CN102890713A - 一种基于用户当前地理位置和物理环境的音乐推荐方法 - Google Patents

Abstract

本发明公开了一种基于用户当前地理位置和物理环境的音乐推荐方法，本发明一种合理的音乐推荐架构，并设计了一种用户当前位置和物理环境特征的表达结构，这种结构支持高效的向量匹配算法；同时，针对海量照片对象的空间属性与文本属性，本发明采用了支持高效***、删除、更新操作的变种空间索引结构；以此索引结构为基础，结合音乐歌词的语义性和照片具有的空间性和语义性，可供用户根据自己的当前位置和物理环境获取最佳的推荐音乐。

Description

一种基于用户当前地理位置和物理环境的音乐推荐方法

技术领域

本发明涉及空间数据库领域的索引机制与查询方法，以及信息检索领域针对海量多媒体对象的检索推荐技术，尤其涉及一种基于用户当前地理位置和物理环境的音乐推荐方法。

背景技术

在空间数据库领域，为了快速、有效地访问海量空间数据，专家学者提出了大量的空间索引方法，常见的索引方法包括网格（Grid）、四叉树（Quad-Tree）、R-索引、R*树索引、K-D-B树索引、Hilbert曲线索引。在此基础上，更提出了各种各具特色的查询及其解决方案，如近邻查询、K近邻查询、连续近邻查询、反向近邻查询、最远邻居查询、skyline查询。这些空间索引通常以层次型的结构组织空间对象，从而支持高效的空间查询。以被广泛采用的R树为例，空间上位置相近的数据点被聚类到最小包围盒里，这些最小包围盒又根据空间局部性递归的进行聚类，直到到达根节点。

在信息检索领域，常见全文搜索引擎通常采用倒排文件（Inverted File）对文档对象进行索引，倒排文件以文档关键词作为索引，文档作为索引对象建立关键词-文档映射结构。当用户输入关键词进行检索时，搜索引擎可以利用倒排文件高效地获得包含此关键词的文档集合以及关键词在各个文档中出现的次数，从而便捷计算网页文档与用户查询之间的匹配程度，并按一定的排列顺序返回查询结果。现有的检索***最常用的模型是向量空间模型，在该模型中每个文档d被映射为一个特征向量V(d)=(t₁,t₂,t₃…t_n)，其中t_i(i=1…n)为一列互不相同的Tag在文档d中的权重，在信息检索领域最常用的Tag权重计算方法为TF-IDF。使用向量空间模型就能计算任意文档和用户查询之间的匹配度，首先把用户查询转换成位于同一个文档空间的向量，然后使用诸如余弦距离等计算函数计算匹配度。

在音乐推荐领域，根据方法的不同，传统的音乐推荐***大概可以分为两类。一种是基于音乐内容（Content-Based）的，这种方法首先从用户喜欢的音乐中提取出各种特征，然后根据这些特征运用机器学习的方法判断用户对于其他音乐的喜好程度；另一种是协同过滤（Collaborative-Filtering），它假设相似的用户喜欢的音乐也是相似的，因此推荐给用户的是其他有着相似兴趣的用户所喜欢的音乐。但是大多数的推荐***并没有考虑用户当时所处的上下文环境，推荐出来的音乐并不能满足用户当时的心理需求，因为很多用户其实是根据当时所处场合、发生事件或者物理环境状况而不是歌手等来选择音乐的。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于用户当前地理位置和物理环境的音乐推荐方法。

