音乐视频推荐方法及其装置、设备、介质、产品与流程

1.本技术涉及音乐信息检索技术领域，尤其涉及一种音乐视频推荐方法及其相应的装置、计算机设备、计算机可读存储介质，以及计算机程序产品。


背景技术：

2.人们听歌方式不再满足于文字、图片等静态资源，更愿意通过听歌视频化，通过音乐视频来满足视听的沉浸式享受，音乐视频的特点在于能够为音乐内容的描述提供更为丰富的信息，不仅包含常规的歌曲描述相关文本信息，还能进一步包含歌曲图像内容相关的图像信息，这些信息理论上均可被作为数据挖掘之用。
3.现有的音乐推荐技术作为丰富并满足用户对音乐视频资源的个性化手段，通过召回和排序手段可以从海量的内容中，找到用户最可能喜欢、最合适的音乐视频。但是，在信息不足以及算法设计不一等情况下，现有的推荐技术中仍不够智能，对于音乐视频的推荐而言，各种现有技术都捉襟见肘，追求推荐准确性的同时仍存在信息茧房效应和内容同义词的系统问题，使用户困在信息茧房中，无法探索用户的兴趣边界，无法更为科学地关联用户兴趣变化提供合适的音乐视频的推荐。
4.可见，解决该问题对产品生态的良性发展有首至关重要的作用。有鉴于此，本技术人立足于改善音乐视频推荐的需求，做出相应的探索。


技术实现要素：

5.本技术的首要目的在于解决上述问题至少之一而提供一种音乐视频推荐方法及其相应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
6.为满足本技术的各个目的，本技术采用如下技术方案：
7.适应本技术的目的之一而提供的一种音乐视频推荐方法，包括如下步骤：
8.响应用户的音乐视频推荐请求，根据用户历史行为数据确定该用户的历史访问音乐视频列表；
9.根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表；
10.根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表；
11.计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求。
12.扩展的实施例中，响应用户的音乐视频推荐请求的步骤之前，包括如下步骤：
13.创建音乐库相对应的知识图谱；
14.从全量用户的历史行为数据中提取出各用户访问的历史音乐视频与各用户的兴
趣标签之间的知识传播路径，所述兴趣标签为用于标注所述音乐视频的画像标签；
15.将所述音乐视频与所述兴趣标签表示为知识图谱中的实体节点，根据所述知识传播路径建立各实体节点之间的关联关系；
16.将所述音乐视频的内容信息存储为其相应的实体节点中的属性项，所述内容信息包含相应的音乐视频的访问链接及所述音乐视频的深层语义向量，所述深层语义向量为所述音乐视频的封面信息、音频信息、文本信息的综合特征表示。
17.深化的实施例中，根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表，包括如下步骤：
18.采用预训练至收敛状态的多兴趣召回模型根据所述历史访问音乐视频列表相对应的编码信息进行表示学习获得相应的深层语义信息，根据所述深层语义信息进行多分类映射，获得多个兴趣标签；
19.根据所述兴趣标签，从音乐库知识图谱中召回携带所述多个兴趣标签任意之一的所有目标音乐视频；
20.将全量的所述目标音乐视频构造为相关音乐视频列表。
21.深化的实施例中，根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表，包括如下步骤：
22.根据表征长期和短期的两个历史跨度，分别获得该用户的长期历史访问音乐视频列表和短期历史访问音乐视频列表，其中，长期历史跨度涵盖短期历史跨度；
23.分别将所述长期历史访问音乐视频列表与短期历史访问音乐视频列表分别进行向量化并拼接为高维向量，获得综合编码向量；
24.采用预训练至收敛状态的推荐排序模型，对所述综合编码向量进行表示学习以获得其深层语义信息，根据该深层语义信息进行多分类映射，获得多个预设目标相对应的候选音乐视频列表，各个候选音乐视频列表分别按照候选音乐视频的点击访问统计数量、有效播放统计数量、完整播放统计数量进行排序。
25.深化的实施例中，计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求，包括如下步骤：
26.根据所述候选音乐视频列表，从所述知识图谱中获取各个候选音乐视频相对应的实体节点中的深层语义向量，该深层语义向量为相应的音乐视频的封面信息、音频信息、文本信息的综合特征表示；
27.针对每个候选音乐视频列表，计算其中两两候选音乐视频的深层语义向量的相似度，获得两两候选音乐视频之间的相似度数值；
28.针对每个候选音乐视频列表，对相似度数值适应最大贪心算法进行过滤，获得推荐音乐视频列表；
29.为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户。
30.具体化的实施例中，为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户，包括如下步骤：
31.从所述知识图谱中获取所述推荐音乐视频列表中各个音乐视频相对应的唯一性特征信息；
32.根据所述唯一性特征信息从所述音乐库中获取各个音乐视频相对应的内容信息，所述内容信息包含相应的音乐视频的访问链接、封面信息、音频信息以及文本信息；
33.格式化所述内容信息后与推荐音乐视频列表中的相应音乐视频相关联；
34.将所述推荐音乐视频列表推送给所述的用户。
