CN102637178A - 一种音乐推荐方法、装置及*** - Google Patents

Abstract

本发明公开了一种音乐推荐方法、装置及***，该音乐推荐方法包括以下步骤：步骤S1：获取用户对音乐的访问记录；步骤S2：搜索所述访问记录中音乐的标签；步骤S3：通过所述标签得到所述用户的用户特征；步骤S4：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；步骤S5：将与所述用户群特征对应的音乐推荐给所述用户群中的用户。本发明能够提高音乐推荐精度及推荐速度。

Description

一种音乐推荐方法、装置及***

技术领域

本发明涉及信息处理领域，特别是涉及一种音乐推荐方法、装置及***。

背景技术

目前，音乐推荐技术可以概括为两种：一是基于用户行为的推荐；二是基于用户群的推荐。

基于用户行为的推荐是指依据用户过去的行为进行推荐。其基本原理是通过获得目标用户访问日志，并对访问日志进行分析整理得到用户的行为习惯，然后根据这些行为在音乐数据库中进行模糊查询，将查询结果推荐给目标用户。这种基于用户行为的推荐技术只是根据用户行为进行简单的模糊查询，并不考虑群组信息，推荐效率及推荐范围均比较低，导致用户体验度低下。

因此，一种更为常用的推荐技术为基于用户群的推荐。基于用户群的推荐是指根据相似用户群的行为进行推荐。用户的行为(如：浏览、下载、试听、评价等)能显式或隐式的体现出用户的喜好，该技术就是通过比较目标用户的历史行为记录与其他用户的历史行为记录，例如根据用户是否听过相同的音乐对用户进行分组，来识别出一组具有相似喜好的用户群，将该用户群中其他用户感兴趣的音乐推荐给目标用户，这种推荐技术的精度高于基于用户行为的推荐技术，但也存在以下缺陷：

首先，上述基于用户群的推荐技术只考虑相似用户群的信息，而忽略了音乐内容信息，即如果目标用户所在用户群的其他用户听过某首音乐，便会直接将该首音乐推荐给目标用户，而并不考虑音乐的内容信息，导致推荐精度不高，甚至错误推荐。

其次，某音乐只有被用户采取过行为(如：浏览、下载、试听、评价等)，才有机会被推荐给其他用户，若歌曲新上榜，则其不会被推荐，造成推荐范围狭窄的问题。

再次，用户间的相似度是通过将目标用户的历史行为记录与其他所有用户的历史行为记录进行比较得到的，比如，对于一个拥有百万用户的网站来说，每计算一个用户的相似群都要涉及到百万次的比较，这需要耗费大量时间，而随着用户规模的扩大，所需时间呈指数级增长，这导致了推荐服务运行效率低下。

发明内容

有鉴于此，本发明提出一种音乐推荐方法、装置及***，所要解决的技术问题为：提高音乐推荐精度及推荐速度。

本发明的目的及解决其技术问题是采用以下技术方案来实现的。本发明提出一种音乐推荐方法，其包括以下步骤：步骤S1：获取用户对音乐的访问记录；步骤S2：搜索所述访问记录中音乐的标签；步骤S3：通过所述标签得到所述用户的用户特征；步骤S4：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；步骤S5：将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。

根据前述的音乐推荐方法，所述音乐具有多个用于表示音乐分类的维度，所述维度包括多个用于对维度分类的粒度；所述标签包括至少一个粒度，所述步骤S3具体为：S31：分别计算所述标签中的至少一个维度下各粒度的出现的次数，并在每一维度下将所述次数由大到小排序；S32：分别在所述至少一个维度下取所述次数排序前一位或几位的粒度及其次数来构成所述用户的用户特征。

根据前述的音乐推荐方法，所述步骤S4具体为：步骤S41：以每个用户分别作为一个用户群，并将每个用户的用户特征作为用户群特征；步骤S42：根据用户群特征计算任意两个用户群间的邻近度，所述邻近度用于表示两个用户群之间的相似程度；步骤S43：将具有最大邻近度的两个用户群合并为一个用户群，并根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征；步骤S44：判断用户群的数量是否大于预定用户群数量，若是，则执行步骤S42；若否，则执行步骤S45；步骤S45：将步骤S43得到的合并后的用户群及其用户群特征作为预定数量的用户群及其用户群特征。

