一种歌曲推荐方法、歌曲推荐装置以及存储介质与流程

1.本技术实施例涉及信息处理技术领域，尤其涉及一种歌曲推荐方法、歌曲推荐装置以及存储介质。


背景技术：

2.现有的音乐软件的音乐模块中具有歌曲推荐的功能，如音乐软件的歌单模块、个性电台模块或收藏模块，用户基于终端使用音乐软件中，当用户点击进入音乐软件的音乐模块中，该对应的音乐模块会将歌曲推荐给用户。音乐模块在向用户推荐歌曲时，一般基于音乐模块中的歌曲推荐模型，使用该音乐模块中用户的听歌行为样本，通过训练让歌曲推荐模型学习到该用户的听歌偏好，在推荐歌曲时通过用户的听歌偏好预测对应的歌曲推荐给该用户。
3.但音乐模块的歌曲推荐模型在训练过程中，往往需要大量的用户的听歌行为样本；而用户对于音乐软件中部分的音乐模块的使用次数可能偏少，即该用户在这些音乐模块中属于低活用户，在这些音乐模块中产生的听歌行为样本也少，容易导致音乐模块中歌曲推荐模型中的特征训练不充分，这些音乐模块使用该歌曲推荐模型给用户推荐歌曲时难以符合用户的偏好。


技术实现要素：

4.本技术实施例提供了一种歌曲推荐方法、歌曲推荐装置以及存储介质，能在目标音乐模块中给用户推荐歌曲时更加符合用户的偏好。
5.本技术实施例提供了一种歌曲推荐方法，包括：
6.获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；其中，所述预设音乐模块中的听歌行为量大于所述目标音乐模块中的听歌行为量，所述听歌行为聚类为对所述预设音乐模块中的听歌行为数据进行聚类得到，且每一聚类具有对应的聚类向量；
7.确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类；
8.将所述目标听歌行为数据对应的特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量；
9.将所述目标听歌行为向量对应的歌曲在所述目标音乐模块中推荐给所述用户。
10.进一步的，所述目标听歌行为数据包括：所述用户对应的正反馈歌曲序列，其中，所述正反馈歌曲序列中包括听歌行为对应的歌曲信息；
11.所述确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类包括：
12.获取所述正反馈歌曲序列对应的第一特征向量；
13.对比所述第一特征向量与所述听歌行为聚类对应的聚类向量的向量相似度；
14.根据对比结果在所述听歌行为聚类中确定所述正反馈歌曲序列对应的多个第一
聚类，并将多个所述第一聚类作为所述目标听歌行为聚类。
15.进一步的，所述将所述目标听歌行为数据对应的特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量包括：
16.将多个所述第一聚类对应的特征向量进行加权求和，得到所述目标听歌行为聚类对应的聚类向量；
17.将所述用户的用户标识向量、所述第一特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量。
18.进一步的，所述将所述目标听歌行为向量对应的歌曲在所述目标音乐模块中推荐给所述用户包括：
19.提取所述目标听歌行为向量中的目标正反馈歌曲序列；
20.根据所述目标正反馈歌曲序列在所述目标音乐模块中给所述用户推荐歌曲。
21.进一步的，所述歌曲信息包括：预设类型歌曲的歌曲完播次数、歌曲收藏个数以及歌曲播放时长。
22.进一步的，所述目标听歌行为数据包括：所述用户的用户属性特征以及所述用户对应的正反馈歌曲序列，其中，所述正反馈歌曲序列中包括听歌行为对应的歌曲信息；
23.所述确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类包括：
24.将所述用户属性特征对应的特征向量与所述正反馈歌曲序列对应的特征向量进行特征融合，得到所述目标听歌行为数据对应的目标特征向量；
25.根据所述目标特征向量与所述听歌行为聚类对应的聚类向量的向量相似度，确定所述目标听歌行为聚类。