35.适应本技术的目的之一而提供的一种音乐视频推荐装置，包括：请求响应模块、兴趣召回模块、数据初筛模块，以及重排处理模块，其中，所述请求响应模块，用于响应用户的音乐视频推荐请求，根据用户历史行为数据确定该用户的历史访问音乐视频列表；所述兴趣召回模块，用于根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表；所述数据初筛模块，用于根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表；所述重排处理模块，用于计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求。
36.扩展的实施例中，本技术的音乐视频推荐装置，还包括：图谱创建模块，用于创建音乐库相对应的知识图谱；路径梳理模块，用于从全量用户的历史行为数据中提取出各用户访问的历史音乐视频与各用户的兴趣标签之间的知识传播路径，所述兴趣标签为用于标注所述音乐视频的画像标签；关系表示模块，用于将所述音乐视频与所述兴趣标签表示为知识图谱中的实体节点，根据所述知识传播路径建立各实体节点之间的关联关系；信息关联模块，用于将所述音乐视频的内容信息存储为其相应的实体节点中的属性项，所述内容信息包含相应的音乐视频的访问链接及所述音乐视频的深层语义向量，所述深层语义向量为所述音乐视频的封面信息、音频信息、文本信息的综合特征表示。
37.深化的实施例中，所述兴趣召回模块，包括：兴趣分类子模块，用于采用预训练至收敛状态的多兴趣召回模型根据所述历史访问音乐视频列表相对应的编码信息进行表示学习获得相应的深层语义信息，根据所述深层语义信息进行多分类映射，获得多个兴趣标签；数据召回子模块，用于根据所述兴趣标签，从音乐库知识图谱中召回携带所述多个兴趣标签任意之一的所有目标音乐视频；列表构造子模块，用于将全量的所述目标音乐视频构造为相关音乐视频列表。
38.深化的实施例中，所述数据初筛模块，包括：时长划分子模块，用于根据表征长期和短期的两个历史跨度，分别获得该用户的长期历史访问音乐视频列表和短期历史访问音乐视频列表，其中，长期历史跨度涵盖短期历史跨度；向量编码子模块，用于分别将所述长期历史访问音乐视频列表与短期历史访问音乐视频列表分别进行向量化并拼接为高维向量，获得综合编码向量；推荐排序子模块，用于采用预训练至收敛状态的推荐排序模型，对所述综合编码向量进行表示学习以获得其深层语义信息，根据该深层语义信息进行多分类映射，获得多个预设目标相对应的候选音乐视频列表，各个候选音乐视频列表分别按照候选音乐视频的点击访问统计数量、有效播放统计数量、完整播放统计数量进行排序。
39.深化的实施例中，所述重排处理模块，包括：候选调用子模块，用于根据所述候选
音乐视频列表，从所述知识图谱中获取各个候选音乐视频相对应的实体节点中的深层语义向量，该深层语义向量为相应的音乐视频的封面信息、音频信息、文本信息的综合特征表示；相似计算子模块，用于针对每个候选音乐视频列表，计算其中两两候选音乐视频的深层语义向量的相似度，获得两两候选音乐视频之间的相似度数值；过滤处理子模块，用于针对每个候选音乐视频列表，对相似度数值适应最大贪心算法进行过滤，获得推荐音乐视频列表；关联推荐子模块，用于为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户。
40.具体化的实施例中，所述关联推荐子模块，包括：特征确定单元，用于从所述知识图谱中获取所述推荐音乐视频列表中各个音乐视频相对应的唯一性特征信息；内容调用单元，用于根据所述唯一性特征信息从所述音乐库中获取各个音乐视频相对应的内容信息，所述内容信息包含相应的音乐视频的访问链接、封面信息、音频信息以及文本信息；格式处理单元，用于格式化所述内容信息后与推荐音乐视频列表中的相应音乐视频相关联；推送执行单元，用于将所述推荐音乐视频列表推送给所述的用户。
41.适应本技术的目的之一而提供的一种计算机设备，包括中央处理器和存储器，所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本技术所述的音乐视频推荐方法的步骤。
42.适应本技术的另一目的而提供的一种计算机可读存储介质，其以计算机可读指令的形式存储有依据所述的音乐视频推荐方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
43.适应本技术的另一目的而提供的一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本技术任意一种实施例中所述方法的步骤。
44.相对于现有技术，本技术的优势如下：
45.首先，本技术根据用户行为数据确定出用户历史访问音频视频列表的基础上，先根据所述历史访问音频视频列表确定用户兴趣向量，对用户感兴趣的特征进行表征，然后通过知识图谱为该用户召回语义相近的相关音乐视频列表，实现初步筛选；然后，根据不同历史跨度对用户的长期偏好和短期偏好进行综合表征，在综合表征的基础上基于语义进行关联音乐视频预测，实现从初步筛选的关联音乐视频列表中进一步细化筛选出候选音乐视频列表；最后，再借助候选音乐视频列表中各音乐视频的表征其内容信息的深层语义向量计算相似度，根据相似度数值对音乐视频进行去重处理，最终获得推荐音乐视频列表。全程由初步召回到细化筛选再到精细化去重，层层深入，实现为用户精准获取其感兴趣的推荐音乐视频列表的目标。
46.其次，本技术在其各个执行环节中多环节基于用户行为数据所隐含的语义信息进行推荐音乐视频的层层优化，借助用户行为数据所表示的用户个人偏好信息以及知识图谱的协助，可以合理探索用户的兴趣边界，从而有效地获取与用户个人偏好相匹配的目标音乐视频，所获得的推荐音频视频，准确率更高，一方面可以试探或拓展用户兴趣而为其分发其兴趣边界相关音乐视频，使用户摆脱信息茧房的束缚；另一方面对于新增音乐视频而言，也更容易实现冷启动。
