讯音乐娱乐科技（深圳）有限公司
技术研发日：2023.07.31
技术公布日：2023/10/6