CN105787069A - 一种个性化的音乐推荐方法 - Google Patents

Abstract

本发明公开了一种个性化的音乐推荐方法。本方法通过判断用户状态进行不同推荐，对于简单推荐直接选取附近和音乐库中听过的次数最多的音乐，对于精确推荐，将推荐分为两个部分，最新音乐推荐通过最新的数据获取表示用户最近爱好的标签并在音乐库中进行匹配获取相应的最新音乐，而附近音乐推荐采用二次筛选的方式筛选出最相似的用户，通过筛选出的用户进行音乐推荐。整个过程为体现用户的最新爱好保存用户最近的音乐数据，发现用户不喜欢的音乐采用特别公式计算播放次数，为减少计算量以及避免人为设置权重的影响采用通过数据计算相应的标签权重。

Description

一种个性化的音乐推荐方法

技术领域

本发明涉及音乐推荐领域，特别是在解决冷启动和推荐有效性方面，着重解决如何通过对现有的用户音乐数据进行分析并推荐最佳的音乐给用户的问题。

背景技术

伴随着移动设备的不断普及和发展，用户更多的是通过移动设备来随时随地的倾听音乐，如何能够推荐最佳的音乐给用户成为一个难题。现有的推荐方法主要有基于音乐内容推荐、基于音乐相关性推荐、基于知识推荐、协同过滤推荐。

对于现有的推荐方法推荐精确度不高，同时许多推荐方法如音乐相关性推荐无法给予用于个性化的推荐而且在推荐时无法将多种因素考虑。

专利方法，将用户对音乐的操作考虑，采用巧妙的方式记录歌曲播放次数；在方法中将音乐保存为两个部分是因为用户的当前的喜好在不停的变化；充分考虑最新音乐对用户的吸引，增加最新音乐推荐部分；生活中环境对音乐的影响十分重要，采用通过用户周围的人进行音乐推荐，将环境影响加以考虑。

发明内容

在分析现有推荐方法的不足的情况下，提供精确度和个性化推荐都充分考虑的一种音乐推荐方法和***。

本发明解决技术问题所采取的技术方案如下

判断用户是否为新用户或未登录用户，如果是新用户或未登录用户进行简单推荐，主要获取最新的音乐和用户附近人大多数喜欢的音乐进行推荐

如果用户是老用户，采用精确推荐的方式对用户进行音乐推荐，其主要包括两个部分，分别为最新音乐推荐和附近音乐推荐。

最新音乐推荐主要包括如下步骤：

a)获取用户最近n次听过的音乐数据，音乐数据格式(音乐ID，{标签}，播放次数，第几次)。

b)计算n次的音乐数据中的标签权重，由于音乐数据中的播放次数是采用该音乐在本次播放中播放的时间与该音乐在本次播放中播放的次数与其自身的时间长度乘积的比来更新的，所以当音乐的播放次数小于1时该音乐可能不被用户喜爱，所以对播放次数不小于1的每一个音乐数据计算该音乐的标签权重作为表示用户的标签的权重的部分，并通过设立的阀值选取最优的表示用户的标签组合来表示用户当前的喜好。

c)计算最新音乐数值，通过步骤b)获取的标签组合，在音乐库中存放的音乐也有各自的标签，通过余弦相似度计算相应的数值，在计算时将存在的标签用1表示，不存在的标签用0表示，进行计算。

d)通过数值对最新音乐进行排序，通过步骤c)计算出相应的数值，对于最新的音乐可以通过数值进行相应的排序

e)选取前m首推荐的最新音乐

附近音乐推荐主要包括如下的步骤：

a)获取用户和该用户附近L个用户的所有听过的音乐数据，音乐数据格式(音乐ID，{标签}，播放次数)，对于每一个用户的音乐数据保存为两个部分，一个部分为最近n次听过的音乐数据，另一个部分是所有听过的音乐数据，考虑到用户最近通过的音乐对于实际推荐时用途较大而历史数据在进行匹配时由于信息量较大使得匹配的更加精准。

b)计算该用户和该用户附近L个用户的标签权重，对播放次数不小于1每一个音乐数据中的标签计算其每一个标签的标签权重作为表示用户的标签的权重的部分，同时对于播放次数小于1的音乐数据中的对应标签的标签权重乘以-1。

c)计算该用户和附近L个用户的相似值，通过步骤b)获取表示用户和附近用户的标签权重，对数据进行归一化后通过余弦相似度计算相应的相似值。

d)通过步骤c)计算出相似值，通过相似值对附近L个用户进行排序，选择前K个用户。

e)获取用户和步骤d)中选择的其前K个用户最近n次听过的音乐数据。

f)计算用户和附近K个用户的最近n次的音乐数据中的标签权重，对于播放次数小于1的音乐数据忽略不进行计算。

g)通过步骤f)计算出标签权重，通过余弦相似度计算出附近K个用户的相应的数值

h)通过步骤g)计算出的数值对附近K个用户进行排序，选取前N个用户

i)通过步骤h)选择出与用户最为匹配的附近N个用户，对N个用户最近n次的音乐数据进行统计排序，获取前m首推荐音乐。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，解释了本方法的原理。

