CN105956040B - 音乐信息网络中社交关系影响下的歌曲流行度分析方法 - Google Patents

Abstract

本发明涉及一种音乐信息网络中社交关系影响下的歌曲流行度分析方法，先从音乐信息网络中获取信息子网和信息子网的网络模式，并获取与信息子网相关的社交关系，然后在信息子网中计算不同类型关系边的平均边介数，再根据平均边介数计算得到不同类型关系边的传播因子，接着根据社交关系在信息子网中设计边权重，根据边权重在同一类型节点间选择节点进行随机游走，最后结合传播因子和边权重在信息子网中随机游走，得到网络中节点影响力排名，从而得到歌曲流行度。本发明提出的该方法考虑到了用户群体对歌曲的影响，从而使得最后的流行度分析更为合理。

Description

音乐信息网络中社交关系影响下的歌曲流行度分析方法

技术领域

本发明涉及信息检索领域，特别是一种音乐信息网络中社交关系影响下的歌曲流行度分析方法。

背景技术

音乐信息网络实际上是由一个信息子网和社交子网构成，而信息子网通常包含歌曲以及与歌曲相关的类型节点，如歌手、作词者、流派等等，网络中存在的关系有歌曲-歌手之间的被演唱与演唱关系、歌曲-作词者之间的被作词与作词关系、歌曲-流派之间的被包含与包含关系等等，社交子网中包含用户之间的好友关系、歌曲-用户之间的被播放与播放关系、用户-分组之间的被包含与包含关系。

目前，对于异构信息网络中歌曲流行度分析方法，基本上都是利用与歌曲相关的信息子网中不同类型的对象和关系等全面的结构信息和丰富的语义信息来分析得到流行度。然而这种信息子网中更多注重于与歌曲相关的的歌手、作词者等这些静态信息，因而在这种网络中用传统方法分析得到的歌曲流行度只是表明在这一信息子网中的普适性，并不能真正地体现出歌曲在用户群体中的受欢迎程度；而在引入与歌曲相关的社交关系后，考虑到信息子网与社交子网的网络差异性问题，如前者往往关注于网络中静态信息，后者更多关注于网络拓扑结构，因而不能直接在音乐信息网络这一整个网络中使用传统方法分析歌曲流行度。

发明内容

本发明的目的在于提供一种音乐信息网络中社交关系影响下的歌曲流行度分析方法，以克服现有的音乐信息网络中歌曲流行度分析方法中存在的问题。

为实现上述目的，本发明的技术方案是：一种音乐信息网络中社交关系影响下的歌曲流行度分析方法，步骤包括如下：

步骤S1：获取音乐信息网络，从所述音乐信息网络中提取没有社交关系影响下的信息子网以及信息子网的网络模式，并从所述音乐信息网络中提取出与所述信息子网相关的社交关系；

步骤S2：根据所述信息子网的网络模式，计算所述信息子网中不同类型关系边的平均边介数，并根据平均边介数计算随机游走过程中不同类型关系边的传播因子；

步骤S3：根据所述社交关系，计算在社交关系影响下的信息子网中各种类型边权重；

步骤S4：结合所述传播因子与各种类型边权重在所述信息子网中进行随机游走，计算社交关系影响下各种类型的节点影响力排序，从而得到歌曲流行度。

在本发明一实施例中，在所述步骤S1中，在音乐信息网络中，去除用户之间的社交关系以及用户与歌曲之间的播放关系与被播放关系后，得到仅与歌曲相关的且没有社交关系影响下的信息子网G₀，该信息子网G₀的网络模式有四种类型节点，分别为：歌曲、歌手、流派以及作词者。

在本发明一实施例中，所述信息子网络中四种类型节点存在如下类型关系：歌手-歌曲之间的演唱与被演唱关系、作词者-歌曲之间的作词与被作词关系、流派-歌曲之间的包含与被包含关系；并从音乐信息网络中提取用户-歌曲之间的播放关系，作为所述信息子网相关的社交关系SG₀。

在本发明一实施例中，在所述步骤S2中，基于信息子网的网络模式，计算如下六种类型边的传播因子，即，演唱关系、被演唱关系、作词关系、被作词关系、包含关系以及被包含关系，按照如下步骤计算：

步骤S21：获取所述信息子网G₀；

步骤S22：计算所述信息子网G₀中所述被演唱关系边、所述被作词关系以边及所述被包含关系边的边介数，并计算该三种类型边的平均边介数的比值e_ms:e_ma:e_mt；