26.进一步的，所述用户属性特征包括：用户年龄、用户性别、用户所属城市以及用户使用的终端型号。
27.进一步的，所述获取预设音乐模块对应的听歌行为聚类包括：
28.获取所述预设音乐模块中的听歌行为数据对应的第二特征向量；
29.根据所述第二特征向量的向量相似度对所述第二特征向量进行聚类得到用户聚类置心表，并根据每一聚类中的第二特征向量确定对应的聚类向量得到聚类表达表，将所述用户聚类置心表与所述聚类表达表作为所述预设音乐模块对应的听歌行为聚类。
30.本技术实施例还提供了一种歌曲推荐装置，包括：
31.中央处理器，存储器以及输入输出接口；
32.所述存储器为短暂存储存储器或持久存储存储器；
33.所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行如上所述的方法。
34.本技术实施例还提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。
35.从以上技术方案可以看出，本技术实施例具有以下优点：
36.本技术实施例中，获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；其中，预设音乐模块中的听歌行为量大于目标音乐模块中的听歌行为量，听歌行为聚类为对预设音乐模块中的听歌行为数据进行聚类得到，且每一聚
类具有对应的聚类向量；确定目标听歌行为数据在听歌行为聚类中对应的目标听歌行为聚类；将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量；将目标听歌行为向量对应的歌曲在目标音乐模块中推荐给用户。本技术实施例中，基于用户在目标音乐模块中的目标听歌行为数据，确定该目标听歌行为数据对应于预设音乐模块中的目标听歌行为聚类，根据目标听歌行为聚类在目标音乐模块中推荐歌曲，通过使用听歌行为量较大的听歌行为聚类来推荐歌曲，能在目标音乐模块中给该用户推荐歌曲时考虑更多的用户听歌行为，推荐的歌曲更加符合该用户的偏好。
附图说明
37.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
38.图1为本技术实施例公开的一个通信网络架构图；
39.图2为本技术实施例公开的一个歌曲推荐的流程图；
40.图3为本技术实施例公开的一个基于正反馈歌曲序列的歌曲推荐流程图；
41.图4为本技术实施例公开的另一歌曲推荐的流程图；
42.图5为本技术实施例公开的一个歌曲推荐模型的结构图；
43.图6为本技术实施例公开的一个歌曲推荐装置图；
44.图7为本技术实施例公开的另一歌曲推荐装置图。
具体实施方式
45.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
46.在本技术实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术实施例的限制。
47.在本技术实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术实施例中的具体含义。
48.现有的音乐软件上给用户推荐歌曲一般如图1所示，歌曲推荐装置101在音乐软件的音乐模块102中向用户推荐歌曲，一般使用该音乐模块中用户的听歌行为样本，通过训练让歌曲推荐装置101学习到该用户的听歌偏好，在推荐歌曲时通过用户的听歌偏好预测对应的歌曲推荐给该用户。其中，该音乐软件的音乐模块102可以为收藏模块、歌单模块或个
性电台模块，具体此处不做限定。歌曲推荐装置101可以与一个或多个音乐模块102连接，在一个或多个音乐模块102中给用户推荐歌曲，具体此处不做限定。然而，歌曲推荐装置101在音乐模块102给用户推荐歌曲时，需要使用音乐模块102中大量的用户的听歌行为样本；而用户对于音乐软件中部分的音乐模块102的使用次数可能偏少，在这些音乐模块102中产生的听歌行为样本也少，容易导致歌曲推荐装置101难以准确地学习到用户的听歌行为，歌曲推荐装置101给在这些音乐模块102给用户推荐歌曲时难以符合用户的偏好。因此，本技术实施例提供了一种歌曲推荐方法，能够在音乐模块中给用户推荐歌曲时更加符合用户的偏好，如图2所示，具体包括步骤201至步骤204。