47.再者，本技术不仅基于召回数据进行了基础排序而获得候选音乐视频列表，进一步还在候选音乐视频列表的基础上根据音乐视频之间的内容相似性进行精细化的去重处
理，使得推荐音乐视频列表中内容相近的音乐视频不会堆积在一起呈现给用户，用户所获得的推荐音乐视频列表更为简洁。
48.此外，本技术的技术方案适于部署于在线音乐平台中服务于海量的平台用户，由于其针对每个用户均能进行召回、粗排、重排等处理，大大压缩每个用户的推荐音乐视频列表的输出，兼顾了推荐排序领域中查全和查准两方面的目标，因此，能提升平台服务效率，乃至全面改善在线音乐平台的用户体验。
附图说明
49.本技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
50.图1为本技术的音乐视频推荐方法的典型实施例的流程示意图；
51.图2为本技术实施例中知识图谱创建过程的流程示意图；
52.图3为本技术实施例中实现音乐视频召回过程的示意图；
53.图4为本技术实施例中的神经网络模型的工作过程的流程示意图；
54.图5为本技术实施例中对所召回的相关音乐视频列表进行推荐排序获得候选音乐视频列表的过程的流程示意图；
55.图6为本技术实施例中向用户推送推荐音乐视频列表的过程的流程示意图；
56.图7为本技术的音乐视频推荐装置的原理框图；
57.图8为本技术所采用的一种计算机设备的结构示意图。
具体实施方式
58.下面详细描述本技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能解释为对本技术的限制。
59.本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
60.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
61.本技术领域技术人员可以理解，这里所使用的“客户端”、“终端”、“终端设备”既包括无线信号接收器的设备，其仅具备无发射能力的无线信号接收器的设备，又包括接收和发射硬件的设备，其具有能够在双向通信链路上，进行双向通信的接收和发射硬件的设备。
这种设备可以包括：蜂窝或其他诸如个人计算机、平板电脑之类的通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备；pcs(personal communications service，个人通信系统)，其可以组合语音、数据处理、传真和/或数据通信能力；pda(personal digital assistant，个人数字助理)，其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或gps(global positioning system，全球定位系统)接收器；常规膝上型和/或掌上型计算机或其他设备，其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“客户端”、“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的，或者适合于和/或配置为在本地运行，和/或以分布形式，运行在地球和/或空间的任何其他位置运行。这里所使用的“客户端”、“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端，例如可以是pda、mid(mobile internet device，移动互联网设备)和/或具有音乐/视频播放功能的移动电话，也可以是智能电视、机顶盒等设备。
62.本技术所称的“服务器”、“客户端”、“服务节点”等名称所指向的硬件，本质上是具备个人计算机等效能力的电子设备，为具有中央处理器(包括运算器和控制器)、存储器、输入设备以及输出设备等冯诺依曼原理所揭示的必要构件的硬件装置，计算机程序存储于其存储器中，中央处理器将存储在外存中的程序调入内存中运行，执行程序中的指令，与输入输出设备交互，借此完成特定的功能。
63.需要指出的是，本技术所称的“服务器”这一概念，同理也可扩展到适用于服务器机群的情况。依据本领域技术人员所理解的网络部署原理，所述各服务器应是逻辑上的划分，在物理空间上，这些服务器既可以是互相独立但可通过接口调用的，也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通，而不应以此约束本技术的网络部署方式的实施方式。
64.本技术的一个或数个技术特征，除非明文指定，既可部署于服务器实施而由客户端远程调用获取服务器提供的在线服务接口来实施访问，也可直接部署并运行于客户端来实施访问。
65.本技术中所引用或可能引用到的神经网络模型，除非明文指定，既可部署于远程服务器且在客户端实施远程调用，也可部署于设备能力胜任的客户端直接调用，某些实施例中，当其运行于客户端时，其相应的智能可通过迁移学习来获得，以便降低对客户端硬件运行资源的要求，避免过度占用客户端硬件运行资源。
66.本技术所涉及的各种数据，除非明文指定，既可远程存储于服务器，也可存储于本地终端设备，只要其适于被本技术的技术方案所调用即可。
67.本领域技术人员对此应当知晓：本技术的各种方法，虽然基于相同的概念而进行描述而使其彼此间呈现共通性，但是，除非特别说明，否则这些方法都是可以独立执行的。同理，对于本技术所揭示的各个实施例而言，均基于同一发明构思而提出，因此，对于相同表述的概念，以及尽管概念表述不同但仅是为了方便而适当变换的概念，应被等同理解。
