CN104573105A - 一种音乐点播网络中热门歌曲、歌星的推荐方法 - Google Patents

Abstract

本发明公布了一种音乐点播网络中热门歌曲、歌星的推荐方法。发明考虑到音乐网络中的每个节点未来的热度应该符合该节点历史热度的变化规律，同时不同类型节点热度间保持一定相互关系，发明通过函数模型预测阶段和协同调节阶段来得到歌曲和歌星未来的热度，并据此推荐排在前面的歌曲和歌星，函数模型预测阶段设计了节点历史热度时间序列的函数模型，用于初步预测节点未来的热度，协同调节阶段统计音乐点播网络中不同关系边的平均边介数，计算调节因子用于调节函数模型预测阶段得到的初步未来热度。此方法不仅考虑节点历史热度信息还考虑了不同类型节点热度间的关系，从而提高节点未来热度排序的预测结果，提高歌星和歌曲的推荐质量。

Description

一种音乐点播网络中热门歌曲、歌星的推荐方法

技术领域

本发明提供了一种音乐点播网络中热门歌曲、歌星的推荐方法，涉及网络技术领域。

背景技术

随着互联网技术的发展，越来越多的音乐网站出现，其中为用户推荐近期热门歌曲和歌星是一个十分重要的应用，目前大部分的推荐方法都是根据歌曲或歌星的不同信息设计推荐方法，如一首歌曲的点击量；但并没有将这些不同实体置于同一个网络中综合考虑，分析不同实体热度间的关系；同时推荐结果比较单一，多为当前时刻点击量大的歌曲或者歌星，而没有考虑到一些歌曲或者歌星将会降温，或者新出现的歌曲在未来会变热，因此传统方法对近期热门歌曲和歌星的推荐效果不尽理想。

发明内容

本发明针对目前热门歌曲、歌星的推荐方法存在的问题提出了一种音乐点播网络中热门歌曲、歌星的推荐方法。

本发明的具体技术方案如下：

A.从音乐点播历史数据中获取音乐点播网络，抽取出音乐点播网络的极小网络模式；

B.设置t0为预定时间段的初始时刻，抽取出从t0时刻到该预定时间段内不同时刻的音乐点播网络的拓扑结构，计算每个时刻网络拓扑中每个节点的热度，得到每个节点的热度时间序列。

C.通过函数建模预测阶段初步预测音乐点播网络中每个节点的未来热度；

D.通过协同调节阶段调节函数建模预测阶段得到的不同类型节点的未来热度，根据最终得到的音乐网络中歌曲节点和歌星节点的未来热度排名为所有用户推荐热门歌曲和歌星；

步骤A中，音乐点播网络包括用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种类型的节点，节点间边表示这节点间的不同关系，这些关系可能是用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系、歌星间的合作演唱关系、曲作者间合作创作关系等。从以下对信息网络及同构和异构信息网络的定义可以看出音乐点播网络是一种异构信息网络。

一个信息网络被定义为一个有向图G＝(V,E)以及节点类型函数τ:V→A和连接边类型函数φ:E→R。其中，每个节点v∈V的节点类型τ(v)∈A；每条边e∈E的边类型φ(e)∈R。当|A|>1或者|R|>1时，该网络为异构型信息网络，否则为同构型信息网络。

从音乐点播网络中的所有关系可以看出如合作演唱关系可以由两个歌曲-歌星演唱关系复合而成，这类关系为间接关系；而语义上不可分割的关系如歌曲-歌星演唱关系为直接关系；剔除间接关系保留直接关系可以得到极小的音乐点播网络，其中的直接关系包括用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系；

步骤B中根据如下步骤计算音乐点播网络中的用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种类型节点的热度：