本发明的目的是通过以下技术方案来实现的：一种基于用户当前地理位置和物理环境的音乐推荐方法，包括如下步骤：

（1）从照片网站爬取具有GPS信息的照片集；

（2）从音乐网站爬取包含歌词等相关信息的音乐集；

（3）对步骤1）得到的具有GPS信息照片集建立空间索引，在此过程中对每张照片的原始Tag集进行分词处理得到规范的照片Tag集；

（4）对步骤2）得到的包含歌词等相关信息音乐集建立存储索引，在此过程中对每首歌曲的歌词进行分词得到对应的音乐Tag集和相应的音乐文档向量；

（5）分析文档集得到一个Tag相似度矩阵；

（6）通过查询步骤5）得到的Tag相似度矩阵将步骤3）得到的每张照片的Tag集转换成位于音乐文档向量空间的照片文档向量；

（7）将步骤4）得到的音乐文档向量和步骤6）得到的照片文档向量用TF-IDF权重计算方式转换成带权音乐文档向量和带权照片文档向量；

（8）客户端接收用户的当前位置信息和物理环境信息，传递给服务器进行计算；

（9）服务器根据从步骤8）得到的用户位置信息通过步骤3）建立的照片集索引查询出用户位置包含的所有照片得到位置相关照片集，同时对从步骤8）得到的物理环境信息进行加强得到代表用户当前物理环境的带权Tag集；

（10）使用步骤9）得到的代表用户物理环境的带权Tag集对音乐进行过滤得到候选音乐集；

（11）根据步骤9）得到的位置相关照片集所包含的照片Tag集计算出代表用户位置的带权文档向量，并用向量相似度计算方法计算出和其最匹配的K首音乐；

（12）基于步骤9）得到的位置相关照片集所包含的照片Tag集计算出相应的标签云，最后将查询出的K首音乐和生成的标签云返回给客户端。

本发明具有的有益效果是：提出了一种合理的音乐推荐架构，并设计了一种用户当前位置和物理环境特征的表达结构，这种结构支持高效的向量匹配算法。同时，针对海量照片对象的空间属性与文本属性，采用了支持高效***、删除、更新操作的变种空间索引结构。以此索引结构为基础，结合音乐歌词的语义性和照片具有的空间性和语义性，可供用户根据自己的当前位置和物理环境获取最佳的推荐音乐。

附图说明

图1是本发明实施步骤流程图；

图2是根据用户当前位置查询照片集的索引图。

具体实施方式

下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。

如图1所示，本发明基于用户当前地理位置和物理环境的音乐推荐方法具体包含如下实施步骤：

步骤1：从照片网站爬取具有GPS信息的照片集。

爬取数据的流程中照片网站提供的API单张照片访问速度太慢（按照照片ID依次爬取），而照片的需求量是几千万甚至上亿，本发明采用二分法探测最适宜的一次爬取照片数量，然后批量下载照片（批量下载某个地区的所有照片），大大降低网络IO的访问，比如从www.flickr.com爬取照片的速度可以达到1秒钟爬取2000张照片，在所有照片下载完成之后最后进行数据清洗，保证每张照片只留一份对应数据，并剔除掉没有GPS坐标的照片，最后形成了一个拥有6000多万张具有GPS信息的照片的数据库。

步骤2：从音乐网站爬取包含歌词等相关信息的音乐集。

以www.lyrics.com网站的爬取为例，每首音乐都对应了一个html文件，使用正则语言分析html文件可以得到每首音乐对应的歌手名、歌曲名以及歌词。使用多线程加速，最后收集了一个包含了十几万首音乐的音乐数据库。

步骤3：对步骤1得到的具有GPS信息照片集建立空间索引，在此过程中对每张照片的原始Tag集进行分词处理得到规范的照片Tag集。

由于照片数据量过于庞大，需要先对所有的照片进行预处理，提取出照片对应的GPS坐标以及照片ID、评论数、URL、Tag集等等。然后根据GPS坐标***到维护所有照片的空间索引中，比如以R-TREE为例（可以采用其他空间索引），R-TREE当中维护了每张照片的GPS坐标以及照片的ID，而照片的其余信息都存放在磁盘上。不论用户的位置信息表达为矩形还是圆形都可以通过层序遍历R-TREE节点做矩形或圆形求交运算获得该区域内的所有照片的数据。

以图2为例来进行说明。为方便说明，空间索引采用R-TREE，图中的各个矩形就是R-TREE层次中的MBR（最小包围矩形），内部节点包含下一层中的各个MBR，依次递归包含。叶子节点中存储了位于叶节点MBR内的所有照片的GPS地理坐标和相应的照片ID，图中每个小点代表一张照片。图中的虚线矩形表示用户当前的位置矩形，在查询的时候该位置矩形内所包含的照片组成了代表用户位置信息的照片集（图中用黑色小点表示这些照片），然后我们通过该照片集到磁盘上取得这些照片的Tag集合以及相应的其他诸如评论、上传时间等等信息。