68.本技术即将揭示的各个实施例，除非明文指出彼此之间的相互排斥关系，否则，各个实施例所涉的相关技术特征可以交叉结合而灵活构造出新的实施例，只要这种结合不背离本技术的创造精神且可满足现有技术中的需求或解决现有技术中的某方面的不足即可。对此变通，本领域技术人员应当知晓。
69.本技术的一种音乐视频推荐方法，可被编程为计算机程序产品，部署于服务器中运行而实现，藉此，客户端可以网页程序或应用程序的形式访问该计算机程序产品运行后开放的接口，通过图形用户界面与该计算机程序产品的进程实现人机交互。
70.请参阅图1，本技术的音乐视频推荐方法，在其典型实施例中，包括如下步骤：
71.步骤s1100、响应用户的音乐视频推荐请求，根据用户历史行为数据确定该用户的历史访问音乐视频列表：
72.本技术的应用场景之一为在线音乐服务平台，通过运行本技术所实现的产品，利用平台的音乐库和用户数据库的相关数据，在后台提供服务，响应用户的音乐视频推荐请求而为用户推荐其感兴趣的音乐视频。
73.所述音乐视频，是一类能够在客户端以视频方式播放的音乐数据对象，既可以是包含了音乐的音频内容的视频文件形式，也可以是携带用于在客户端构成为视频播放形式的封面图片、封面标题、简介等内容的音频文件，无论是何种形式的音乐视频，在本技术中均可统一处理。本技术所称的音乐视频的特征，由于其包含有封面信息如图片、音频信息即歌曲、文本信息例如简介、标题等，因此，图文信息量较为丰富，更容易表现各种特点，从而可以从其图片、文字中获得丰富的语义信息。
74.当用户需要获取其感兴趣的音乐视频时，可以其客户端设备触发一个音乐视频推荐请求，提交实施了本技术的技术方案的服务器响应。本技术的服务器响应该音乐视频推荐请求，而开始为该用户执行本技术的各个步骤以获得其感兴趣音乐视频。
75.所述的用户，为平台用户，其在该平台的历史访问行为，会产生相应的历史行为数据存储于用户数据库中。所述历史行为数据通常存储用户某一时刻以某种行为类型访问某一歌曲(音乐视频)、歌单(音乐视频列表)，据此而存在访问时间、访问行为、访问音乐视频(或其列表)相对应的映射关系数据，由于音乐库中的音乐视频通常均有多个画像标签与之对应，因此，这些画像标签实际上也实现了对用于的兴趣类型的表征。所述的画像标签，通常也可视为音乐视频的不同维度划分出来的类型标签，例如按照年代、歌手、风格、语言等等维度划分出来的类型标签。
76.在本步骤中，根据所述用户的历史行为数据中存在的上述的映射关系数据，便可确定其历史访问产生的全量音乐视频，从而确定出一个历史访问音乐视频列表，该列表中可以指向音乐库中的具体音乐视频的唯一性特征信息表示各个相应的音乐视频。
77.步骤s1200、根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表：
78.本技术中，对应平台的音乐库，构造有一个知识图谱。该知识图谱以有向图结构实现，存在多个实体节点，音乐库中的每首歌曲(音乐视频)，可被存储为其中的一个实体节点，而用于描述音乐库中音乐视频的各种画像标签，也可以被存储为所述的实体节点，从而，可以在知识图谱中实现音乐库中“音乐视频1—画像标签1—音乐视频2—画像标签2
……”
此一形式的知识传播路径。所述知识传播路径的建立过程，可以通过各音乐视频预标注的画像标签来建立关联，即根据不同音乐视频指向同一画像标签来标示相应的知识传播路径中各个实体节点的连接关系。
79.更具体的，所述的画像标签，为适于描述音乐视频的特点的标签，主要包括风格类型、年代类型、语种类型、情感类型、节奏类型、歌手名称、歌手特征、歌词特征、评价特征、歌
曲关系、歌手关系、歌曲的用户行为特征等等任意一类或任意多类所包含的各种具体标签。例如，所述年代类型可分为“八零后”、“九零后”等具体标签。此类画像标签，可以用于实现对每一首音乐视频的特点的描述，实现对诸多音乐视频的共性特征的语义表示。
80.至此可以理解，通过所述知识图谱，便可方便地查找到关联于同一画像标签的不同音乐视频，同时也可查找到构成同一音乐视频所需的全量画像标签。调用所述知识图谱，便可实现对音乐视频的召回。
81.而针对触发音乐视频推荐请求的用户，本技术便可在根据其历史行为数据获得的历史访问音乐视频列表的基础上，根据该列表中所有音乐视频所包含的全量画像标签，来从知识图谱中召回与该些画像标签相对应的音乐视频，将这些音乐视频构造为相关音乐视频列表。在实施这一召回操作时，可先将用户历史访问音乐视频列表中的全量画像标签的向量化表示构成用户兴趣向量，再根据用户兴趣向量在所述知识图谱中进行向量匹配，以获得所述的相关音乐视频列表。不难理解，基于用户兴趣向量进行语义匹配获得的结果，可借助卷积神经网络模型来实施，由于充分考虑了语义相关性，因此，实现了对用户兴趣边界的探索和拓展，有助于打破用户的信息茧房，也有助于新增音乐视频的冷启动，使其更易被推荐给用户。对于根据用户兴趣向量获取候选音乐视频列表的更为细致的操作，本技术技术人员可以根据此处揭示的原理自行实施，或者，后续的一个实施例也将给出实测效果较佳的示例，此处暂且不表。
82.步骤s1300、根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表：
83.用户的兴趣，存在随时间而变化的可能性。因此，如果笼统地将全量的历史访问音乐视频列表用于表征用户的长期兴趣特点，则无法体现用户兴趣的动态变化，反之，如果仅利用历史访问音乐视频列表的局部数据用于表征用户的短期兴趣特征，则容易以偏概全。为此，本技术中，通过预先确定多个历史跨度，从历史访问音乐视频列表中构造出各个历史跨度相对应的历史访问音乐视频列表，来实现对用户兴趣特点的多方面表征，以便根据这样的特点协助用户进一步从所述相关音乐视频列表中筛选出更为匹配用户兴趣的候选音乐视频列表。