B1.获取从初始时刻t0到ti时刻间所有的四种类型节点构成的音乐点播网络为ti时刻的网络拓扑结构；

B2.分别计算代表歌曲-用户间被点播关系、歌曲-歌星间被演唱关系、歌曲-曲作者间的被创作关系的边的边介数的平均值，分别表示为C_so,u，C_so,si，C_so,o；一条边的边介数定义为网络中经过该边的最短路径数目占所有最短路径数目的比例。边介数可以描述边对信息流动的影响，本文的“热度的传播”本质上是一种“信息的流动”，因此我们用每种类型边的平均边介数可以用来衡量不用类型节点热度间的相互关系。λ_u,soλ_so,uλ_si,soλ_so,siλ_o,soλ_so,u分别表示歌曲-用户间点播和被点播关系、歌曲-歌星间演唱和被演唱关系、歌曲-曲作者间创作和被创作关系的调节因子，不同关系的调节因子之间的比例与边介数比例相等，同时相同类型节点为起点的关系的调节因子的和为1，所有关系的调节因子的计算公式如下：

$\left\{\begin{array}{c}{\mathrm{\λ}}_{\mathrm{so},\mathrm{si}}+{\mathrm{\λ}}_{\mathrm{so},o}+{\mathrm{\λ}}_{\mathrm{so},u}=1\\ {\mathrm{\λ}}_{\mathrm{so},\mathrm{si}}:{\mathrm{\λ}}_{\mathrm{so},o}:{\mathrm{\λ}}_{\mathrm{so},u}=C_{\mathrm{so},\mathrm{si}}:C_{\mathrm{so},o}:C_{\mathrm{so},u}\\ {\mathrm{\λ}}_{o,\mathrm{so}}=1\\ {\mathrm{\λ}}_{u,\mathrm{so}}=1\\ {\mathrm{\λ}}_{\mathrm{si},\mathrm{so}}=1\end{array}\right.$

B3.计算音乐点播网络中每对节点间的转移概率，从节点i到节点j的转移概率为：其中λ_typei,typej是i节点类型到j节点类型的调节因子，Num(i,typej)表示节点i到类型为typej的节点的边的数量；

B4.设定长度为N的向量Tem，N为音乐点播网络中节点的总数，Tem中的值为音乐点播网络中每个节点的热度，通过公式Tem＝Tem*TPM迭代更新Tem，直到前后两次的Tem值相近为止。

步骤C中，函数建模预测阶段利用的函数模型为其中 表示节点j在t时刻的热度，然后通过音乐点播网络中用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种节点类型的每一个节点的热度时间序列训练得到各个节点的函数模型的参数(λ_j，μ_j，ο_j)，最后用得到的函数模型初步预测节点未来的热度；

步骤D中，协同调节阶段的步骤如下：

D1.设置函数模型预测阶段得到每个节点的初步热度为初始热度值；

D2.根据歌曲和用户的热度值更新用户的热度值，更新公式如下：

${\mathrm{Iu}}_i=(1-\mathrm{\η})*{\mathrm{Iu}}_i+\mathrm{\η}*({\mathrm{\λ}}_{\mathrm{so},u}\underset{{\mathrm{so}}_j\∈\mathrm{SO}\left(u_i\right)}{\mathrm{\Σ}}\mathrm{Is}{o}_j/|\mathrm{SO}\left(u_i\right)\left|\right)$

其中Iu_i表示曲作者节点u_i的热度，Iso_i表示歌曲节点so_i的热度，SO(u_i)表示用户u_i点播的歌曲的集合，1‐η表示更新值中函数模型预测阶段得到的初步热度所占的比例；

D3.根据歌曲和歌星的热度值更新歌星的热度值，更新公式如下：

${\mathrm{Isi}}_i=(1-\mathrm{\η})*{\mathrm{Isi}}_i+\mathrm{\η}*({\mathrm{\λ}}_{\mathrm{so},\mathrm{si}}\underset{{\mathrm{so}}_j\∈\mathrm{SO}\left({\mathrm{si}}_i\right)}{\mathrm{\Σ}}\mathrm{Is}{o}_j/|\mathrm{SO}\left({\mathrm{si}}_i\right)\left|\right)$