某些返回的照片Tag有可能是由若干真正的Tag拼接而成，采用AC自动机(Aho-Corasick string matching algorithm)将这些拼接而成的Tag分词，得到照片对应的规范的Tag集。比如服务器返回的是字符串BeautifulBuildingOfUSA，将它拆分为Beautiful, Building, Of, USA。

 步骤4: 对步骤2得到的包含歌词等相关信息音乐集建立存储索引，在此过程中对每首歌曲的歌词进行分词得到对应的音乐Tag集和相应的音乐文档向量。

音乐信息按照音乐ID顺序存放在磁盘里，内存中开辟一个缓冲区存放一定比例的连续音乐信息，音乐信息的访问是按序的，每当需要访问下一部分的音乐信息时清空缓冲区，重新从磁盘读入下一部分的音乐信息。

通过英文分词技术将每首音乐的歌词进行分词得到对应的音乐Tag集。

把所有歌词集里出现的每个不同的Tag看作一个维度，每首音乐看作一个文档，把音乐表示成这个多维空间中的一个向量，每个维度上的值就是对应Tag在该首音乐中出现的次数。

步骤5：分析文档集得到一个Tag相似度矩阵。

先分析文档集比如***、大英词典中出现的所有英文文章，用一个滑动窗口得到Tag对之间的共生次数，然后用LIN氏理论信息值为每个Tag计算一个分布相似度向量，然后通过多次迭代最后产生一个类似LSA矩阵的相似度矩阵，其中每一行表示一个Tag和其他Tag的相似度向量，每一项就是两个Tag之间的相似度，并按递减顺序排列。这样可以快速取得和每个Tag最相似的Tag。

为了方便每个Tag最相似Tag的查询，预先计算好每个Tag最相似的若干Tag并按照从高到低的顺序排列，生成一个相似矩形，存放于磁盘中，在程序运行期间加载到内存中。

步骤6：通过查询步骤5得到的Tag相似度矩阵将步骤3得到每张照片的Tag集转换成位于音乐文档向量空间的照片文档向量。

在音乐匹配过程中需要计算音乐和一个照片Tag集合之间的相似度，但是本质上照片Tag集和音乐Tag集（歌词分词后得到）是处于两个不同空间上的数据，要计算形似度就需要将它们转化到同一个空间中进行计算。方法是对于照片的每一个Tag  x计算出音乐Tag集中和它最相似的Tag y，并用y代替x。

比如如果要将照片中出现的Tag x转换到一个音乐Tag集中出现过的tag的话，首先将歌曲中出现的所有Tag放到一个哈希表中，然后在Tag相似度矩阵中x对应的数据行中从前往后扫描与x最相似的Tag查看是否出现在音乐Tag集的哈希表中，若找到则退出，否则x没有对应的音乐Tag，也就不用考虑了。

处理完成之后，按照和步骤4类似的方法将每张照片的Tag集转换成一个处于音乐向量空间的照片文档向量。

步骤7：将步骤4得到的音乐文档向量和步骤6得到的照片文档向量用TF-IDF权重计算方式转换成带权音乐文档向量和带权照片文档向量。

对于音乐文档向量和照片文档向量中出现的任何一个Tag计算出它所处文档向量中它中出现的次数（TF）以及在整个文档向量集中包含有它的文档向量的个数（DF）并得到IDF值，根据TF和IDF值计算出该Tag在所处文档向量中对应的TF-IDF值。

对每个文档向量中的每个Tag都按照上述的步骤处理之后得到带权音乐文档向量和带权照片文档向量。

步骤8：客户端接收用户的当前位置信息和物理环境信息，传递给服务器进行计算。

用户通过客户端指定她所处的当前位置（可以是矩形或者圆形，长宽和半径都可更改，矩形和圆形的坐标都用经纬度表示），并选择自己的心情（通过文字选择或者图形化选择）和代表心情强烈程度的权重值（1到100），客户端同时计算出其他诸如天气状况，时间等等物理环境信息，客户端将这些信息传递给服务器。