84.本技术中，可借助卷积神经网络模型来实现这一目的。为此，可先将各个历史跨度相对应的历史访问音频视频列表进行向量化，获得其相应的编码向量，然后再将这些编码向量拼接为综合编码向量，作为模型的输入。然后由模型对这一综合编码向量进行表示学习，获得其深层语义信息，在此基础上，根据该深层语义信息进行分类映射，根据映射结果，从相关音频视频列表中筛选出部分匹配该深层语义信息的音乐视频构成所述的候选音乐视频列表。此处的模型可采用双塔模型来实施，通过双塔模型实现基于用户分支(user)与音乐视频分支(item)之间的匹配，从而，使得根据所述用户的综合编码向量便可获得相应的候选音乐视频列表。
85.步骤s1400、计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求：
86.获得所述的候选音乐视频列表之后，考虑到音乐库中可能存在一首音乐视频的不
同演唱版本，而用户更倾向于获取其中优质的版本，实践中也不必基于同一首歌曲推荐多个演唱版本，因此，本步骤中可基于这一原理对所述的候选音乐视频列表做进一步的优化处理。
87.有鉴于此，基于所述候选音乐视频列表，计算其中两两候选音乐视频的深层语义向量之间的相似度，获得相对应的相似度数值，可表示为了一个二维的存储方阵。然后基于这些相似度数值，考察对于同一候选音乐视频而言，其他与之构成相似的候选音乐视频之间，是否存在相似度数值达到一定接近程度的情况，如存在这种情况，将达到这种接近程度的候选音乐视频进行去重处理，在候选音乐视频列表中保留其中相似度数值最高者，删除其他相似度数值较低者，最终使候选音乐视频列表得到净化之后，作为推荐音乐视频列表使用，将该推荐音乐视频列表推送给所述的用户，完成对其音乐视频推荐请求的响应。
88.不难理解，当经过以上的处理后，从粗召回的相关音乐视频列表，到初筛获得候选音乐视频列表，再到去重处理获得推荐音乐视频列表，整个过程中，根据用户的历史行为数据所蕴含的语义信息对用户可能感兴趣的音乐视频进行逐层过滤优选，因此，所获得的推荐音乐视频列表，理应可精准匹配用户兴趣。
89.通过本典型实施例的介绍，可以理解，本技术的实施具有丰富的积极意义，包括但不限于如下各方面：
90.首先，本技术根据用户行为数据确定出用户历史访问音频视频列表的基础上，先根据所述历史访问音频视频列表确定用户兴趣向量，对用户感兴趣的特征进行表征，然后通过知识图谱为该用户召回语义相近的相关音乐视频列表，实现初步筛选；然后，根据不同历史跨度对用户的长期偏好和短期偏好进行综合表征，在综合表征的基础上基于语义进行关联音乐视频预测，实现从初步筛选的关联音乐视频列表中进一步细化筛选出候选音乐视频列表；最后，再借助候选音乐视频列表中各音乐视频的表征其内容信息的深层语义向量计算相似度，根据相似度数值对音乐视频进行去重处理，最终获得推荐音乐视频列表。全程由初步召回到细化筛选再到精细化去重，层层深入，实现为用户精准获取其感兴趣的推荐音乐视频列表的目标。
91.其次，本技术在其各个执行环节中多环节基于用户行为数据所隐含的语义信息进行推荐音乐视频的层层优化，借助用户行为数据所表示的用户个人偏好信息以及知识图谱的协助，可以合理探索用户的兴趣边界，从而有效地获取与用户个人偏好相匹配的目标音乐视频，所获得的推荐音频视频，准确率更高，一方面可以试探或拓展用户兴趣而为其分发其兴趣边界相关音乐视频，使用户摆脱信息茧房的束缚；另一方面对于新增音乐视频而言，也更容易实现冷启动。
92.再者，本技术不仅基于召回数据进行了基础排序而获得候选音乐视频列表，进一步还在候选音乐视频列表的基础上根据音乐视频之间的内容相似性进行精细化的去重处理，使得推荐音乐视频列表中内容相近的音乐视频不会堆积在一起呈现给用户，用户所获得的推荐音乐视频列表更为简洁。
93.此外，本技术的技术方案适于部署于在线音乐平台中服务于海量的平台用户，由于其针对每个用户均能进行召回、粗排、重排等处理，大大压缩每个用户的推荐音乐视频列表的输出，兼顾了推荐排序领域中查全和查准两方面的目标，因此，能提升平台服务效率，乃至全面改善在线音乐平台的用户体验。
94.请参阅图2，扩展的实施例中，所述步骤s1100、响应用户的音乐视频推荐请求的步骤之前，包括如下步骤：
95.步骤s0100、创建音乐库相对应的知识图谱：
96.在线音乐服务平台可以按需初始化创建所述的知识图谱，所述知识图谱可采用数据库进行组织，可由本领域技术人员灵活实现。
97.步骤s0200、从全量用户的历史行为数据中提取出各用户访问的历史音乐视频与各用户的兴趣标签之间的知识传播路径，所述兴趣标签为用于标注所述音乐视频的画像标签：
98.本实施例中，推荐使用eges模型来实现图嵌入，该模型适于根据用户的历史行为数据中提取出的历史音乐视频序列来获得相关音乐视频序列，从而可以据以确定这些音乐视频序列中的音乐视频的画像标签为用户的兴趣标签，然后根据兴趣标签与各个音乐视频之间的映射关系，可构造出从音乐视频到兴趣标签再到音乐视频的知识传播路径，可根据这些知识传播路径进一步完成知识图谱。
99.步骤s0300、将所述音乐视频与所述兴趣标签表示为知识图谱中的实体节点，根据所述知识传播路径建立各实体节点之间的关联关系：
100.在所述知识图谱中，各个所述的兴趣标签、音乐视频均可被存储为知识图谱中的实体节点，进一步，以知识传播路径为依据，建立起各音乐视频与各兴趣标签之间多对多的关联，从而建立起知识图谱的关联关系架构。
101.步骤s0400、将所述音乐视频的内容信息存储为其相应的实体节点中的属性项，所述内容信息包含相应的音乐视频的访问链接及所述音乐视频的深层语义向量，所述深层语义向量为所述音乐视频的封面信息、音频信息、文本信息的综合特征表示：