49.201、获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类。
50.本技术实施例中，歌曲推荐装置可以获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类。其中，预设音乐模块中的听歌行为量大于目标音乐模块中的听歌行为量，对应的听歌行为可以为用户点击播放歌曲、用户收藏歌曲、或用户搜索歌曲等行为，具体此处不做限定。可以理解的是，该目标音乐模块中用户的听歌次数较少，即在该目标音乐模块中产生的听歌行为数据也较少，该目标音乐模块对应的用户可以理解为低活用户。而在预设音乐模块中用户的听歌次数较多，即在该预设音乐模块中产生的听歌行为数据也较多，该预设音乐模块对应的用户可以理解为高活用户。该预设音乐模块可以为个性电台模块、歌单模块或收藏模块，具体此处不做限定；该目标音乐模块也可以为个性电台模块、歌单模块或收藏模块，具体此处不做限定。其中，该听歌行为聚类为对预设音乐模块中的听歌行为数据进行聚类得到，且每一聚类具有对应的聚类向量，即可以搜集预设音乐模块中的多个听歌行为数据，再对这些听歌行为数据进行聚类，得到多个聚类，每一聚类由预设音乐模块中多个听歌行为数据组成。具体的，聚类为按照某个特定标准把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，可以采用划分式聚类方法、基于密度的聚类方法或层次化聚类方法对多个听歌行为数据进行聚类，具体此处不做限定。其中，每一聚类对应的聚类向量中为表征该聚类中听歌行为数据的数据特征。
51.其中，目标音乐模块以及预设音乐模块可以位于同一音乐软件，如目标音乐模块为预设音乐软件中的个性电台模块，预设音乐模块为该预设音乐软件中的歌单模块，也可以不位于同一音乐软件，具体此处不做限定。且听歌行为聚类可以为对同一用户的听歌行为进行聚类，如用户在收藏模块以及歌单模块等预设音乐模块中的听歌行为较多时，可以对这些听歌行为数据进行聚类，也可以为对多个用户的听歌行为进行聚类，如用户a在音乐软件a的收藏模块中的听歌行为较多，用户b在音乐软件b的歌单模块的听歌行为较多，则可以对这些较多的听歌行为数据进行聚类，具体此处不做限定。
52.202、确定目标听歌行为数据在听歌行为聚类中对应的目标听歌行为聚类。
53.获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类后，可以确定目标听歌行为数据在听歌行为聚类中对应的目标听歌行为聚类，即根据该用户在目标音乐模块中的听歌行为，确定出与该听歌行为相符合的目标听歌行为聚类。即可以将该目标听歌行为数据与听歌行为聚类的听歌行为数据进行对比，在听歌行为聚类中确定与目标听歌行为数据相似的目标听歌行为聚类。具体的，可以将目标听歌行为
数据对应的特征向量与听歌行为聚类对应的聚类向量对比向量相似度，找出向量相似度最接近的一个或多个听歌行为聚类作为目标听歌行为聚类。其中，可以通过对比目标听歌行为数据对应的特征向量与聚类向量的特征分布是否接近，该特征分布指的是多维向量中每一维度的值，特征分布接近指的是两个多维向量中存在对应维度的值相同，且相同的个数达到预设阈值，该预设阈值可以为3个或4个，具体此处不做限定。可以用交叉熵、kl散度以及js散度对比向量相似度，具体此处不做限定。
54.203、将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量。