其中Isi_i表示歌星节点si_i的热度，SO(si_i)表示歌星si_i演唱的歌曲的集合；

D4.根据歌曲和曲作者热度值更新曲作者的热度值，更新公式如下：

${\mathrm{Ioi}}_i=(1-\mathrm{\η})*{\mathrm{Ioi}}_i+\mathrm{\η}*({\mathrm{\λ}}_{\mathrm{so},o}\underset{{\mathrm{so}}_j\∈\mathrm{SO}\left(o_i\right)}{\mathrm{\Σ}}\mathrm{Is}{o}_j/|\mathrm{SO}\left(o_i\right)\left|\right)$

其中Io_i表示曲作者节点o_i的热度，SO(o_i)表示曲作者o_i创作的歌曲的集合；

D5.根据歌星、曲作者、用户和歌曲的热度值更新歌曲的热度值，更新公式如下：

${\mathrm{Iso}}_i=(1-\mathrm{\η})*{\mathrm{Iso}}_i+\mathrm{\η}*({\mathrm{\λ}}_{\mathrm{si},\mathrm{so}}\underset{{\mathrm{si}}_j\∈\mathrm{SI}\left({\mathrm{so}}_i\right)}{\mathrm{\Σ}}\mathrm{Is}{i}_j/|\mathrm{SI}\left({\mathrm{so}}_i\right)|+{\mathrm{\λ}}_{o,\mathrm{so}}\underset{o_j\∈O\left({\mathrm{so}}_i\right)}{\mathrm{\Σ}}{\mathrm{Io}}_j/|O\left({\mathrm{so}}_i\right)|+{\mathrm{\λ}}_{u,\mathrm{so}}\underset{u_j\∈U\left({\mathrm{so}}_i\right)}{\mathrm{\Σ}}{\mathrm{Iu}}_j/|U\left({\mathrm{so}}_i\right)\left|\right)$

其中SI(so_i)表示歌曲so_i的演唱歌星的集合，O(so_i)表示歌曲so_i的曲作者的集合，U(so_i)表示歌曲so_i的点播用户的集合。

D6.重复C3至C6步骤直到前后两次计算的未来热度变化不大。

本发明考虑到音乐网络中的每个节点未来的热度应该符合该节点历史热度的变化规律，同时不同类型节点热度间保持一定相互关系，本发明通过函数模型预测阶段和协同调节阶段来得到歌曲和歌星未来的热度，并据此推荐排在前面的歌曲和歌星，函数模型预测阶段设计了节点历史热度时间序列的函数模型，用于初步预测节点未来的热度，协同调节阶段统计音乐点播网络中不同关系边的平均边介数，计算调节因子用于调节函数模型预测阶段得到的初步未来热度。此方法不仅考虑节点历史热度信息还考虑了不同类型节点热度间的关系，从而提高节点未来热度排序的预测结果，提高歌星和歌曲的推荐质量。

附图说明

图1是本发明一种音乐点播网络中热门歌曲、歌星的推荐方法的流程图

图2是音乐点播网络的网络模式。

图3是音乐点播网络的一个实例。

具体实施方式

下面通过实例对本发明做进一步的说明，但是需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

参见图1，为本发明一种音乐点播网络中热门歌曲、歌星的推荐方法的一个实施例的流程图，该方法包括如下步骤：

A.获取音乐点播应用的用户点播记录，抽取相关数据，获得包括用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种类型的节点，此数据中的这些实体间存在关系有：用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系、歌星间的合作演唱关系。

一个信息网络被定义为一个有向图G＝(V,E)以及节点类型函数τ:V→A和连接边类型函数φ:E→R。其中，每个节点v∈V的节点类型τ(v)∈A；每条边e∈E的边类型φ(e)∈R。当|A|>1或者|R|>1时，该网络为异构型信息网络，否则为同构型信息网络，因此数据中包括三种类型节点，所以由此数据生成的音乐点播网络是一种异构信息网络。