102.所述的音乐视频的内容信息，包括但不限于音乐视频的封面信息、音乐信息、文本信息、访问链接、深层语义向量等，均可存储至音乐视频相对应的实体节点中，作为其中的属性项进行存储，以方便后续的调用。其中，所述深层语义向量为所述音乐视频的封面信息、音频信息、文本信息的综合特征表示，可借助预先训练至收敛状态的卷积神经网络模型来获得，对此，本领域技术人员可按需实施。
103.本实施例提供知识图谱的实现方式，可以看出，知识图谱实现了对音乐视频的画像标签之间的语义关联关系的表示，当所述音乐视频为根据用户行为数据确定的数据时，更能体现出用户感兴趣内容之间的关联关系的特点。
104.请参阅图3，深化的实施例中，所述步骤s1200、根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表，包括如下步骤：
105.步骤s1210、采用预训练至收敛状态的多兴趣召回模型根据所述历史访问音乐视频列表相对应的编码信息进行表示学习获得相应的深层语义信息，根据所述深层语义信息进行多分类映射，获得多个兴趣标签：
106.本实施例中，推荐采用mind模型来实施，mind模型为阿里团队于2019年的应用了胶囊网络的动态路由算法的多兴趣网络模型，借助该模型，可以对历史访问音乐视频列表相对应的编码信息进行深层语义信息的提取，然后在深层语义信息的基础上进行多分类映射，对应的，获得多个兴趣标签，如前所述，兴趣标签也是用于标注音乐视频的画像标签。
107.具体而言，所述的历史访问音乐视频列表为表征相应的用户较为感兴趣的列表，因此表征了用户兴趣特征，将其拆分编码后，输入至所述mind模型的胶囊网络结构中处理后，计算形成用户的多兴趣向量，即用户兴趣向量，也即获得相应的多个兴趣标签，代表用户兴趣粒度变化方向，增强兴趣多样性，可以据此在知识图谱中对目标音乐视频实施召回。
108.步骤s1220、根据所述兴趣标签，从音乐库知识图谱中召回携带所述多个兴趣标签任意之一的所有目标音乐视频：
109.确定用户兴趣向量后，也即获得多个表征用户感兴趣的兴趣标签，据此，便可从所述音乐库的知识图谱中，对匹配所述兴趣标签的目标音乐视频进行召回，获得全量的目标音乐视频。
110.步骤s1230、将全量的所述目标音乐视频构造为相关音乐视频列表：
111.最后，将匹配所有所述兴趣标签的全量目标音乐视频添加至相关音乐视频列表中，即完成了根据用户兴趣向量进行召回的全部工作。
112.本实施借助多兴趣召回模型来根据用户的历史访问音乐视频列表确定和拓展表征与用户兴趣相匹配的兴趣标签，实现了根据用户的历史行为数据的语义对用户兴趣的扩张，据此进行目标音乐视频的召回，确保针对用户兴趣的召回的查全率，为后续工作奠定重要的基础。
113.请参阅图4，深化的实施例中，所述步骤s1300、根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表，包括如下步骤：
114.步骤s1310、根据表征长期和短期的两个历史跨度，分别获得该用户的长期历史访问音乐视频列表和短期历史访问音乐视频列表，其中，长期历史跨度涵盖短期历史跨度：
115.本步骤中，可以预设两个历史跨度，例如自当天往前一月，以及自当天往前一年，根据这两个历史跨度，分别从用户的历史访问音乐视频列表中提取出相对应的一个短期历史访问音乐视频列表和一个长期历史访问音乐视频列表，通过这两个列表，可以分别表征用户的短期偏好和长期偏好。一般而言，长期偏好对应的历史跨度适宜涵盖短期偏好对应的历史跨度，以便描述一段较长时间范围内的长期兴趣特征和短期兴趣特征。
116.步骤s1320、分别将所述长期历史访问音乐视频列表与短期历史访问音乐视频列表分别进行向量化并拼接为高维向量，获得综合编码向量：
117.所述的长期历史访问音乐视频列表及短期历史说音乐视频列表均以音乐视频的唯一性特征(id)的形式进行表示，本质上也即id序列，根据该id序列进行编码，实现向量化，便可获得相应的编码向量，在此基础上，将两个编码向量前后拼接，便可获得综合编码向量，该综合编码向量宜处理为高维向量形式，其中在前的部分为其中一个历史跨度的向量表示，另一部分为另一个历史跨度的向量表示。
118.步骤s1330、采用预训练至收敛状态的推荐排序模型，对所述综合编码向量进行表示学习以获得其深层语义信息，根据该深层语义信息进行多分类映射，获得多个预设目标相对应的候选音乐视频列表，各个候选音乐视频列表分别按照候选音乐视频的点击访问统计数量、有效播放统计数量、完整播放统计数量进行排序：
119.本实施例中，推荐使用预先训练至收敛状态的song2vec模型作为本技术的推荐排序模型来实施根据所述综合编码向量对所述候选音乐视频列表进行优选，从而实现初步的
推荐排序。song2为一个多目标分类模型，经word2vec改进的item2vec改进而来，为本领域技术人员所知晓。该模型经训练后，可以根据输入的综合编码向量提取深层语义信息，再根据此一深层语义信息，根据预设的多个目标，获取相关音乐视频列表中的匹配所述深层语义信息的音乐视频，根据不同目标确定出相应的多个候选音乐视频列表。所述的目标，在模型训练阶段时可以设定，以便使模型习得相应的多目标分类能力。通过设定所述的各个目标，可以使得所确定的候选音乐视频列表根据不同目标进行组织和排序，例如根据候选音乐视频的点击访问统计数量、有效播放统计数量、完整播放统计数量等目标确定出相对应的各个候选音乐视频列表。
120.本实施例借助推荐排序模型，根据表征用户兴趣的综合编码向量的深层语义信息，结合多个预设目标对所述的相关音乐视频列表进行精简，使精简所得的一个或多个候选音乐视频列表中的音乐视频更能匹配用户兴趣，提升了推荐排序过程中的查准率。
121.请参阅图5，深化的实施例中，所述步骤s1400、计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求，包括如下步骤：