55.确定目标听歌行为聚类后，可以将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量。可以理解的是，将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，一般为将目标听歌行为数据对应的特征向量与目标听歌行为聚类对应的聚类向量的维度进行合并，即描述数据的向量的特征数增加了，而每一维度中对应的维度信息是没有变化的，即将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到的目标听歌行为向量中保留有目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量的特征值。
56.204、将目标听歌行为向量对应的歌曲在目标音乐模块中推荐给用户。
57.得到用户对应的目标听歌行为向量后，可以将目标听歌行为向量对应的歌曲在目标音乐模块中推荐给该用户。可以理解的是，因该目标听歌行为向量为将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合得到，该目标听歌行为向量中包含有该目标听歌行为数据以及该目标听歌行为聚类对应的预设音乐模块中的听歌行为数据，使用这两部分听歌行为数据，能确定出用户的听歌偏好，将听歌偏好对应的歌曲在目标音乐模块中推荐给用户。如在听歌行为数据中记录有用户对预设类型歌曲的播放次数大于一定次数，则可以确定用户较为喜欢该类型的歌曲，则在目标音乐模块中给用户推荐给类型的歌曲。
58.可见，本技术实施例中，获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；其中，预设音乐模块中的听歌行为量大于目标音乐模块中的听歌行为量，听歌行为聚类为对预设音乐模块中的听歌行为数据进行聚类得到，且每一聚类具有对应的聚类向量；确定目标听歌行为数据在听歌行为聚类中对应的目标听歌行为聚类；将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量；将目标听歌行为向量对应的歌曲在目标音乐模块中推荐给用户。本技术实施例中，基于用户在目标音乐模块中的目标听歌行为数据，确定该目标听歌行为数据对应于预设音乐模块中的目标听歌行为聚类，根据目标听歌行为聚类在目标音乐模块中推荐歌曲，通过使用听歌行为量较大的听歌行为聚类来推荐歌曲，能在目标音乐模块中给该用户推荐歌曲时考虑更多的用户听歌行为，推荐的歌曲更加符合该用户的偏好。
59.在一种可实施的方式中，将听歌行为量较大的预设音乐模块中的听歌行为数据进行聚类，确定目标音乐模块中目标听歌行为数据对应的目标听歌行为聚类，并在目标听歌行为聚类的聚类向量中加入目标听歌行为数据对应的特征向量；预设音乐模块对应的用户
为高活用户，目标音乐模块对应的用户为低活用户，即通过高活用户学习每个聚类的表征，通过高活用户的聚类表征辅助优化低活用户对应的目标听歌行为数据的特征向量，提高推荐歌曲的准确性。
60.进一步的，用户在目标音乐模块中的听歌行为数据可以为正反馈歌曲序列，可以基于正反馈歌曲序列在目标音乐模块中给用户推荐歌曲，如图3所示，具体包括步骤301至步骤304。
61.301、获取用户在目标音乐模块中的正反馈歌曲序列、以及预设音乐模块对应的听歌行为聚类。
62.歌曲推荐装置可以获取用户在目标音乐模块中的正反馈歌曲序列、以及预设音乐模块对应的听歌行为聚类。其中，该听歌行为聚类中的听歌行为数据为预设音乐模块中的正反馈歌曲序列。可以理解的是，正反馈歌曲序列指示用户在音乐模块中的听歌行为，该正反馈歌曲序列中包括听歌行为对应的歌曲信息，该歌曲信息可以包括：预设类型歌曲的歌曲完播次数、歌曲收藏个数以及歌曲播放时长等中的一个或多个，具体此处不做限定。可以通过人工或由音乐模块采集用户在音乐模块中的听歌行为得到正反馈歌曲序列，具体此处不做限定。
63.其中，获取预设音乐模块对应的听歌行为聚类具体可以为，获取预设音乐模块中的听歌行为数据对应的第二特征向量；即获取预设音乐模块中的听歌行为数据，将该听歌行为数据转换为对应的特征向量，再对特征向量进行聚类。在聚类时，可以使用聚类置心表以及聚类表达表作为聚类的结果，具体的，可以根据第二特征向量的向量相似度对第二特征向量进行聚类得到用户聚类置心表，用户聚类置心表中包含有n个聚类，n为大于等于2的整数，且每一聚类包含有多个第二特征向量；接着，可以根据每一聚类中的第二特征向量确定对应的聚类向量得到聚类表达表，每一聚类具有一个聚类向量，该聚类向量可以为对该聚类中第二特征向量进行相加取平均得到。将用户聚类置心表与聚类表达表作为预设音乐模块对应的听歌行为聚类。