网络模式是网络的一个元模板，其中节点代表网络的节点类型，边代表点之间关系，音乐点播网络模式中节点为音乐点播网络的四种节点类型，分别为用户(u)，歌曲(so)，歌星(si)，曲作者(o)，边代表点之间的关系，分别为用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系、歌星间的合作演唱关系。由于歌星间的合作演唱关系可以歌星-歌曲间演唱和被演唱关系复合而成(简写成si-so-si)，所以从网络模式中去除歌星间的合作演唱关系，最终抽取的最小的音乐点播网络的网络模式如图2所示，包括4种节点，分别为用户(u)，歌曲(so)，歌星(si)，曲作者(o)和6种关系，分别为用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系。

最后根据最小的音乐点播网络的网络模式生成的一个音乐点播网络的例子如图3所示。

B.设置t0为预定时间段的初始时刻，抽取出从t0时刻到该预定时间段内不同时刻的音乐点播网络的拓扑结构，计算每个时刻网络拓扑中每个节点的热度，得到每个节点的热度时间序列。

B1.抽取数据中10个星期用户点播音乐的数据，形成10个网络拓扑结构，分别为从第1个星期到第i(i<11)个星期所有上线并且有点播歌曲的用户，以及这些用户点播的歌曲及歌曲的演唱歌星、曲作者构成的音乐点播网络，第i个网络拓扑结构记作Gi。则网络拓扑结构序列记作G＝{G0…Gi…G10}。

B2.抽取包括1个月相关数据的音乐点播网络，基于此数据分别计算代表歌曲-用户间被点播关系、歌曲-歌星间被演唱关系、歌曲-曲作者间的被创作关系边介数，分别记作C_so,u，C_so,si，C_so,o。

一条边的边介数定义为网络中经过该边的最短路径数目占所有最短路径数目的比例，记作C_e。边介数可以描述边对信息流动的影响，本文的“热度的传播”本质上是一种“信息的流动”，因此我们用每种类型边的平均边介数可以用来衡量不用类型节点热度间的相互关系。关系R_i的边介数定义如下：

$C_{R_i}=\underset{e\&Element;E\&cap;\mathrm{\&phi;}\left(e\right)\&Element;R_i}{\mathrm{\&Sigma;}}{C}_e/\left|\right\{l|l\&Element;E\&cap;\mathrm{\&phi;}\left(l\right)\&Element;R_i\}|$

其中C_e表示边e的边介数，表示R_i的边介数，|{l|l∈E∩φ(l)∈R_i}|，表示类型为R_i的边的总数量。

λ_u,soλ_so,uλ_si,soλ_so,siλ_o,soλ_so,u分别表示歌曲-用户间点播和被点播关系、歌曲-歌星间演唱和被演唱关系、歌曲-曲作者间创作和被创作关系的调节因子，通过不同类型边的平均边介数可以得到所有关系调节因子，公式如下：

$\left\{\begin{array}{c}{\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}+{\mathrm{\&lambda;}}_{\mathrm{so},o}+{\mathrm{\&lambda;}}_{\mathrm{so},u}=1\\ {\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}:{\mathrm{\&lambda;}}_{\mathrm{so},o}:{\mathrm{\&lambda;}}_{\mathrm{so},u}=C_{\mathrm{so},\mathrm{si}}:C_{\mathrm{so},o}:C_{\mathrm{so},u}\\ {\mathrm{\&lambda;}}_{o,\mathrm{so}}=1\\ {\mathrm{\&lambda;}}_{u,\mathrm{so}}=1\\ {\mathrm{\&lambda;}}_{\mathrm{si},\mathrm{so}}=1\end{array}\right.$

B3.给定第i个音乐点播网络的网络拓扑结构Gi后，计算该网络拓扑结构中每一条边的转移概率，从节点i到节点j的转移概率为：其中λ_typei,typej是i节点类型到j节点类型的调节因子，Num(i,typej)表示节点i到类型为typej的节点的边的数量；

B4.设定长度为N的向量Tem，N为网络拓扑结构Gi中节点的总数，Tem中的值为Gi中每个节点的热度，通过公式Tem＝Tem*TPM迭代更新Tem，直到前后两次的Tem值相近为止，最终Tem中的值为网络拓扑结构Gi中节点的热度。