122.步骤s1410、根据所述候选音乐视频列表，从所述知识图谱中获取各个候选音乐视频相对应的实体节点中的深层语义向量，该深层语义向量为相应的音乐视频的封面信息、音频信息、文本信息的综合特征表示：
123.如前所述，音乐库的知识图谱中，预存储有借助神经网络模型对音乐视频的内容信息进行特征提取后获得的深层语义向量，实现对音乐视频的特征表示。所述内容信息包括封面信息、音频信息、文本信息中任意一项或任意多项。据此，针对所述的各个候选音乐视频列表，可以为其中的音乐视频一一从知识图谱的相应实体节点中获取其相对应的深层语义向量。
124.步骤s1420、针对每个候选音乐视频列表，计算其中两两候选音乐视频的深层语义向量的相似度，获得两两候选音乐视频之间的相似度数值：
125.针对每个候选音乐视频列表，可以采用预设的相似度计算公式计算其中两两候选音乐视频的深层语义向量之间的数据距离，确定归一化的相似度，获得两两候选音乐视频之间的相似度数值。所述的相似度计算公式，可以采用多种数据距离算法来实现，这些算法包括但不限于余弦相似度算法、皮尔逊相关系数算法、杰卡德相似度算法、欧氏距离算法等等任意一项，本领域技术人员可灵活实施。
126.步骤s1430、针对每个候选音乐视频列表，对相似度数值适应最大贪心算法进行过滤，获得推荐音乐视频列表：
127.进一步可针对每个候选音乐视频列表进行去重处理，具体而言，将所述的方阵通过dpp算法，即行列式点过程算法，转化为矩阵运算，将方阵进行分解，通过最大贪心算法搜索跟音乐视频与用户相关性高，音乐视频与音乐视频之间相似性低的子集，来实现对所述候选音乐视频列表的优选，从而确定出每个候选音乐视频列表相对应的推荐音乐视频列表。
128.步骤s1440、为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户：
129.最后，针对每个所述的推荐音乐视频列表，可从所述知识图谱中获取其中各个音
乐视频相对应的访问链接，将其与相应的音乐视频相关联存入该推荐音乐视频列表中，即可将该推荐音乐视频列表推送给发起所述音乐视频推荐请求的用户，从而完成应答过程。
130.本实施例中，根据每个候选音乐视频列表中的音乐视频之间的相似性，进一步对各个候选音乐视频列表进行去重处理，将内容相近的多个候选音乐视频进行精简，从而获得推荐音乐视频列表，实现了对推荐音乐视频的精细化挑选，使用户所获得的推荐音乐视频既吻合其兴趣领域，又较为简洁。
131.请参阅图6，具体化的实施例中，所述步骤s1440、为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户，包括如下步骤：
132.步骤s1441、从所述知识图谱中获取所述推荐音乐视频列表中各个音乐视频相对应的唯一性特征信息：
133.本实施例中，如果所述知识图谱中未存储音乐视频的丰富的各种内容信息，而只是存储了各个音乐视频的唯一性特征信息，则也可通过获取该音乐视频相对应的唯一性特征信息之后，再根据唯一性特征信息去音乐库中调用各个音乐视频的各种具体内容信息。
134.步骤s1442、根据所述唯一性特征信息从所述音乐库中获取各个音乐视频相对应的内容信息，所述内容信息包含相应的音乐视频的访问链接、封面信息、音频信息以及文本信息：
135.根据各个音乐视频的唯一性特征信息，访问在线音乐服务平台的音乐库，该音乐库预存储有各个音乐视频的丰富的各种内容信息，据此，根据该唯一性特征信息可以获取到其相应的音乐视频的各种内容信息，包括但不限于所述音乐视频的访问链接、封面信息、音频信息以及文本信息等等。
136.步骤s1443、格式化所述内容信息后与推荐音乐视频列表中的相应音乐视频相关联：
137.根据客户端设备显示所需对各个音乐视频的内容信息进行格式化处理，然后将每个音乐视频与其格式化后的内容信息相关联存储于所述推荐音乐视频列表中，使该推荐音乐视频列表更适于被客户端设备解析显示。
138.步骤s1444、将所述推荐音乐视频列表推送给所述的用户：
139.在对推荐音乐视频列表进行格式化处理后，便可将该推荐音乐视频列表推送至触发所述音乐视频推荐请求的用户的客户端设备处解析显示，该用户据此便获得与其感兴趣领域精准匹配的音乐视频。
140.本实施例适应客户端设备显示的需要，完善所述的推荐音乐视频列表，丰富其中各首音乐视频的内容信息，能够提升用户体验。
141.请参阅图7，本技术提供的一种音乐视频推荐装置，适应本技术的音乐视频推荐方法进行功能化部署，包括：请求响应模块1100、兴趣召回模块1200、数据初筛模块1300，以及重排处理模块1400，其中，所述请求响应模块1100，用于响应用户的音乐视频推荐请求，根据用户历史行为数据确定该用户的历史访问音乐视频列表；所述兴趣召回模块1200，用于根据所述历史访问音乐视频列表获得用户兴趣向量，从音乐库知识图谱中召回与所述用户兴趣向量相匹配的相关音乐视频列表；所述数据初筛模块1300，用于根据用户的多个历史跨度相对应的历史访问音乐视频列表构造综合编码向量，根据该综合编码向量的深层语义信息，从所述相关音乐视频列表中筛选出候选音乐视频列表；所述重排处理模块1400，用于
计算候选音乐视频列表中两两候选音乐视频的深层语义向量的相似度，对构成相似的候选音乐视频进行去重处理，获得所述推荐请求的推荐音乐视频列表应答该推荐请求。