64.302、根据正反馈歌曲序列对应的第一特征向量与听歌行为聚类对应的聚类向量的相似度，确定目标听歌行为聚类。
65.获取用户在目标音乐模块中的正反馈歌曲序列、以及预设音乐模块对应的听歌行为聚类后，可以根据正反馈歌曲序列对应的第一特征向量与听歌行为聚类对应的聚类向量的相似度，确定目标听歌行为聚类。具体的，可以获取正反馈歌曲序列对应的第一特征向量，对比第一特征向量与听歌行为聚类对应的聚类向量的向量相似度；根据对比结果在听歌行为聚类中确定正反馈歌曲序列对应的多个第一聚类，并将多个第一聚类作为目标听歌行为聚类。其中，可以根据向量相似度的大小对听歌行为聚类进行排序，从排序中选取最靠前的3个或4个聚类作为目标听歌行为聚类。可以理解的是，该听歌行为聚类的听歌行为数据为预设音乐模块中的正反馈歌曲序列，则该听歌行为聚类对应的聚类向量为对应的正反馈歌曲序列的特征向量，即将目标音乐模块中正反馈歌曲序列的第一特征向量与预设音乐模块中正反馈歌曲序列的特征向量进行对比，以确定目标音乐模块中听歌行为对应于预设音乐模块中的听歌行为。
66.303、将用户的用户标识向量、第一特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量。
67.确定目标听歌行为聚类后，可以将用户的用户标识转换为用户标识向量，将用户标识向量、正反馈歌曲序列对应的第一特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量。其中，该用户的用户标识可以为用户id或用户名，具体此处不做限定；该第一特征向量为该用户在目标音乐模块中的正反馈歌曲序列对应的特征向量；将用户的用户标识向量、第一特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量，能够将用户的用户标识与该用户对应的第一特征向量以及聚类向量相关联，能够便于识别目标听歌行为向量对应的用户，后续可以直接使用该目标听歌行为向量为该用户推荐歌曲。
68.304、根据目标听歌行为向量中的目标正反馈歌曲序列在目标音乐模块中给用户推荐歌曲。
69.得到用户对应的目标听行为向量后，可以根据目标听歌行为向量中的目标正反馈歌曲序列在目标音乐模块中给用户推荐歌曲。可以理解的是，该目标听歌行为向量中包含用户在目标音乐模块中的正反馈歌曲序列、以及预设音乐模块中聚类向量对应的正反馈歌曲序列；可以提取目标听歌行为向量中的目标正反馈歌曲序列，其中，可以使用r语言或json字典提取目标听歌行为向量中的目标正反馈歌曲序列，具体此处不做限定；该目标正反馈歌曲序列可以为预设类型歌曲的播放次数或收藏个数，具体此处不做限定。接着，可以根据目标正反馈歌曲序列在目标音乐模块中给用户推荐歌曲。如目标正反馈歌曲序列为摇滚类型的歌曲的播放次数或收藏个数达到预设阈值，则可以确定摇滚歌曲为该用户较为偏好的歌曲，在目标音乐模块中给该用户推荐该类型的歌曲；其中，预设阈值可以为8或10，具体此处不做限定。
70.进一步的，用户在目标音乐模块中的听歌行为数据可以为用户属性特征与正反馈歌曲序列，可以基于用户属性特征与正反馈歌曲序列在目标音乐模块中给用户推荐歌曲，如图4所示，具体包括步骤401至步骤404。
71.401、获取用户在目标音乐模块中的用户属性特征与正反馈歌曲序列、以及预设音乐模块对应的听歌行为聚类。
72.本技术实施例中，歌曲推荐装置可以获取用户在目标音乐模块中的用户属性特征与正反馈歌曲序列、以及预设音乐模块对应的听歌行为聚类。其中，用户属性特征包括：用户年龄、用户性别、用户所属城市以及用户使用的终端型号等，可以通过用户在音乐模块对应的音乐软件中输入的用户身份信息获取用户年龄以及用户性别，可以基于音乐软件的定位功能得到用户所属城市，可以获取音乐软件所属终端反馈的终端型号，该终端可以为手机或电脑等，具体此处不做限定。可以理解的是，一般情况下，目标音乐模块中的听歌行为数据为用户属性特征与正反馈歌曲序列时，预设音乐模块对应的听歌行为聚类中的听歌行为数据也包括：用户在预设音乐模块中的用户属性特征以及正反馈歌曲序列。