计算G＝{G0…Gi…G10}网络拓扑结构的热度后，便可得到每个节点j的热度时间序列，记作 $I_t^j=\{I_{t_1}^j,I_{t_2}^j,...I_{t_i}^j...,I_{t_n}^j\},\mathrm{tn}=10.$

C.函数建模预测阶段中，对于音乐点播网络中的一个节点j，利用函数模型为 $I_t^j=e^{{\mathrm{\&lambda;}}_j*\mathrm{\&Phi;}\left(\frac{\ln t-{\mathrm{\&mu;}}_j}{o_j}\right)}-1$ 拟合节点j的热度时间序列 $I_t^j=\{I_{t_1}^j,I_{t_2}^j,...I_{t_i}^j...,I_{t_n}^j\},$ 其中 $\mathrm{\&Phi;}\left(x\right)={\&Integral;}_{-\&infin;}^x{e}^{-y^2/2}\mathrm{dy},$ 训练得到节点j的函数模型的参数(λ_j，μ_j，ο_j)，取t_n+1＝13，用得到的函数模型初步预测节点j未来三周的热度；

D.得到t_n+1＝13所有节点的热度之后，为了调节函数模型预测阶段预测可能出现的偏差，通过以下协同调节阶段对不同类型节点初步未来热度进行协同调节：

D1.设置函数模型预测阶段得到每个节点的初步热度为初始热度值；

D2.根据歌曲和用户的热度值更新用户的热度值，更新公式如下：

${\mathrm{Iu}}_i=(1-\mathrm{\&eta;})*{\mathrm{Iu}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},u}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left(u_i\right)}{\mathrm{\&Sigma;}}\mathrm{Is}{o}_j/|\mathrm{SO}\left(u_i\right)\left|\right)$

其中Iu_i表示曲作者节点u_i的热度，Iso_i表示歌曲节点so_i的热度，SO(u_i)表示用户u_i点播的歌曲的集合；

D3.根据歌曲和歌星的热度值更新歌星的热度值，更新公式如下：

${\mathrm{Isi}}_i=(1-\mathrm{\&eta;})*{\mathrm{Isi}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left({\mathrm{si}}_i\right)}{\mathrm{\&Sigma;}}\mathrm{Is}{o}_j/|\mathrm{SO}\left({\mathrm{si}}_i\right)\left|\right)$

其中Isi_i表示歌星节点si_i的热度，SO(si_i)表示歌星si_i演唱的歌曲的集合；

D4.根据歌曲和曲作者热度值更新曲作者的热度值，更新公式如下：

${\mathrm{Ioi}}_i=(1-\mathrm{\&eta;})*{\mathrm{Ioi}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},o}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left(o_i\right)}{\mathrm{\&Sigma;}}\mathrm{Is}{o}_j/|\mathrm{SO}\left(o_i\right)\left|\right)$

其中Io_i表示曲作者节点o_i的热度，SO(o_i)表示曲作者o_i创作的歌曲的集合；

D5.根据歌星、曲作者、用户和歌曲的热度值更新歌曲的热度值，更新公式如下：

${\mathrm{Iso}}_i=(1-\mathrm{\&eta;})*{\mathrm{Iso}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{si},\mathrm{so}}\underset{{\mathrm{si}}_j\&Element;\mathrm{SI}\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}\mathrm{Is}{i}_j/|\mathrm{SI}\left({\mathrm{so}}_i\right)|+{\mathrm{\&lambda;}}_{o,\mathrm{so}}\underset{o_j\&Element;O\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Io}}_j/|O\left({\mathrm{so}}_i\right)|+{\mathrm{\&lambda;}}_{u,\mathrm{so}}\underset{u_j\&Element;U\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Iu}}_j/|U\left({\mathrm{so}}_i\right)\left|\right)$