142.扩展的实施例中，本技术的音乐视频推荐装置，还包括：图谱创建模块，用于创建音乐库相对应的知识图谱；路径梳理模块，用于从全量用户的历史行为数据中提取出各用户访问的历史音乐视频与各用户的兴趣标签之间的知识传播路径，所述兴趣标签为用于标注所述音乐视频的画像标签；关系表示模块，用于将所述音乐视频与所述兴趣标签表示为知识图谱中的实体节点，根据所述知识传播路径建立各实体节点之间的关联关系；信息关联模块，用于将所述音乐视频的内容信息存储为其相应的实体节点中的属性项，所述内容信息包含相应的音乐视频的访问链接及所述音乐视频的深层语义向量，所述深层语义向量为所述音乐视频的封面信息、音频信息、文本信息的综合特征表示。
143.深化的实施例中，所述兴趣召回模块1200，包括：兴趣分类子模块，用于采用预训练至收敛状态的多兴趣召回模型根据所述历史访问音乐视频列表相对应的编码信息进行表示学习获得相应的深层语义信息，根据所述深层语义信息进行多分类映射，获得多个兴趣标签；数据召回子模块，用于根据所述兴趣标签，从音乐库知识图谱中召回携带所述多个兴趣标签任意之一的所有目标音乐视频；列表构造子模块，用于将全量的所述目标音乐视频构造为相关音乐视频列表。
144.深化的实施例中，所述数据初筛模块1300，包括：时长划分子模块，用于根据表征长期和短期的两个历史跨度，分别获得该用户的长期历史访问音乐视频列表和短期历史访问音乐视频列表，其中，长期历史跨度涵盖短期历史跨度；向量编码子模块，用于分别将所述长期历史访问音乐视频列表与短期历史访问音乐视频列表分别进行向量化并拼接为高维向量，获得综合编码向量；推荐排序子模块，用于采用预训练至收敛状态的推荐排序模型，对所述综合编码向量进行表示学习以获得其深层语义信息，根据该深层语义信息进行多分类映射，获得多个预设目标相对应的候选音乐视频列表，各个候选音乐视频列表分别按照候选音乐视频的点击访问统计数量、有效播放统计数量、完整播放统计数量进行排序。
145.深化的实施例中，所述重排处理模块1400，包括：候选调用子模块，用于根据所述候选音乐视频列表，从所述知识图谱中获取各个候选音乐视频相对应的实体节点中的深层语义向量，该深层语义向量为相应的音乐视频的封面信息、音频信息、文本信息的综合特征表示；相似计算子模块，用于针对每个候选音乐视频列表，计算其中两两候选音乐视频的深层语义向量的相似度，获得两两候选音乐视频之间的相似度数值；过滤处理子模块，用于针对每个候选音乐视频列表，对相似度数值适应最大贪心算法进行过滤，获得推荐音乐视频列表；关联推荐子模块，用于为所述推荐音乐视频列表关联其中音乐视频的访问链接后，将该推荐音乐视频列表推送给所述的用户。
146.具体化的实施例中，所述关联推荐子模块，包括：特征确定单元，用于从所述知识图谱中获取所述推荐音乐视频列表中各个音乐视频相对应的唯一性特征信息；内容调用单元，用于根据所述唯一性特征信息从所述音乐库中获取各个音乐视频相对应的内容信息，所述内容信息包含相应的音乐视频的访问链接、封面信息、音频信息以及文本信息；格式处理单元，用于格式化所述内容信息后与推荐音乐视频列表中的相应音乐视频相关联；推送执行单元，用于将所述推荐音乐视频列表推送给所述的用户。
147.为解决上述技术问题，本技术实施例还提供计算机设备。如图8所示，计算机设备
的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中，该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种音乐视频推荐方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行本技术的音乐视频推荐方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8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。
148.本实施方式中处理器用于执行图7中的各个模块及其子模块的具体功能，存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本技术的音乐视频推荐装置中执行所有模块/子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
149.本技术还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行本技术任一实施例的音乐视频推荐方法的步骤。
150.本技术还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被一个或多个处理器执行时实现本技术任一实施例所述方法的步骤。
151.本领域普通技术人员可以理解实现本技术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，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等计算机可读存储介质，或随机存储记忆体(random access memory，ram)等。
152.综上所述，本技术通过对从知识图谱中召回的与用户历史行为数据相匹配的相关音乐视频进行多层级的筛选处理，打破信息茧房的约束，精准获取与用户行为数据相匹配的推荐音乐视频列表，适于在线音乐平台中提供标准化音乐推荐服务。
153.本技术领域技术人员可以理解，本技术中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本技术中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本技术中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
154.以上所述仅是本技术的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。