73.402、将用户属性特征对应的特征向量与正反馈歌曲序列对应的特征向量进行特征融合，得到目标特征向量。
74.得到用户在目标音乐模块中的用户属性特征与正反馈歌曲序列后，可以将用户属性特征对应的特征向量与正反馈歌曲序列对应的特征向量进行特征融合，得到目标特征向量，其中，可以将用户属性特征中的用户年龄、用户性别等分别转换为对应的特征向量，再将对应的特征向量与正反馈歌曲序列对应的特征向量进行特征融合，得到的目标特征向量
中用户属性特征对应的特征向量与正反馈歌曲序列对应的特征向量同时存在，该目标特征向量为用户在目标音乐模块中听歌行为对应的特征向量。
75.403、根据目标特征向量与听歌行为聚类对应的聚类向量的相似度，确定目标听歌行为聚类。
76.获取用户在目标音乐模块中的目标特征向量后，可以根据目标特征向量与听歌行为聚类对应的聚类向量的相似度，确定目标听歌行为聚类。可以理解的是，该听歌行为聚类对应的听歌行为数据为预设音乐模块中的用户属性特征以及正反馈歌曲序列，此时，该听歌行为聚类中的聚类数据可以为，预设音乐模块中的用户属性特征对应的特征向量以及正反馈歌曲序列对应的特征向量进行特征融合，得到的预设特征向量；听歌行为聚类对应的聚类向量可以为对聚类中多个预设特征向量求和取平均值或取中间值得到。根据目标特征向量与听歌行为聚类对应的聚类向量的相似度具体为，将用户在目标音乐模块中用户属性特征对应的特征向量与预设音乐模块中用户属性特征对应的特征向量进行对比，以及，将用户在目标音乐模块中正反馈歌曲序列对应的特征向量与预设音乐模块中正反馈歌曲序列对应的特征向量进行对比，根据两个对比结果确定目标听歌行为聚类。其中，在确定目标听歌行为聚类时考虑了用户属性特征，得到的目标听歌行为聚类更加符合在目标音乐模块的用户的用户属性特征，如得到的目标听歌行为聚类更加符合该用户的年龄或性别，使得推荐得歌曲更加符合该用户得偏好。
77.404、将用户的用户标识向量、目标特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量。
78.405、根据目标听歌行为向量中的目标正反馈歌曲序列在目标音乐模块中给用户推荐歌曲。
79.可以理解的是，步骤404以及步骤405与上述步骤304以及步骤305类似，具体此处不再赘述。
80.在一种可实施的方式中，在目标音乐模块中给用户推荐歌曲时，可以使用歌曲推荐模型，该歌曲推荐模型的模型结构如图5所示，其中，该歌曲推荐模型可以为一个记忆网络，可以在预设音乐模块中得到的听歌行为聚类存储为用户聚类置心表以及聚类表达表，用户聚类置心表中的多个聚类可以用cluster1...n表示，聚类表达表中具有每一聚类对应的聚类向量，也可以用cluster1...n表示聚类向量；其中，可以先将预设音乐模块中听歌行为数据对应的特征向量在编码层(encoder/writer)进行压缩后，再进行聚类。可以将用户在目标音乐模块中的目标听歌行为数据，如用户属性特征(用户年龄age、用户性别sex、用户所属城市city以及终端型号)以及正反馈歌曲序列输入该歌曲推荐模型；在歌曲推荐模型的向量层(embedding layer)将目标听歌行为数据转换为特征向量，基于特征融合层(concat)将多个特征向量进行特征融合得到目标听歌行为数据对应的特征向量。在生成层(generator/reader)计算该目标听歌行为数据对应的特征向量与用户聚类置心表的置信度，即计算该目标听歌行为数据对应的特征向量与聚类向量的向量相似度；接着，由自注意层(cluster attention)在用户聚类置心表中选择向量相似度排序较为靠前的3个或4个聚类作为目标听歌行为聚类，在聚类向量层(cluster embedding)得到目标听歌行为聚类对应的聚类向量。接着，将该用户(目标音乐模块对应的用户)的用户标识，如用户id，转换为用户标识向量，将用户的用户标识向量、目标听歌行为数据对应的特征向量以及目标听歌