根据前述的音乐推荐方法，所述两个用户群间的邻近度通过两个用户群特征间的余弦相似度来表示，所述余弦相似度的计算公式为：

其中，X表示第一用户群特征，具体为：X＝{p_k：x_k|k＝1，2，……，t}，其中，p_k为粒度，x_k为p_k的次数，t为X中包含的粒度的个数；Y表示第二用户群特征，具体为：Y＝{q_k：y_k|k＝1，2，……，z}，其中，q_k为粒度，y_k为q_k的次数，z为Y中包含的粒度的个数；cos(X，Y)表示X和Y间的余弦相似度；n为t与z中的较小值；

根据前述的音乐推荐方法，步骤S43中，根据合并前的两个用户群的用户群特征计算合并后的用户群的用户群特征具体为：将合并前的两个用户群的用户群特征中的所有粒度作为合并后用户群的用户群特征中的粒度，并将合并前的两个用户群的用户群特征中各粒度次数的平均数作为合并后用户群的用户群特征中各粒度的次数。

本发明的目的及解决其技术问题另外还采用以下技术方案来实现。本发明提出一种音乐推荐方法，其包括以下步骤：步骤S1A：获取用户对音乐的访问记录；步骤S2A：搜索所述访问记录中音乐的标签；步骤S3A：通过所述标签得到所述用户的用户特征；步骤S4A：搜索与所述用户特征对应的第一音乐；步骤S5A：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；步骤S6A：搜索与所述用户群特征对应的第二音乐；步骤S7A：合并所述第一音乐和所述第二音乐，并删除其中的重复音乐，形成第三音乐；步骤S8A：将所述第三音乐推荐给所述用户。

本发明的目的及解决其技术问题另外还采用以下技术方案来实现。本发明提出一种音乐推荐装置，其包括：接收单元，用于获取用户对音乐的访问记录；搜索单元，用于搜索所述访问记录中音乐的标签；用户特征获取单元，用于通过所述标签得到所述用户的用户特征；聚类单元，用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；第一推荐单元，用于将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

本发明的目的及解决其技术问题另外还采用以下技术方案来实现。本发明提出一种音乐推荐装置，其包括：接收单元，用于获取用户对音乐的访问记录；搜索单元，用于搜索所述访问记录中音乐的标签；用户特征获取单元，用于通过所述标签得到所述用户的用户特征；第一音乐搜索单元，用于搜索与所述用户特征对应的第一音乐；聚类单元，用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；第二音乐搜索单元，用于搜索与所述用户群特征对应的第二音乐；合并单元，用于合并所述第一音乐和所述第二音乐，并删除其中的重复音乐，形成第三音乐；第二推荐单元，用于将所述第三音乐推荐给所述用户。

本发明的目的及解决其技术问题另外还采用以下技术方案来实现。本发明提出一种音乐推荐***，其包括：接收服务器，用于获取用户对音乐的访问记录以及接收用户的推荐请求；音乐实体库，用于存储音乐及其对应的标签；聚类服务器，用于从所述音乐实体库中搜索访问记录中音乐的标签，之后通过搜索到的标签得到用户的用户特征，并根据用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；数据库，用于存储所述聚类服务器得到的用户群及其用户群特征；搜索服务器，用于从所述数据库中获取用户群及其用户群特征，并建立用户群特征及用户群之间的索引；推荐服务器，用于接收所述接收服务器发送的所述推荐请求，并向所述搜索服务器发出搜索请求；其中，所述搜索服务器在收到所述推荐服务器发送的搜索请求后，根据用户所属用户群搜索出用户群特征，并将用户群特征发送给所述推荐服务器；所述推荐服务器从所述音乐实体库中获取与用户群特征对应的音乐，然后将得到的音乐发送给所述接收服务器，由所述接收服务器将推荐结果提供给用户。