图1是本发明方法的总体流程图。

图2是最新音乐推荐流程图。

图3是附近音乐推荐流程图。

具体实施方式

本发明的具体实施步骤如下：

图1列出了一种好友推荐方法的流程图，如图1所示，该好友推荐方法包括以下步骤S101-S104：

步骤S101是对当前用户的状态进行判断，如果用户是新用户或者是未登录的用户采用步骤S102，否则采用步骤S103推荐。

步骤S102是简单推荐的方式，获取用户附近M个其他用户的最近n次听过的音乐数据，对附近M个其他用户的音乐数据进行统计，通过对统计的音乐和对应的听过该音乐的用户数量来进行排序选择前X首音乐，同时通过音乐库中存放的最新音乐以及对应的听过的用户数量同样选择前Y首，对于获取的X和Y首音乐需要对相同的音乐进行处理只保留一首，获取处理后的音乐。

步骤S103是精确推荐方式，主要包括最新音乐推荐和附近音乐推荐，是在确定用户有存储相应的个性化信息下完成，获取相应的推荐音乐。

步骤S104将步骤S102或S103获取的音乐推荐给相应的用户

步骤S103中的最新音乐推荐如图2所示，包括如下步骤A1-A5：

步骤A1获取用户最近n次听过的音乐数据，音乐数据格式(音乐ID，{标签}，播放次数，第几次)。其中标签可以有多个，对于音乐k第i次播放的次数C_ki的计算公式如下：

(公式一)

其中t是当前音乐k第i次听过的时间总和，T_k是音乐k的时间长度，Q_次是本次音乐k播放的次数。例如：《白梦想家》对应的数据格式为(10，{bass，吉他，国语，流行}，2.5，1)表示音乐在服务器中的ID是10，标签包括{bass，吉他，国语，流行}，播放次数为2.5次，在最近一次听音乐时听过。

步骤A2计算最近n次的音乐数据中的标签权重，选取能够表示用户最近爱好的标签。先判断音乐的播放次数，对于次数低于1的忽略，例如：《白梦想家》对应的播放次数为2.5需要进行计算，其标签为{bass，吉他，国语，流行}，表示该用户最近爱好标签的bass，吉他，国语，流行标签均增加0.625，其计算公式如下：

(公式二)

其中V_i是音乐k的标签在第i次播放中的权重部分，C_ki是音乐k第i次播放的次数，N_标签数是音乐k的标签数目。

该用户最近n次的所有音乐的每一个标签权重对所有音乐的标签权重按照权重从大到小进行排序选取设定的个数为用户最近的爱好标签。

步骤A3计算最新音乐的匹配值，通过步骤A2选取的用户最近的爱好标签与音乐库中所有的最新音乐数据进行余弦相似度计算，其中对存在的标签用1表示，不存在用0表示，计算出每首最新音乐和用户之间的匹配值，计算的值越小两者越相近。

步骤A4对通过步骤A3计算出的相似度按照从小到大的顺序进行排序。

步骤A5对A4排好序的音乐进行筛选，获取前m首音乐。

步骤S103中的附近音乐推荐如图3所示，包括如下步骤B1-B9：

步骤B1获取用户和其附近L个其他用户的所有历史音乐数据，该数据的格式(音乐ID，{标签}，播放次数)。

步骤B2计算该用户和附近L个用户的标签权重，对于播放次数小于1的音乐其标签需要对计算出的值乘以-1以保证用户不喜欢的因素被考虑，计算公式如公式二。

步骤B3通过公式三分别对该用户和其附近L个用户计算的权重值进行归一化处理，对归一化后的数据通过余弦相似度计算该用户和附近L个用户的相似值。

$y=\frac{x-x_{min}}{x_{\max }-x_{min}}$ (公式三)

其中x_min是需要归一化数据中的最小值，x_max是需要归一化数据中的最大值

步骤B4对步骤B3计算出的附近L个用户的相似值从小到大的排序，选取前K个附近用户作为与需要推荐用户相似的用户。

步骤B5获取用户和其附近K个用户的最近n次的音乐数据。

步骤B6是计算用户和附近K个用户的最近n次的音乐数据中的标签权重，对于播放次数小于1的忽略，通过公式二进行计算。

步骤B7通过余弦相似度计算该用户和附近K个用户的匹配值，其参与计算的值就是步骤B6计算的相应标签权重。

步骤B8对附近K个用户按照步骤B7计算的匹配值从小到大排序，选取前N个附近用户。

步骤B9是对步骤B8选取的N个附近用户最近n次的音乐数据进行统计，将相同的音乐播放次数相加，然后排序，选取需要推荐用户在最近n次未听过的前m首，对于播放次数相同的音乐以距离继续排序。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (7)