步骤S23：根据λ_ms:λ_ma:λ_mt＝e_ms:e_ma:e_mt和λ_ms+λ_ma+λ_mt＝1计算该三种类型边的传播因子λ_ms,λ_ma,λ_mt，且所述演唱关系边、所述作词关系边以及所述包含关系边的传播因子均为1，即λ_sm＝1,λ_am＝1,λ_tm＝1。

在本发明一实施例中，在所述步骤S3中，各所述种类型边权重计算过程如下：

步骤S31：歌曲-流派之间的被包含关系边的权重按照如下方式计算：

其中，N_m ^T表示歌曲m所属于的流派个数，N_m ^U表示播放歌曲m的用户人数，P(t)表示流派t包含的歌曲列表；

步骤S32：流派-歌曲之间的包含关系边的权重按照如下方式计算：

其中，N^M _t表示流派t包含的歌曲数；

步骤S33：歌曲-歌手之间的被演唱关系边的权重按照如下方式计算：

其中，N_m ^S表示歌曲m的歌手个数，N_m ^U表示播放歌曲m的用户人数，P(s)表示歌手s演唱的歌曲列表；

步骤S34：歌手-歌曲之间的演唱关系边的权重按照如下方式计算：

其中，表示歌手s演唱的歌曲数；

步骤S35：歌曲-作词者之间的被作词关系边的权重按照如下方式计算：

其中，N_m ^A表示歌曲m的作词者个数，N_m ^U表示播放歌曲m的用户人数，P(a)表示作词者a作词的歌曲列表；

步骤S36：作词者-歌曲之间的作词关系边的权重按照如下方式计算：

其中，N_a ^M表示作词者a作词的歌曲数。

在本发明一实施例中，所述步骤S4还包括如下步骤：

步骤S41：将所述信息子网中歌曲-歌曲之间边权重W_mm,、歌手-歌手之间边权重W_ss、作词者-作词者之间边权重W_aa、流派-流派之间边权重W_tt、歌手-作词者之间边权重W_sa、作词者-歌手之间边权重W_as、歌手-流派之间边权重W_st、流派-歌手之间边权重W_ts、作词者-流派之间边权重W_at、流派-作词者之间边权重W_ta均设置为0，即W_mm,W_ss,W_aa,W_tt,W_sa,W_as,W_st,W_ts,W_at,W_ta都设置为对应大小的零矩阵；将歌曲-歌曲之间传播因子λ_mm、歌手-歌手之间传播因子λ_ss、作词者-作词者之间传播因子λ_aa、流派-流派之间传播因子λ_tt、歌手-作词者之间传播因子λ_sa、作词者-歌手之间传播因子λ_as、歌手-流派之间传播因子λ_st、流派-歌手之间传播因子λ_ts、作词者-流派之间传播因子λ_at、流派-作词者之间传播因子λ_ta均设置为0，即λ_mm＝λ_ss＝λ_aa＝λ_tt＝λ_sa＝λ_as＝λ_st＝λ_ts＝λ_at＝λ_ta＝0；

步骤S42：在所述信息子网中，节点之间进行随机游走的转移概率矩阵TPM按如下方式计算：

步骤S43：设定两个长度为N的向量Vec_C与Vec_R；Vec_R中的值为所述信息子网中每个节点的影响力值，Vec_C初始为并通过如下方式计算Vec_R：

其中，ε为全图随机跳转概率，N取值为所述信息子网中节点总个数；

步骤S44：通过以下两个公式计算Vec_C以及Vec_R：

Vec_C＝Vec_R，

且当||Vec_R-Vec_C||≥ξ时，则继续以上两个公式的计算,否则得到Vec_R，ξ为预设误差阈值；

步骤S45：分别对Vec_R中类型节点歌曲、歌手、作词者以及流派值进行排序，得到歌曲、歌手、作词者以及流派的排序结果序列，进而得到歌曲流行度。

相较于现有技术，本发明具有以下有益效果：本发明提出了一种音乐信息网络中社交关系影响下的歌曲流行度分析方法，该方法不仅有效地利用与歌曲相关的信息子网中不同类型的对象和关系等全面的结构信息和丰富的语义信息，同时又考虑到用户群体对歌曲的影响，并且能够避免音乐信息网络中信息子网和社交子网网络差异性问题。这种在信息子网中借助社交子网的社交关系来分析歌曲流行度的方法更合理。