由上述技术方案可知，本发明具有以下有益效果：具有更高的音乐推荐精度及推荐速度。

通过以下参照附图对优选实施例的说明，本发明的上述以及其它目的、特征和优点将更加明显。

附图说明

图1为根据本发明第一实施例提供的音乐推荐方法流程图；

图2为根据本发明一实施例提供的获取用户特征的流程图；

图3为根据本发明一实施例提供的层次聚类方法的流程图；

图4为根据本发明第二实施例提供的音乐推荐方法流程图；

图5为根据本发明一实施例提供的音乐推荐装置的框图；

图6为根据本发明另一实施例提供的音乐推荐装置的框图；

图7为根据本发明一具体实施例提供的音乐推荐***的结构示意图。

具体实施方式

下面将详细描述本发明的具体实施例。应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。

请参阅图1所示，其为本发明第一实施例提供的音乐推荐方法流程图。该音乐推荐方法包括以下步骤：

步骤S1：获取用户对音乐的访问记录；

具体的获取过程可包括：首先读取用户的日志信息，然后统计上述日志信息来得到用户对音乐的历史访问记录。

步骤S2：搜索所述访问记录中音乐的标签；

需要说明的是，本发明中，将音乐分为多个维度，维度用于表示音乐的分类，通常，音乐可以按照歌手、年代、语言以及风格等来分类，这样，维度可为歌手、年代、语言以及风格等。进一步地，维度又包括多个粒度，粒度用于对维度进行分类，或称为维度的取值。举例而言，当维度为歌手时，其所包括的粒度可为：张学友、刘德华、周杰伦……王菲等；当维度为年代时，其所包括的粒度可为：70年代前、70～80年代、80～90年代、90～2000年代、2000年以后。

音乐具有能够表示其特征的标签。而从上述维度和粒度的角度而言，标签为粒度的集合，其至少包括一个粒度。例如，歌曲《菊花台》的标签为“周杰伦，2000年以后，普通话，流行”，其包括分别在歌手、年代、语言以及风格维度下的粒度“2000年以后”、“普通话”、“周杰伦”以及“流行”。

此外，在本步骤中，可以通过音乐ID或音乐名称来搜索标签。

步骤S3：通过所述标签得到所述用户的用户特征；

在本实施例中，用户特征由多个粒度及每个粒度在标签中出现的次数构成。在步骤S1～S2中，若用户有多个对音乐的访问记录，即能得到多个音乐的标签，每个标签又具有多个粒度，这样，在本步骤S3中，统计标签中每个粒度出现的次数并由次数与对应的粒度共同构成用户的用户特征。

请参阅图2所示，在一实施例中，步骤S3具体包括：

S31：分别计算所述标签中的至少一个维度下各粒度的出现的次数，并在每一维度下将所述次数由大到小排序；

例如，某一用户访问记录中歌曲的多个标签中，“歌手”维度下的粒度包括“刘德华”，“张学友”，“王菲”和“张信哲”；“刘德华”在标签中出现的次数为“36”，“张学友”出现的次数为“27”，“王菲”出现的次数为“19”，“张信哲”出现的次数为“2”。标签中“年代”维度下的粒度包括“90～2000年代”和“2000年以后”；“90～2000年代”在标签中出现的次数为“70”，“2000年以后”在标签中出现的次数为“14”。

本领域技术人员可以理解，标签中可包括一个或多个维度下的粒度及次数，为便于描述，这里及以下仅以“歌手”和“年代”两个维度为例来进行说明。

S32：分别在至少一个维度下取所述次数排序前一位或几位的粒度及其次数来构成所述用户的用户特征。

继续上述示例，例如在“歌手”维度下取排序前3位的粒度及次数，在“年代”维度下取排序前2位的粒度及次数，得到该用户的用户特征{刘德华：36，张学友：27，王菲：19，90～2000年代：70，2000年以后：14}。

步骤S4：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

本实施例中，与用户特征类似，用户群特征也是由多个粒度及每个粒度在标签中出现的次数构成。将多个用户聚类为预定数量的用户群可采用多种方法，例如层次聚类方法以及划分聚类方法。

下面对层次聚类方法作出详细描述，请参阅图3所示，层次聚类方法具体包括：

步骤S41：以每个用户分别作为一个用户群，并将每个用户的用户特征作为用户群特征；

通过该步骤，来得到最初的具有用户群特征的用户群。例如，欲将用户1～用户5聚类为3个用户群，其中各用户的用户特征分别为：

用户1：{a：9，b：8，c：8}；

用户2：{a：9，b：8，d：9}；

用户3：{a：9，b：8，c：16，d：9，f：9}；

用户4：{a：9，b：8，f：9}；

用户5：{a：9，b：8，f：9，g：9}。

其中，a、b、c、d、f、g表示粒度。

这样，本步骤得到的初始用户群特征分别为：

用户群1：{a：9，b：8，c：8}；

用户群2：{a：9，b：8，d：9}；

用户群3：{a：9，b：8，c：16，d：9，f：9}；

用户群4：{a：9，b：8，f：9}；

用户群5：{a：9，b：8，f：9，g：9}。

用户群所包含的用户：

用户群1＝{用户1}；

用户群2＝{用户2}；

用户群3＝{用户3}；

用户群4＝{用户4}；

用户群5＝{用户5}。

步骤S42：根据用户群特征计算任意两个用户群间的邻近度，所述邻近度用于表示两个用户群之间的相似程度；

在一实施例中，两个用户群间的邻近度通过两个用户群特征间的余弦相似度来表示，所述余弦相似度的计算公式为：

$\cos (X,Y)=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_k{y}_k}{\left|X\right|\·\left|Y\right|},$

