1.基于异构信息网络表示学习技术的混合音乐推荐方法，其特征在于包括如下步骤：步骤(1).收集用户音乐收听记录和所有音乐内容数据所述的用户音乐收听记录包含用户所收听过的音乐记录、会话信息以及对应的播放时间；所述的音乐内容数据包括艺术家/歌手信息、专辑信息、风格信息、语种信息、歌词以及标签和文本描述；

步骤(2).根据所有用户音乐收听记录和所有音乐内容数据构建异构信息网络异构信息网络中的节点集合V包括用户、音乐、会话和音乐内容，异构信息网络中的边集合E包括用户‑音乐边集合Eu,m、会话‑音乐边集合Es,m、音乐‑音乐边集合Em,m以及音乐‑内容边集合Em,c

步骤(3).根据上述异构信息网络，建立以下目标函数O：其中：Os是结构目标函数，Ot是内容目标函数；

步骤(4).对上述目标函数O进行最大化求解，以求得音乐数据库中所有音乐的特征向量；

步骤(5).对用户的完整音乐收听记录所对应的音乐的特征向量进行最大池化和平均池化操作，得到用户的全局音乐偏好向量；

步骤(6).从用户完整音乐收听记录中提取当前时刻之前一段时间内的收听记录组成近期音乐播放数据；进而对近期音乐播放数据所对应音乐的特征向量进行最大池化和平均池化操作，得到用户的上下文音乐偏好向量；

步骤(7).根据音乐数据库中每首音乐的特征向量以及用户的全局音乐偏好向量和上下文音乐偏好向量，计算出用户对于每首音乐的偏好值；进而根据预测的偏好值对音乐数据库库中的所有音乐从高到低排序，并提取前若干首音乐推荐给用户；

其中步骤(3)中结构目标函数Os定义为：s

Os(e)＝wi,jlogp(vi,vj)s

其中结构概率p(vi,vj)的表达式如下：其中：wi,j是对应边的权重，vi和vj表示音乐mi和音乐mj在异构信息网络中的节点， 和分别表示音乐mi和音乐mj的结构特征向量，T表示转置操作；

其中步骤(3)中内容目标函数Ot定义为t ts

Ot(e)＝wi,jlogp(vi,vj)+wi,jlogp (vi,vj)t

其中第一内容概率p(vi,vj)的表达式如下：其中：wi,j是对应边的权重，vi和vj表示音乐mi和音乐mj在异构信息网络中的节点， 和分别表示音乐mi和音乐mj的内容特征向量，T表示转置操作；

ts

其中第二内容结构概率p (vi,vj)的表达式如下：ts st

其中： 和 分别表示音乐mi和音乐mj的结构特征向量，H 和H 分别表示内容结构转换矩阵和结构内容转换矩阵。

2.根据权利要求1所述的混合音乐推荐方法，其特征在于：步骤(4)中的特征向量包括音乐的结构特征向量和内容特征向量，其中结构特征向量可直接求解得出，内容特征向量通过对音乐的内容数据应用卷积神经网络和注意力机制得到，音乐mi和音乐mj的内容特征向量 和 定义如下：

其中Xi和Xj是音乐mi和音乐mj的卷积嵌入矩阵，分别利用卷积神经网络从音乐mi和音乐mj的内容文本中获得， 和 为音乐mi和音乐mj的注意力向量。

3.根据权利要求1所述的混合音乐推荐方法，其特征在于：所述的步骤(7)中通过以下公式计算用户u对于音乐mi的偏好值：其中： 和 表示用户u的全局音乐偏好向量和上下文音乐偏好向量， 表u

示预测的用户u对于音乐mi的全局偏好， H 表示用户u的音乐收u

听记录； 表示预测的用户u对于音乐mi的上下文偏好， S表示用户u的近期音乐收听记录。