附图说明

图1为本发明中一种音乐信息网络中社交关系影响下的歌曲流行度分析方法。

图2为本发明一实施例中音乐信息网络。

图3为本发明一实施例中音乐信息网络中的信息子网的网络模式。

图4为本发明-实施例中音乐信息网络中社交关系影响下的信息子网实例。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

下面通过具体实施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。

如图1所示，为本发明所提出的音乐信息网络中社交关系影响下的歌曲流行度分析方法的的流程图，该方法包括如下步骤：

步骤S1：获取音乐信息网络，从音乐信息网络中提取没有社交关系影响下的信息子网以及信息子网的网络模式，并从音乐信息网络中提取出与信息子网相关的社交关系。

进一步的，在本实施例中，在音乐信息网络中，去除用户之间的社交关系以及用户与歌曲之间的播放关系与被播放关系等社交信息后，得到只与歌曲相关的没有社交关系影响下的信息子网G₀，在这个信息子网G₀的网络模式中，有四种类型节点，分别为歌曲、歌手、流派、作词者，网络中存在的关系有：歌手-歌曲之间的演唱与被演唱关系、作词者-歌曲之间的作词与被作词关系、流派-歌曲之间的包含与被包含关系；再从音乐信息网络中提取用户-歌曲之间的播放关系，也就是与信息子网相关的社交关系SG₀。

进一步的，在本实施例中，从豆瓣音乐网站中获取音乐网络数据信息，提取网络实体，包括歌曲(M)，歌手(S),作词者(A)，流派(T)，用户(U)，分组(G)，这些数据中存在关系有：歌曲-歌手之间的被演唱与演唱关系、歌曲-作词者之间的被作词与作词关系、歌曲-流派之间的被包含与包含关系、用户-歌曲之间的播放与被播放关系、分组-用户之间的包含与被包含关系，从而生成音乐信息网络，音乐信息网络例子如图2所示。

进一步的，在本实施例中，音乐信息网络中信息子网的网络模式中有节点歌曲(M)，歌手(S),作词者(A)，流派(T)，边代表节点之间的关系，分别为歌曲-歌手之间的被演唱与演唱关系、歌曲-作词者之间的被作词与作词关系、歌曲-流派之间的被包含与包含关系，信息子网的网络模式如图3所示。而与信息子网相关的社交关系是指用户-歌曲之间的播放与被播放关系。

步骤S2：根据信息子网的网络模式，计算信息子网中不同类型关系边的平均边介数，并根据平均边介数计算随机游走过程中不同类型关系边的传播因子。

进一步的，基于信息子网的网络模式，计算如下六种类型边的传播因子，即，演唱关系、被演唱关系、作词关系、被作词关系、包含关系、被包含关系，计算方法如下：

步骤S21.获取信息子网G₀；

步骤S22.计算出信息子网G₀中被演唱关系、被作词关系、被包含关系边的边介数，并统计出这三种类型边的平均边介数的比值e_ms:e_ma:e_mt；

步骤S23.根据λ_ms:λ_ma:λ_mt＝e_ms:e_ma:e_mt和λ_ms+λ_ma+λ_mt＝1计算出这三种类型边的传播因子λ_ms,λ_ma,λ_mt，而演唱关系边、作词关系边和包含关系边的传播因子都为1，即λ_sm＝1,λ_am＝1,λ_tm＝1。

如图4所示，在本实施例中，e_ms:e_ma:e_mt＝9.5332:7.5288:8.7495，λ_ms＝0.3693,λ_ma＝0.2917,λ_mt＝0.3390。

步骤S3：基于信息子网的网络模式，并根据社交关系，设计出在社交关系影响下的信息子网G₀中各种类型边权重，具体计算公式如下：

步骤S31：歌曲-流派之间的被包含关系边的权重计算公式：N_m ^T表示歌曲m所属于的流派个数，N_m ^U表示播放歌曲m的用户人数，P(t)表示流派t包含的歌曲列表；

步骤S32：流派-歌曲之间的包含关系边的权重计算公式：N_t ^M表示流派t包含的歌曲数；

步骤S33：歌曲-歌手之间的被演唱关系边的权重计算公式：N_m ^S表示歌曲m的歌手个数，N_m ^U表示播放歌曲m的用户人数，P(s)表示歌手s演唱的歌曲列表；