其中，X表示第一用户群特征，具体为：X＝{p_k：x_k|k＝1，2，……，t}，其中，p_k为粒度，x_k为p_k的次数，t为X中包含的粒度的个数；Y表示第二用户群特征，具体为：Y＝{q_k：y_k|k＝1，2，……，z}，其中，q_k为粒度，y_k为q_k的次数，z为Y中包含的粒度的个数；cos(X，Y)表示X和Y间的余弦相似度；n为t与z中的较小值；

继续上述示例，根据余弦相似度计算公式来计算任意两个用户群间的邻近度，得到的结果如表1所示：

表1

其中，例如用户群1和用户群2间的临近度为0.66722，用户群2和用户群5间的临近度为0.5504，用户群4和用户群5间的临近度为0.8579。

当然，本领域技术人员还可以采用其他计算邻近度的方法，这样的变换均落在本发明的保护范围之内。

步骤S43：将具有最大邻近度的两个用户群合并为一个用户群，并根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征；

继续上述示例，余弦相似度最大的用户群间的临近度最大，这样，从表1中可以看出，用户群4和用户群5具有最大邻近度，则将这两个用户群合并为一个用户群，这时，得到的用户群分别为：

用户群1＝{用户1}；

用户群2＝{用户2}；

用户群3＝{用户3}；

用户群4＝{用户4，用户5}。

在一实施例中，根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征具体为：将合并前的两个用户群的用户群特征中的所有粒度作为合并后用户群的用户群特征中的粒度，并将合并前的两个用户群的用户群特征中各粒度次数的平均数作为合并后用户群的用户群特征中各粒度的次数。

这样，得到新的用户群特征如下：

用户群1：{a：9，b：8，c：8}

用户群2：{a：9，b：8，d：9}

用户群3：{a：9，b：8，c：16，d：9，f：9}

用户群4：{a：9，b：8，f：9，g：4.5}

步骤S44：判断用户群的数量是否大于预定用户群数量，若是，则执行步骤S42；若否，则执行步骤S45；

继续上述示例，由于步骤S43中得到的用户群数量为4，预定用户群数量为3，则再次执行步骤S42，仍根据余弦相似度计算公式来计算任意两个用户群间的邻近度，得到的结果如表2所示：

表2

从表2中可以看出，用户群1和用户群3具有最大邻近度，则将这两个用户群合并为一个用户群，这时，得到的用户群分别为：

用户群1＝{用户1，用户3}；

用户群2＝{用户2}；

用户群3＝{用户4用户5}。

并得到新的用户群特征如下：

用户群1：{a：9，b：8，c：12，d：4.5，f：4.5}

用户群2：{a：9，b：8，d：9}

用户群3：{a：9，b：8，f：9，g：4.5}

由于此时用户群的数量等于预定用户群数量，则执行步骤S45：将步骤S43得到的合并后的用户群及其用户群特征作为预定数量的用户群及其用户群特征。

步骤S5：将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

在得到用户群特征后，通过该用户群特征确定推荐给用户群中用户的音乐可以采用多种方法，下面描述其中的一种方法，该方法包括：

步骤S501：为维度设置系数；

由于不同维度对用户喜好的代表程度并不相同，因此，可通过对维度设置系数来表示某一维度对用户喜好的代表程度，就歌手、年代以及语言这三种维度而言，歌手很能反映用户的喜好倾向，故此维度系数应该大一些，例如设置为10；年代也能代表一代人对音乐的喜好，所以可将维度加权系数设置的稍大，例如设置为3；语言对用户喜好的代表程度不是很强，故将其维度系数设置的小一些，例如设置为2。

步骤S502：将用户群特征中每个粒度的次数与该粒度所属维度的系数的乘积作为每个粒度的权重；

例如，某一用户群特征为{刘德华：20，张学友：10，王菲：10，周杰伦：10，2000年代：60，粤语：50，国语：10}，且如上所述，歌手的维度系数为10，年代的维度系数为3，语言的维度系数为2；则该用户群的每个粒度的权重分别为：{刘德华：200，张学友：100，王菲：100，周杰伦：100，2000年代：180，粤语：100，国语：20}。