其中SI(so_i)表示歌曲so_i的演唱歌星的集合，O(so_i)表示歌曲so_i的曲作者的集合，U(so_i)表示歌曲so_i的点播用户的集合。

D6.重复C3至C6步骤直到前后两次计算的未来热度变化不大。

通过以上步骤得到音乐点播网络中每个节点的未来热度后，对歌曲和歌星类型的节点的热度分别进行排名，然后取未来热度排名在前20的歌曲和歌星为最热门的歌曲和歌星，推荐给所有用户。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种音乐点播网络中热门歌曲、歌星的推荐方法，其特征在于：步骤包括如下：

A.从音乐点播历史数据中获取音乐点播网络，抽取出音乐点播网络的网络模式；

B.设置t0为预定时间段的初始时刻，抽取出从t0时刻到该预定时间段内不同时刻的音乐点播网络的拓扑结构，计算每个时刻网络拓扑中每个节点的热度，得到每个节点的热度时间序列；

C.通过函数建模预测阶段初步预测音乐点播网络中每个节点的未来热度；

D.通过协同调节阶段调节函数建模预测阶段得到的不同类型节点的未来热度，根据最终得到的音乐网络中歌曲节点和歌星节点的未来热度排名为所有用户推荐热门歌曲和歌星。

2.根据权利要求1所述的音乐点播网络中热门歌曲、歌星的推荐方法，其特征在于：步骤A中，音乐点播网络的网络模式是音乐点播网络的一个元模板，其中节点代表音乐点播网络的四种节点类型，分别为用户(u)，歌曲(so)，歌星(si)，曲作者(o)，边代表点之间的关系，这些关系包括：用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系、歌星间的合作演唱关系、曲作者间合作创作关系等，抽取出最小的音乐点播网络的网络模式方法为：抽取出可能关系中的直接关系，去掉其中的间接关系之后的网络模式，直接关系为语义上无法由其它关系复合而成的关系，间接关系为语义上由直接关系复合而成的关系，最终的最小的音乐点播网络的网络模式包括4种直接关系：用户-歌曲间点播和被点播关系、歌星-歌曲间演唱和被演唱关系、曲作者-歌曲间的创作和被创作关系。

3.根据权利要求1所述的音乐点播网络中热门歌曲、歌星的推荐方法，其特征在于：步骤B中，根据如下步骤计算音乐点播网络中的用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种类型节点的热度：

B1.获取从初始时刻t0到ti时刻间所有的四种类型节点构成的音乐点播网络为ti时刻的网络拓扑结构；

B2.分别计算代表歌曲-用户间被点播关系、歌曲-歌星间被演唱关系、歌曲-曲作者间的被创作关系的边的边介数的平均值，分别表示为C_so,u，C_so,si，C_so,o；λ_u,soλ_so,uλ_si,soλ_so,siλ_o,soλ_so,u分别表示歌曲-用户间点播和被点播关系、歌曲-歌星间演唱和被演唱关系、歌曲-曲作者间创作和被创作关系的调节因子，并通过以下公式得到所有关系的调节因子：

$\left\{\begin{array}{c}{\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}+{\mathrm{\&lambda;}}_{\mathrm{so},o}+{\mathrm{\&lambda;}}_{\mathrm{so},u}=1\\ {\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}:{\mathrm{\&lambda;}}_{\mathrm{so},o}:{\mathrm{\&lambda;}}_{\mathrm{so},u}=C_{\mathrm{so},\mathrm{si}}:C_{\mathrm{so},o}:C_{\mathrm{so},u}\\ {\mathrm{\&lambda;}}_{o,\mathrm{so}}=1\\ {\mathrm{\&lambda;}}_{u,\mathrm{so}}=1\\ {\mathrm{\&lambda;}}_{\mathrm{si},\mathrm{so}}=1\end{array}\right.$

B3.计算音乐点播网络中每对节点间的转移概率，从节点i到节点j的转移概率为： ${\mathrm{TPM}}_{i,j}=(1-\mathrm{\&epsiv;})*{\mathrm{\&lambda;}}_{\mathrm{typei},\mathrm{typej}}*\frac{1}{\mathrm{Num}(i,\mathrm{typej})}+\frac{\mathrm{\&epsiv;}}{N},$ 其中λ_typei,typej是i节点类型到j节点类型的调节因子，Num(i,typej)表示节点i到类型为typej的节点的边的数量；