行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量，根据目标听歌行为向量在目标音乐模块中给该用户推荐歌曲。其中，在特征融合时，还可以加入其他特征(other features)对应的特征向量，如用户在目标音乐模块中分享的歌曲，加入更多的其他特征能使得到的目标听歌行为向量更符合用户的听歌偏好。
81.本技术实施例还提供了一种歌曲推荐装置，如图6所示，包括：
82.获取单元601，用于获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；其中，所述预设音乐模块中的听歌行为量大于所述目标音乐模块中的听歌行为量，所述听歌行为聚类为对所述预设音乐模块中的听歌行为数据进行聚类得到，且每一聚类具有对应的聚类向量；
83.确定单元602，用于确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类；
84.融合单元603，用于将所述目标听歌行为数据对应的特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量；
85.推荐单元604，用于将所述目标听歌行为向量对应的歌曲在所述目标音乐模块中推荐给所述用户。
86.本技术实施例还提供了一种歌曲推荐装置700，如图7所示，本技术实施例的歌曲推荐装置700可以包括一个或一个以上中央处理器cpu(cpu，central processing units)701和存储器702，该存储器702中存储有一个或一个以上的应用程序或数据。
87.其中，存储器702可以是易失性存储或持久存储。存储在存储器702的程序可以包括一个或一个以上模块，每个模块可以包括对电子设备中的一系列指令操作。更进一步地，中央处理器701可以设置为与存储器702通信，在歌曲推荐装置700上执行存储器702中的一系列指令操作。
88.歌曲推荐装置700还可以包括一个或一个以上电源705，一个或一个以上有线或无线网络接口704，一个或一个以上输入输出接口703，和/或，一个或一个以上操作系统，例如windows servertm，mac os xtm，unixtm，linuxtm，freebsdtm等。
89.该中央处理器701可以执行前述的任一具体方法实施例所执行的操作，具体不再赘述。
90.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
91.在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
92.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
93.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
94.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

技术特征：
1.一种歌曲推荐方法，其特征在于，包括：获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；其中，所述预设音乐模块中的听歌行为量大于所述目标音乐模块中的听歌行为量，所述听歌行为聚类为对所述预设音乐模块中的听歌行为数据进行聚类得到，且每一聚类具有对应的聚类向量；确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类；将所述目标听歌行为数据对应的特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量；将所述目标听歌行为向量对应的歌曲在所述目标音乐模块中推荐给所述用户。2.