步骤S34：歌手-歌曲之间的演唱关系边的权重计算公式：N_s ^M表示歌手s演唱的歌曲数；

步骤S35：歌曲-作词者之间的被作词关系边的权重计算公式：N_m ^A表示歌曲m的作词者个数，N_m ^U表示播放歌曲m的用户人数，P(a)表示作词者a作词的歌曲列表；

步骤S36：作词者-歌曲之间的作词关系边的权重计算公式：N_a ^M表示作词者a作词的歌曲数；

步骤S4：结合传播因子与边权重来在信息子网中进行随机游走，得到歌曲、歌手、作词者、类型这四种类型节点的影响力排序，具体计算方法如下：

步骤S41.将网络中歌曲-歌曲之间边权重W_mm、歌手-歌手之间边权重W_ss、作词者-作词者之间边权重W_aa、流派-流派之间边权重W_tt、歌手-作词者之间边权重W_sa、作词者-歌手之间边权重W_as、歌手-流派之间边权重W_st、流派-歌手之间边权重W_ts、作词者-流派之间边权重W_at、流派-作词者之间边权重W_ta均设置为0，在本实施例中，W_mm是6×6的零矩阵、W_ss是4×4的零矩阵、W_aa是2×2的零矩阵、W_tt是3×3的零矩阵、W_sa是4×2的零矩阵、W_as是2×4的零矩阵、W_st是4×3的零矩阵、W_ts是3×4的零矩阵、W_at是2×3的零矩阵、W_ta是3×2的零矩阵；将歌曲-歌曲之间传播因子λ_mm、歌手-歌手之间传播因子λ_ss、作词者-作词者之间传播因子λ_aa、流派-流派之间传播因子λ_tt、歌手-作词者之间传播因子λ_sa、作词者-歌手之间传播因子λ_as、歌手-流派之间传播因子λ_st、流派-歌手之间传播因子λ_ts、作词者-流派之间传播因子λ_at、流派-作词者之间传播因子λ_ta均设置为0，即λ_mm＝λ_ss＝λ_aa＝λ_tt＝λ_sa＝λ_as＝λ_st＝λ_ts＝λ_at＝λ_ta＝0；

步骤S42.在信息子网中，节点进行随机游走需要考虑两点，即，下一步随机游走应选择何种类型节点以及应选择该类型节点集中具体哪一个节点，实际上前者就是各种类型边的传播因子，后者是各种类型边权重，因此，从节点i到节点j的转移概率，就是将这两者进行乘积，即转移概率矩阵TPM计算公式如下：

步骤S43.设定两个长度为N的向量Vec_C，Vec_R，Vec_R中的值为信息子网中每个节点的影响力值，Vec_C初始为通过公式计算Vec_R；在本实施例中，N＝15；

步骤S44.通过以下两个公式计算Vec_C和Vec_R

Vec_C＝Vec_R

当||Vec_R-Vec_C||≥ξ时继续以上两个公式的计算,否则得到Vec_R，ξ为事先设定误差阈值；

步骤S45.分别对Vec_R中歌曲、歌手、作词者和流派值进行排序，得到歌曲、歌手、作词者和流派这四种类型节点的排序结果序列，得到歌曲流行度，如表1所示。

表1

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (2)

1.一种音乐信息网络中社交关系影响下的歌曲流行度分析方法，其特征在于：步骤包括如下：

步骤S1：获取音乐信息网络，从所述音乐信息网络中提取没有社交关系影响下的信息子网以及信息子网的网络模式，并从所述音乐信息网络中提取出与所述信息子网相关的社交关系；

步骤S2：根据所述信息子网的网络模式，计算所述信息子网中不同类型关系边的平均边介数，并根据平均边介数计算随机游走过程中不同类型关系边的传播因子；

步骤S3：根据所述社交关系，计算在社交关系影响下的信息子网中各种类型边权重；

步骤S4：结合所述传播因子与各种类型边权重在所述信息子网中进行随机游走，计算社交关系影响下各种类型的节点影响力排序，从而得到歌曲流行度；

其中，在所述步骤S1中，在音乐信息网络中，去除用户之间的社交关系以及用户与歌曲之间的播放关系与被播放关系后，得到仅与歌曲相关的且没有社交关系影响下的信息子网G₀，该信息子网G₀的网络模式有四种类型节点，分别为：歌曲、歌手、流派以及作词者；

其中，所述信息子网络中四种类型节点存在如下类型关系：歌手-歌曲之间的演唱与被演唱关系、作词者-歌曲之间的作词与被作词关系、流派-歌曲之间的包含与被包含关系；并从音乐信息网络中提取用户-歌曲之间的播放关系，作为所述信息子网相关的社交关系SG₀；