1.一种个性化推荐的方法，其特征在于，包括：

1)判断用户是否为新用户或未登录用户。

2)如果用户是新用户或未登录用户，进行简单推荐，获取用户附近M个其他用户的最近n次听过的音乐数据，对附近M个其他用户的音乐数据进行统计，通过对统计的音乐和对应的听过该音乐的用户数量来进行排序选择前X首音乐，同时通过音乐库中存放的最新音乐以及对应的听过的用户数量排序后选择前Y首，对于获取的X和Y首音乐需要对相同的音乐进行处理只保留一首，获取处理后的音乐。

3)如果是老用户进行精确推荐，主要包括最新音乐推荐和附近音乐推荐，是在确定用户有存储相应的个性化信息下完成，获取相应的推荐音乐。

4)最新音乐推荐特征如下：

a)获取用户最近n次听过的音乐数据，音乐数据格式(音乐ID，{标签}，播放次数，第几次)。其中标签可以有多个，对于音乐k第i次播放的次数C_ki的计算公式如下：

(公式一)

其中t是当前音乐k第i次听过的时间总和，T_k是音乐k的时间长度，Q_次是本次音乐k播放的次数。

b)计算最近n次的音乐数据中的标签权重，选取能够表示用户最近爱好的标签。先判断音乐的播放次数，对于次数低于1的忽略，相应的计算公式如下：

(公式二)

其中V_i是音乐k的标签在第i次播放中的权重部分，C_ki是音乐k第i次播放的次数，N_标签数是音乐k的标签数目。

该用户最近n次的所有音乐的每一个标签权重对所有音乐的标签权重按照权重从大到小进行排序选取设定的个数为用户最近的爱好标签。

c)计算最新音乐的匹配值，通过用户最近的爱好标签与音乐库中的所有最新音乐数据进行余弦相似度计算，其中对存在的标签用1表示，不存在用0表示，计算出每首最新音乐和用户之间的匹配值。

d)按照匹配值进行排序，选择前m首进行推荐。

5)附近音乐推荐特征如下：

a)获取用户和其附近L个其他用户的所有历史音乐数据该数据的格式(音乐ID，{标签}，播放次数)。

b)计算该用户和附近L个用户的标签权重，对于播放次数小于1的音乐其标签需要对计算出的值乘以-1以保证用户不喜欢的因素被考虑，计算公式如公式二。

c)通过公式三分别对该用户和其附近L个用户计算的权重值进行归一化处理，对归一化后的数据通过余弦相似度计算该用户和附近L个用户的相似值。

$y=\frac{x-x_{min}}{x_{\max }-x_{min}}$ (公式三)

其中x_min是需要归一化数据中的最小值，x_max是需要归一化数据中的最大值

d)对计算出的附近L个用户的相似值从小到大的排序，选取前K个附近用户作为与需要推荐用户相似的用户。

e)获取用户和其附近K个用户的最近n次的音乐数据。

f)计算用户和附近K个用户的最近n次的音乐数据中的标签权重，对于播放次数小于1的忽略，通过公式二进行计算。

g)通过余弦相似度计算该用户和附近K个用户的匹配值，其参与计算的值就是步骤B6计算的相应标签权重，进行排序，选择前N个用户。

h)对选取的N个附近用户最近n次的音乐数据进行统计，将相同的音乐播放次数相加，然后排序，选取需要推荐用户在最近n次未听过的前m首，对于播放次数相同的音乐以距离继续排序。

2.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：本方法将用户的音乐数据保存为两个部分，最近n次的音乐数据是用户最近爱好的体现，是推荐的主要参考，所有的历史音乐数据是用户综合的体现是寻找相似用户的主要参考。对于数据中的播放次数是通过公式一进行计算，是对传统简单记录的更加细化，便于发现用户喜欢和讨厌的音乐。

3.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：步骤(2)中考虑最新音乐的推荐和附近音乐推荐，充分的将用户对于最新音乐的不了解而无法获取最新的音乐信息的问题解决，同时考虑环境对用户的影响将相似环境下的大多数用户喜欢的音乐推荐给用户。

4.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：步骤(3)中将音乐的推荐分为两个部分，而不像传统推荐笼统的将音乐推荐简单的进行匹配，不仅增加了运算量同时对于不同的音乐采取统一的方式导致匹配的音乐很难满足用户。

5.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：步骤(4)中采用通过数据计算标签权重放弃传统认为定义权重的不合理。权重的计算公式充分考虑用户对于同首音乐的播放次数同时由于最近的数据可能较少采用忽略播放次数小于1的音乐，通过计算公式二进行计算。在计算匹配值时采用将存在标签表示为1不存在的表示为0通过余弦相似度进行计算。

6.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：步骤(5)中采用先通过用户的所有历史数据进行对附近用户的筛选，再通过最新n次的音乐数数进行二次筛选获取最为相似的用户。

7.根据权利要求1所述的一种个性化的音乐推荐方法，其特征在于：步骤(5)在计算相似值时由于历史数据的数据量相对较大对于播放次数小于1的音乐的标签作为用户讨厌音乐的标签参与计算，同时对于权重进行归一化时避免由于历史数据量导致标签权重导致过大造成的影响。