步骤S503：计算能向用户推荐的音乐的标签中各粒度的权重之和；

例如，能向用户推荐的音乐包括{M1，M2，M3，M4，M5，M6，M7，M8，M9}，其中，每首音乐的标签分别为：

M1：{刘德华，2000，粤}；

M2：{刘德华，2000，国语}；

M3：{刘德华，1999，粤}；

M4：{刘德华，1999，国语}；

M5：{张学友，2000，粤}；

M6：{张学友，2000，国语}；

M7：{张学友，1999，粤}；

M8：{张学友，1999，国语}；

M9：{郭富城，1999，英语}。

则每首音乐的标签中各粒度的权重之和为：{M1：200+180+100＝480，M2：200+180+20＝400，M3：200+100＝300，M4：200+20＝220，M5：100+180+100＝380，M6：100+180+20＝300，M7：100+100＝200，M8：100+20＝120，M9：0}

步骤S504：将音乐按权重之和排序，并将排序前至少一位的音乐推荐给用户群中的用户。

例如，将上述音乐按权重之和排序，得到的排序结果为{M1，M2，M5，M3，M6，M4，M7，M8，M9}，若取前5位的音乐推荐给用户群中的用户的话，则推荐音乐{M1，M2，M5，M3，M6}。

本发明音乐推荐方法的实施例基于用户特征进行的聚类，以得到具有用户群特征的用户群，具有以下优点：

1、根据用户特征将用户聚类成用户群，并根据用户群特征搜索相应音乐推荐给用户群中的用户，其不仅实现了将喜好相似的用户聚类成用户群，以将用户群中其他用户感兴趣的音乐推荐给目标用户，而且充分利用音乐的标签信息，以得到用户特征，进而聚类为用户群，即充分考虑了音乐的内容信息，从而提高了音乐推荐的精度。

2、基于用户群特征对用户群中的用户进行音乐推荐，即使新上榜的音乐，也能作为推荐结果推荐给用户。

3、采用聚类技术将用户划分为多个用户群，无需分别将每个用户的历史行为记录都单独与其他用户的历史行为记录来比较以形成用户群，能够提高形成用户群的速度，进而提高了推荐速度。

请参阅图4所示，本发明第二实施例还提供了一种音乐推荐方法。该音乐推荐方法包括以下步骤：

步骤S1A：获取用户对音乐的访问记录；

步骤S2A：搜索所述访问记录中音乐的标签；

步骤S3A：通过所述标签得到所述用户的用户特征；

步骤S4A：搜索与所述用户特征对应的第一音乐；

步骤S5A：根据所述用户的用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

步骤S6A：搜索与所述用户群特征对应的第二音乐；

步骤S7A：合并第一音乐和第二音乐，并删除其中的重复音乐，形成第三音乐；

步骤S8A：将所述第三音乐推荐给所述用户。

由于上述步骤S1A～S3A及步骤S5A与第一实施例中的步骤S1～S4类似，因此不再赘述。

步骤S4A：搜索与所述用户特征对应的第一音乐；该步骤可采用类似于上述步骤S51-S54的方法来实现，包括：步骤S4A1：为维度设置系数；步骤S4A2：将用户特征中每个粒度的次数与该粒度所属维度的系数的乘积作为每个粒度的权重；步骤S4A3：计算能向用户推荐的音乐的标签中各粒度的权重之和；步骤S4A4：将音乐按权重之和排序，并将排序前至少一位的音乐作为第一音乐。

步骤S6A：搜索与所述用户群特征对应的第二音乐；该步骤也可采用类似于上述步骤S51-S54的方法来实现，包括：步骤S51：为维度设置系数；步骤S52：将用户群特征中每个粒度的次数与该粒度所属维度的系数的乘积作为每个粒度的权重；步骤S53：计算能向用户推荐的音乐的标签中各粒度的权重之和；步骤S54：将音乐按权重之和排序，并将排序前至少一位的音乐作为第二音乐。

此外，本领域技术人员同时可以了解，上述步骤S3A～S4A与步骤S5A～S6A并不存在时序上的先后关系，既可以先执行步骤S3A～S4A，也可以先执行步骤S5A～S6A，不影响后续技术方案的实现和本发明的技术效果。

接下来通过执行步骤S7A～S8A得到推荐给所述用户的第三音乐。

在该第二实施例中，向用户推荐歌曲时，既考虑了用户所在用户群的用户群特征又考虑了用户自身的用户特征，从而实现了在具有较高音乐推荐精度的同时，又能实现对用户的个性推荐。

请参阅图5所示，其为本发明一实施例提供的音乐推荐装置的框图。该音乐推荐装置包括：接收单元51、搜索单元52、用户特征获取单元53、聚类单元54以及第一推荐单元55。接收单元51用于获取用户对音乐的访问记录；搜索单元52用于搜索所述访问记录中音乐的标签；用户特征获取单元53用于通过所述标签得到所述用户的用户特征；聚类单元54用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；第一推荐单元55用于将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