B4.设定长度为N的向量Tem，N为音乐点播网络中节点的总数，Tem中的值为音乐点播网络中每个节点的热度，通过公式Tem＝Tem*TPM迭代更新Tem，直到前后两次的Tem值相近为止。

4.根据权利要求1所述的音乐点播网络中热门歌曲、歌星的推荐方法，其特征在于：步骤C中，函数建模预测阶段利用的函数模型为其中 表示节点j在t时刻的热度，然后通过音乐点播网络中用户(u)，歌曲(so)，歌星(si)，曲作者(o)四种节点类型的每一个节点的热度时间序列训练得到各个节点的函数模型的参数(λ_j，μ_j，ο_j)，最后用得到的函数模型初步预测节点未来的热度。

5.根据权利要求1所述的音乐点播网络中热门歌曲、歌星的推荐方法，其特征在于：步骤D中，协同调节阶段的步骤如下：

D1.设置函数模型预测阶段得到每个节点的初步热度为初始热度值；

D2.根据歌曲和用户的热度值更新用户的热度值，更新公式如下：

${\mathrm{Iu}}_i=(1-\mathrm{\&eta;})*{\mathrm{Iu}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},u}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left(u_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Iso}}_j/|\mathrm{SO}\left(u_i\right)\left|\right)$

其中Iu_i表示曲作者节点u_i的热度，Iso_i表示歌曲节点so_i的热度，SO(u_i)表示用户u_i点播的歌曲的集合；

D3.根据歌曲和歌星的热度值更新歌星的热度值，更新公式如下：

${\mathrm{Isi}}_i=(1-\mathrm{\&eta;})*{\mathrm{Isi}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},\mathrm{si}}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left({\mathrm{si}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Iso}}_j/|\mathrm{SO}\left({\mathrm{si}}_i\right)\left|\right)$

其中Isi_i表示歌星节点si_i的热度，SO(si_i)表示歌星si_i演唱的歌曲的集合；

D4.根据歌曲和曲作者热度值更新曲作者的热度值，更新公式如下：

${\mathrm{Ioi}}_i=(1-\mathrm{\&eta;})*{\mathrm{Ioi}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{so},o}\underset{{\mathrm{so}}_j\&Element;\mathrm{SO}\left(o_j\right)}{\mathrm{\&Sigma;}}{\mathrm{Iso}}_j/|\mathrm{SO}\left(o_i\right)\left|\right)$

其中Io_i表示曲作者节点o_i的热度，SO(o_i)表示曲作者o_i创作的歌曲的集合；

D5.根据歌星、曲作者、用户和歌曲的热度值更新歌曲的热度值，更新公式如下：

${\mathrm{Iso}}_i=(1-\mathrm{\&eta;})*{\mathrm{Iso}}_i+\mathrm{\&eta;}*({\mathrm{\&lambda;}}_{\mathrm{si},\mathrm{so}}\underset{{\mathrm{si}}_j\&Element;\mathrm{SI}\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Isi}}_j/|\mathrm{SI}\left({\mathrm{so}}_i\right)|+{\mathrm{\&lambda;}}_{o,\mathrm{so}}\underset{o_j\&Element;O\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Io}}_j/|O\left({\mathrm{so}}_i\right)|+{\mathrm{\&lambda;}}_{u,\mathrm{so}}\underset{u_j\&Element;U\left({\mathrm{so}}_i\right)}{\mathrm{\&Sigma;}}{\mathrm{Iu}}_j/|U\left({\mathrm{so}}_i\right)\left|\right)$

其中SI(so_i)表示歌曲so_i的演唱歌星的集合，O(so_i)表示歌曲so_i的曲作者的集合，U(so_i)表示歌曲so_i的点播用户的集合；

D6.重复C3至C6步骤直到前后两次计算的未来热度变化不大。