步骤9：服务器根据从步骤8得到的用户位置信息通过步骤3建立的照片集索引查询出用户位置包含的所有照片得到位置相关照片集，同时对从步骤8得到的物理环境信息进行加强得到代表用户当前物理环境的带权Tag集。

按照递归查询的方法从照片空间索引中查询出用户位置包含的所有照片信息集。

用户的物理环境包括天气状况，时间，心情等等，其中用户心情表达为一个Tag和对应的权重（1到100），权重越高表示用户当前的物理环境越强烈，并通过WordNet-Affect对用户当前的物理环境进行扩展：和用户当前物理环境类似的情绪的Tag都被加入到表达用户的物理环境带权Tag集里。

步骤10：使用步骤9得到的代表用户物理环境的带权Tag集对音乐进行过滤得到候选音乐集。

对于代表用户物理环境的带权Tag集中的每一个Tag，根据它对应的权值计算出一个等比例的0-1之间的阈值，使用步骤5中得到的Tag相似度矩阵可以求得任何一首音乐中和它最相似的Tag以及对应的相似度。对于任何一首音乐，如果这个带权Tag集中任何一个Tag在该首音乐中最相似的Tag相似度没有超过对应的阈值就将这首音乐过滤掉，在音乐匹配过程中就不再考虑。

步骤11：根据步骤9得到的位置相关照片集所包含的照片Tag集计算出代表用户位置的带权文档向量，并用向量相似度计算方法计算出和其最匹配的K首音乐；

       和步骤7中计算带权照片向量的方法类似计算出代表用户位置的带权文档向量V，V和所有音乐文档向量一样均处于同一个向量空间中，任何一个音乐文档向量M和V之间的相似度计算采用余弦距离公式，描述如下：（可以采用其他的向量相似度计算公式）：

       假设V的向量形式如下：                                                

；

       音乐文档向量M形式如下：；

       其中，n是向量的维数。

它们之间的相似度计算如下：

      

。

若用户请求的是前K首最匹配的音乐，维护一个容量为K的最小堆，在每首音乐的匹配分数计算完毕之后相应地更新最小堆的内容，即若该首音乐得分高于最小堆中分数最低的音乐就删除堆顶音乐而***该首音乐，最后最小堆里记录的就是匹配度最高的K首音乐。

步骤12：基于步骤9得到的位置相关照片集所包含的照片Tag集计算出相应的标签云，最后将查询出的K首音乐和生成的标签云返回给客户端。

Claims (1)

1.一种基于用户当前地理位置和物理环境的音乐推荐方法，其特征在于，包括如下步骤：

（1）从照片网站爬取具有GPS信息的照片集；

（2）从音乐网站爬取包含歌词等相关信息的音乐集；

（3）对步骤1）得到的具有GPS信息照片集建立空间索引，在此过程中对每张照片的原始Tag集进行分词处理得到规范的照片Tag集；

（4）对步骤2）得到的包含歌词等相关信息音乐集建立存储索引，在此过程中对每首歌曲的歌词进行分词得到对应的音乐Tag集和相应的音乐文档向量；

（5）分析文档集得到一个Tag相似度矩阵；

（6）通过查询步骤5）得到的Tag相似度矩阵将步骤3）得到的每张照片的Tag集转换成位于音乐文档向量空间的照片文档向量；

（7）将步骤4）得到的音乐文档向量和步骤6）得到的照片文档向量用TF-IDF权重计算方式转换成带权音乐文档向量和带权照片文档向量；

（8）客户端接收用户的当前位置信息和物理环境信息，传递给服务器进行计算；

（9）服务器根据从步骤8）得到的用户位置信息通过步骤3）建立的照片集索引查询出用户位置包含的所有照片得到位置相关照片集，同时对从步骤8）得到的物理环境信息进行加强得到代表用户当前物理环境的带权Tag集；

（10）使用步骤9）得到的代表用户物理环境的带权Tag集对音乐进行过滤得到候选音乐集；

（11）根据步骤9）得到的位置相关照片集所包含的照片Tag集计算出代表用户位置的带权文档向量，并用向量相似度计算方法计算出和其最匹配的K首音乐；

（12）基于步骤9）得到的位置相关照片集所包含的照片Tag集计算出相应的标签云，最后将查询出的K首音乐和生成的标签云返回给客户端。

Images