在本发明的一实施例中，所述音乐具有多个用于表示音乐分类的维度，所述维度包括多个用于对维度分类的粒度；所述标签包括至少一个粒度，所述用户特征获取单元53包括：粒度统计模块，用于分别计算所述标签中的至少一个维度下各粒度的出现的次数，并在每一维度下将所述次数由大到小排序；用户特征构建模块，用于分别在至少一个维度下取所述次数排序前一位或几位的粒度及其次数来构成所述用户的用户特征。

在本发明的另一实施例中，聚类单元54包括：用户群初始化模块，用于以每个用户分别作为一个用户群，并将每个用户的用户特征作为用户群特征；邻近度计算模块，用于根据用户群特征计算任意两个用户群间的邻近度，所述邻近度用于表示两个用户群之间的相似程度；用户群合并模块，用于将具有最大邻近度的两个用户群合并为一个用户群，并根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征；判断模块，用于判断用户群的数量是否大于预定用户群数量，若是，则通过所述邻近度计算模块计算任意两个用户群间的邻近度，并通过所述用户群合并模块将具有最大邻近度的两个用户群合并为一个用户群，以及根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征；若否，则将通过所述用户群合并模块得到的合并后的用户群及其用户群特征作为预定数量的用户群及其用户群特征。

其中，所述两个用户群间的邻近度可通过两个用户群特征间的余弦相似度来表示，所述余弦相似度的计算公式为：

$\cos (X,Y)=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_k{y}_k}{\left|X\right|\·\left|Y\right|},$

其中，

X表示第一用户群特征，具体为：X＝{p_k：x_k|k＝1，2，……，t}，其中，p_k为粒度，x_k为p_k的次数，t为X中包含的粒度的个数；

Y表示第二用户群特征，具体为：Y＝{q_k：y_k|k＝1，2，……，z}，其中，q_k为粒度，y_k为q_k的次数，z为Y中包含的粒度的个数；

cos(X，Y)表示X和Y间的余弦相似度；

n为t与z中的较小值；

$\begin{array}{c}\left|X\right|=\sqrt{x_1^2+x_2^2+\·\·\·x_t^2};\\ \left|Y\right|=\sqrt{y_1^2+y_2^2+\·\·\·y_z^2}.\end{array}$

在本发明的再一实施例中，用户群合并模块5233中，根据合并前的两个用户群的用户群特征计算合并后的用户群的用户群特征具体为：将合并前的两个用户群的用户群特征中的所有粒度作为合并后用户群的用户群特征中的粒度，并将合并前的两个用户群的用户群特征中各粒度次数的平均数作为合并后用户群的用户群特征中各粒度的次数。

上述各单元及模块的具体工作方式请参见本发明方法的相应步骤。

本发明音乐推荐***的实施例基于用户特征进行的聚类，以得到具有用户群特征的用户群，具有以下优点：

1、根据用户特征将用户聚类成用户群，并根据用户群特征搜索相应音乐推荐给用户群中的用户，其不仅实现了将喜好相似的用户聚类成用户群，以将用户群中其他用户感兴趣的音乐推荐给目标用户，而且充分利用音乐的标签信息，以得到用户特征，进而聚类为用户群，即充分考虑了音乐的内容信息，从而提高了音乐推荐的精度。

2、基于用户群特征对用户群中的用户进行音乐推荐，即使新上榜的音乐，也能作为推荐结果推荐给用户。

3、采用聚类技术将用户划分为多个用户群，无需分别将每个用户的历史行为记录都单独与其他用户的历史行为记录来比较以形成用户群，能够提高形成用户群的速度，进而提高了推荐速度。

请参阅图6所示，其为根据本发明另一实施例提供的音乐推荐装置的框图。该音乐推荐装置包括：接收单元51，用于获取用户对音乐的访问记录；搜索单元52，用于搜索所述访问记录中音乐的标签；用户特征获取单元53，用于通过所述标签得到所述用户的用户特征；第一音乐搜索单元61，用于搜索与所述用户特征对应的第一音乐；聚类单元54，用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；第二音乐搜索单元62，用于搜索与所述用户群特征对应的第二音乐；合并单元63，用于合并所述第一音乐和所述第二音乐，并删除其中的重复音乐，形成第三音乐；第二推荐单元64，用于将所述第三音乐推荐给所述用户。