其中，在所述步骤S2中，基于信息子网的网络模式，计算如下六种类型边的传播因子，即，演唱关系、被演唱关系、作词关系、被作词关系、包含关系以及被包含关系，按照如下步骤计算：

步骤S21：获取所述信息子网G₀；

步骤S22：计算所述信息子网G₀中所述被演唱关系边、所述被作词关系边以及 所述被包含关系边的边介数，并计算该三种类型边的平均边介数的比值e_ms:e_ma:e_mt；

步骤S23：根据λ_ms:λ_ma:λ_mt＝e_ms:e_ma:e_mt和λ_ms+λ_ma+λ_mt＝1计算该三种类型边的传播因子λ_ms,λ_ma,λ_mt，且所述演唱关系边、所述作词关系边以及所述包含关系边的传播因子均为1，即λ_sm＝1,λ_am＝1,λ_tm＝1；

其中，在所述步骤S3中，各所述种类型边权重计算过程如下：

步骤S31：歌曲-流派之间的被包含关系边的权重按照如下方式计算：

其中，N_m ^T表示歌曲m所属于的流派个数，N_m ^U表示播放歌曲m的用户人数，P(t)表示流派t包含的歌曲列表；

步骤S32：流派-歌曲之间的包含关系边的权重按照如下方式计算：

其中，N_t ^M表示流派t包含的歌曲数；

步骤S33：歌曲-歌手之间的被演唱关系边的权重按照如下方式计算：

其中，N_m ^S表示歌曲m的歌手个数，N_m ^U表示播放歌曲m的用户人数，P(s)表示歌手s演唱的歌曲列表；

步骤S34：歌手-歌曲之间的演唱关系边的权重按照如下方式计算：

其中，N_s ^M表示歌手s演唱的歌曲数；

步骤S35：歌曲-作词者之间的被作词关系边的权重按照如下方式计算：

其中，N_m ^A表示歌曲m的作词者个数，N_m ^U表示播放歌曲m的用户人数，P(a)表示作词者a作词的歌曲列表；

步骤S36：作词者-歌曲之间的作词关系边的权重按照如下方式计算：

其中，N_a ^M表示作词者a作词的歌曲数。

2.根据权利要求1所述的音乐信息网络中社交关系影响下的歌曲流行度分析方法，其特征在于，所述步骤S4还包括如下步骤：

步骤S41：将所述信息子网中歌曲-歌曲之间边权重W_mm,、歌手-歌手之间边权重W_ss、作词者-作词者之间边权重W_aa、流派-流派之间边权重W_tt、歌手-作词者之间边权重W_sa、作词者-歌手之间边权重W_as、歌手-流派之间边权重W_st、流派-歌手之间边权重W_ts、作词者-流派之间边权重W_at、流派-作词者之间边权重W_ta均设置为0；将歌曲-歌曲之间传播因子λ_mm、歌手-歌手之间传播因子λ_ss、作词者-作词者之间传播因子λ_aa、流派-流派之间传播因子λ_tt、歌手-作词者之间传播因子λ_sa、作词者-歌手之间传播因子λ_as、歌手-流派之间传播因子λ_st、流派-歌手之间传播因子λ_ts、作词者-流派之间传播因子λ_at、流派-作词者之间传播因子λ_ta均设置为0，即λ_mm＝λ_ss＝λ_aa＝λ_tt＝λ_sa＝λ_as＝λ_st＝λ_ts＝λ_at＝λ_ta＝0；

步骤S42：在所述信息子网中，节点之间进行随机游走的转移概率矩阵TPM按如下方式计算：

步骤S43：设定两个长度为N的向量Vec_C与Vec_R；Vec_R中的值为所述信息子网中每个节点的影响力值，Vec_C初始为并通过如下方式计算Vec_R：

其中，ε为全图随机跳转概率，N取值为所述信息子网中节点总个数；

步骤S44：通过以下两个公式计算Vec_C以及Vec_R：

Vec_C＝Vec_R，

且当||Vec_R-Vec_C||≥ξ时，则继续以上两个公式的计算,否则得到Vec_R，ξ为预设误差阈值；

步骤S45：分别对Vec_R中类型节点歌曲、歌手、作词者以及流派值进行排序，得到歌曲、歌手、作词者以及流派的排序结果序列，进而得到歌曲流行度。