根据权利要求1所述的歌曲推荐方法，其特征在于，所述目标听歌行为数据包括：所述用户对应的正反馈歌曲序列，其中，所述正反馈歌曲序列中包括听歌行为对应的歌曲信息；所述确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类包括：获取所述正反馈歌曲序列对应的第一特征向量；对比所述第一特征向量与所述听歌行为聚类对应的聚类向量的向量相似度；根据对比结果在所述听歌行为聚类中确定所述正反馈歌曲序列对应的多个第一聚类，并将多个所述第一聚类作为所述目标听歌行为聚类。3.根据权利要求2所述的歌曲推荐方法，其特征在于，所述将所述目标听歌行为数据对应的特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量包括：将多个所述第一聚类对应的特征向量进行加权求和，得到所述目标听歌行为聚类对应的聚类向量；将所述用户的用户标识向量、所述第一特征向量以及所述目标听歌行为聚类对应的聚类向量进行特征融合，得到所述用户对应的目标听歌行为向量。4.根据权利要求3所述的歌曲推荐方法，其特征在于，所述将所述目标听歌行为向量对应的歌曲在所述目标音乐模块中推荐给所述用户包括：提取所述目标听歌行为向量中的目标正反馈歌曲序列；根据所述目标正反馈歌曲序列在所述目标音乐模块中给所述用户推荐歌曲。5.根据权利要求2至4中任一项所述的歌曲推荐方法，其特征在于，所述歌曲信息包括：预设类型歌曲的歌曲完播次数、歌曲收藏个数以及歌曲播放时长。6.根据权利要求1所述的歌曲推荐方法，其特征在于，所述目标听歌行为数据包括：所述用户的用户属性特征以及所述用户对应的正反馈歌曲序列，其中，所述正反馈歌曲序列中包括听歌行为对应的歌曲信息；所述确定所述目标听歌行为数据在所述听歌行为聚类中对应的目标听歌行为聚类包括：将所述用户属性特征对应的特征向量与所述正反馈歌曲序列对应的特征向量进行特征融合，得到所述目标听歌行为数据对应的目标特征向量；根据所述目标特征向量与所述听歌行为聚类对应的聚类向量的向量相似度，确定所述
目标听歌行为聚类。7.根据权利要求6所述的歌曲推荐方法，其特征在于，所述用户属性特征包括：用户年龄、用户性别、用户所属城市以及用户使用的终端型号。8.根据权利要求1所述的歌曲推荐方法，其特征在于，所述获取预设音乐模块对应的听歌行为聚类包括：获取所述预设音乐模块中的听歌行为数据对应的第二特征向量；根据所述第二特征向量的向量相似度对所述第二特征向量进行聚类得到用户聚类置心表，并根据每一聚类中的第二特征向量确定对应的聚类向量得到聚类表达表，将所述用户聚类置心表与所述聚类表达表作为所述预设音乐模块对应的听歌行为聚类。9.一种歌曲推荐装置，其特征在于，包括：中央处理器，存储器以及输入输出接口；所述存储器为短暂存储存储器或持久存储存储器；所述中央处理器配置为与所述存储器通信，并执行所述存储器中的指令操作以执行权利要求1至8中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1至8中任一项所述的方法。

技术总结
本申请实施例公开了一种歌曲推荐方法、歌曲推荐装置以及存储介质，用于信息处理技术领域。该方法包括：获取用户在目标音乐模块中的目标听歌行为数据、以及预设音乐模块对应的听歌行为聚类；预设音乐模块中的听歌行为量大于目标音乐模块中的听歌行为量，听歌行为聚类为对预设音乐模块中的听歌行为数据进行聚类得到；确定目标听歌行为数据在听歌行为聚类中对应的目标听歌行为聚类；将目标听歌行为数据对应的特征向量以及目标听歌行为聚类对应的聚类向量进行特征融合，得到用户对应的目标听歌行为向量；将目标听歌行为向量对应的歌曲在目标音乐模块中推荐给用户，能在目标音乐模块中给该用户推荐歌曲时更加符合该用户的偏好。给该用户推荐歌曲时更加符合该用户的偏好。给该用户推荐歌曲时更加符合该用户的偏好。


技术研发人员：黄昕 吴喆
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：2023.06.06
技术公布日：2023/8/6