上述各单元的具体工作方式请参见本发明方法的相应步骤。

应用本实施例提供的音乐推荐装置，在向用户推荐歌曲时，既考虑了用户所在用户群的用户群特征又考虑了用户自身的用户特征，从而实现了在具有较高音乐推荐精度的同时，又能实现对用户的个性推荐。

请参阅图7所示，其为本发明一具体实施例提供的音乐推荐***的结构示意图。该音乐推荐***包括：接收服务器71、聚类服务器72、推荐服务器73、搜索服务器74、音乐实体库75以及数据库76。

下面介绍该***中各部件的工作过程：接收服务器71获取用户对音乐的访问记录；音乐实体库75用于存储音乐及其对应的标签；聚类服务器72从音乐实体库75中搜索访问记录中音乐的标签，搜索的参数例如为音乐id或音乐名称，之后通过搜索到的标签得到用户的用户特征，并根据用户特征将多个用户聚类为预定数量的具有用户群特征的用户群，然后将得到的用户群及其用户群特征存储在数据库76中；搜索服务器74从数据库76中获取用户群及其用户群特征，并建立用户群特征及用户群之间的索引，以供后续向用户推荐时使用。

接收服务器71还作为用户与本音乐推荐***的接口，当接收服务器71接收到用户的推荐请求时，会将该推荐请求向推荐服务器73发送，其中，用户的推荐请求并不限于用户主动发出推荐请求，也可将用户的登录或者进行某种操作行为视为用户的推荐请求；推荐服务器73收到推荐请求后，向搜索服务器74发出搜索请求；搜索服务器74根据用户所属用户群搜索出用户群特征，并将给用户群特征发送给推荐服务器73；推荐服务器73根据所接受到的用户群特征从音乐实体库55中获取与用户群特征对应的音乐，然后将得到的音乐发送给接收服务器51，由接收服务器51将推荐结果提供给用户。

其中，音乐实体库75与数据库76可由一个或多个具有存储功能的存储介质实现，所述的存储介质包括：ROM/RAM(Read Only Memory/Random-Access Memory，只读存储器/随机访问内存)、磁碟或者光盘等。

另外，本领域技术人员可以理解，图7中的结构可作不脱离本发明精神的修改，例如，接收服务器、聚类服务器、推荐服务器以及搜索服务器可根据需要以一个或多个服务器来实现，并不限于分别以单独的服务器实现；而且，存储有音乐实体库和/或数据库的存储介质可根据实际需要设于一个或多个服务器上。

上述各部件的具体工作方式请参见本发明方法的相应步骤。

应用本实施例提供的音乐推荐***，在向用户推荐歌曲时，既考虑了用户所在用户群的用户群特征又考虑了用户自身的用户特征，从而实现了在具有较高音乐推荐精度的同时，又能实现对用户的个性推荐。

虽然已参照几个典型实施例描述了本发明，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施例不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims (10)

1.一种音乐推荐方法，其特征在于，包括以下步骤：

步骤S1：获取用户对音乐的访问记录；

步骤S2：搜索所述访问记录中音乐的标签；

步骤S3：通过所述标签得到所述用户的用户特征；

步骤S4：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

步骤S5：将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

2.根据权利要求1所述的音乐推荐方法，其特征在于，所述音乐具有多个用于表示音乐分类的维度，所述维度包括多个用于对维度分类的粒度；所述标签包括至少一个粒度，所述步骤S3具体为：

S31：分别计算所述标签中的至少一个维度下各粒度的出现的次数，并在每一维度下将所述次数由大到小排序；

S32：分别在所述至少一个维度下取所述次数排序前一位或几位的粒度及其次数来构成所述用户的用户特征。

3.根据权利要求2所述的音乐推荐方法，其特征在于，所述步骤S4具体为：

步骤S41：以每个用户分别作为一个用户群，并将每个用户的用户特征作为用户群特征；

步骤S42：根据用户群特征计算任意两个用户群间的邻近度，所述邻近度用于表示两个用户群之间的相似程度；

步骤S43：将具有最大邻近度的两个用户群合并为一个用户群，并根据合并前两个用户群的用户群特征计算合并后的用户群的用户群特征；

步骤S44：判断用户群的数量是否大于预定用户群数量，若是，则执行步骤S42；若否，则执行步骤S45；

步骤S45：将步骤S43得到的合并后的用户群及其用户群特征作为预定数量的用户群及其用户群特征。

4.根据权利要求3所述的音乐推荐方法，其特征在于，所述两个用户群间的邻近度通过两个用户群特征间的余弦相似度来表示，所述余弦相似度的计算公式为：

$\cos (X,Y)=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{x}_k{y}_k}{\left|X\right|\·\left|Y\right|},$

其中，

X表示第一用户群特征，具体为：X＝{p_k：x_k|k＝1，2，……，t}，其中，p_k为粒度，x_k为p_k的次数，t为X中包含的粒度的个数；

Y表示第二用户群特征，具体为：Y＝{q_k：y_k|k＝1，2，……，z}，其中，q_k为粒度，y_k为q_k的次数，z为Y中包含的粒度的个数；

cos(X，Y)表示X和Y间的余弦相似度；

n为t与z中的较小值；

$\begin{array}{c}\left|X\right|=\sqrt{x_1^2+x_2^2+\·\·\·x_t^2};\\ \left|Y\right|=\sqrt{y_1^2+y_2^2+\·\·\·y_z^2}.\end{array}$

5.根据权利要求3所述的音乐推荐方法，其特征在于，步骤S43中，根据合并前的两个用户群的用户群特征计算合并后的用户群的用户群特征具体为：将合并前的两个用户群的用户群特征中的所有粒度作为合并后用户群的用户群特征中的粒度，并将合并前的两个用户群的用户群特征中各粒度次数的平均数作为合并后用户群的用户群特征中各粒度的次数。

6.一种音乐推荐方法，其特征在于，包括以下步骤：

步骤S1A：获取用户对音乐的访问记录；

步骤S2A：搜索所述访问记录中音乐的标签；

步骤S3A：通过所述标签得到所述用户的用户特征；

步骤S4A：搜索与所述用户特征对应的第一音乐；

步骤S5A：根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

步骤S6A：搜索与所述用户群特征对应的第二音乐；

步骤S7A：合并所述第一音乐和所述第二音乐，并删除其中的重复音乐，形成第三音乐；

步骤S8A：将所述第三音乐推荐给所述用户。

7.一种音乐推荐装置，其特征在于，包括：

接收单元，用于获取用户对音乐的访问记录；

搜索单元，用于搜索所述访问记录中音乐的标签；

用户特征获取单元，用于通过所述标签得到所述用户的用户特征；

聚类单元，用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

第一推荐单元，用于将与所述用户群特征对应的音乐推荐给所述用户群中的用户。

8.根据权利要求7所述的音乐推荐装置，其特征在于，所述音乐具有多个用于表示音乐分类的维度，所述维度包括多个用于对维度分类的粒度；所述标签包括至少一个粒度，所述用户特征获取单元包括：

粒度统计模块，用于分别计算所述标签中的至少一个维度下各粒度的出现的次数，并在每一维度下将所述次数由大到小排序；

用户特征构建模块，用于分别在至少一个维度下取所述次数排序前一位或几位的粒度及其次数来构成所述用户的用户特征。

9.一种音乐推荐装置，其特征在于，包括：

接收单元，用于获取用户对音乐的访问记录；

搜索单元，用于搜索所述访问记录中音乐的标签；

用户特征获取单元，用于通过所述标签得到所述用户的用户特征；

第一音乐搜索单元，用于搜索与所述用户特征对应的第一音乐；

聚类单元，用于根据所述用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

第二音乐搜索单元，用于搜索与所述用户群特征对应的第二音乐；

合并单元，用于合并所述第一音乐和所述第二音乐，并删除其中的重复音乐，形成第三音乐；

第二推荐单元，用于将所述第三音乐推荐给所述用户。

10.一种音乐推荐***，其特征在于，包括：

接收服务器，用于获取用户对音乐的访问记录以及接收用户的推荐请求；

音乐实体库，用于存储音乐及其对应的标签；

聚类服务器，用于从所述音乐实体库中搜索访问记录中音乐的标签，之后通过搜索到的标签得到用户的用户特征，并根据用户特征将多个用户聚类为预定数量的用户群，每个用户群具有各自的用户群特征；

数据库，用于存储所述聚类服务器得到的用户群及其用户群特征；

搜索服务器，用于从所述数据库中获取用户群及其用户群特征，并建立用户群特征及用户群之间的索引；

推荐服务器，用于接收所述接收服务器发送的所述推荐请求，并向所述搜索服务器发出搜索请求；

其中，所述搜索服务器在收到所述推荐服务器发送的搜索请求后，根据用户所属用户群搜索出用户群特征，并将用户群特征发送给所述推荐服务器；所述推荐服务器从所述音乐实体库中获取与用户群特征对应的音乐，然后将得到的音乐发送给所述接收服务器，由所述接收服务器将推荐结果提供给用户。

Images