CN106557560A - 基于用户兴趣的层次音乐推荐方法 - Google Patents
基于用户兴趣的层次音乐推荐方法 Download PDFInfo
- Publication number
- CN106557560A CN106557560A CN201610995675.3A CN201610995675A CN106557560A CN 106557560 A CN106557560 A CN 106557560A CN 201610995675 A CN201610995675 A CN 201610995675A CN 106557560 A CN106557560 A CN 106557560A
- Authority
- CN
- China
- Prior art keywords
- user
- music
- interest
- list
- user interest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于用户兴趣的层次音乐推荐方法,包括步骤:从日志***读取用户播放日志;分析用户播放日志,得到用户行为特性;利用基础算法结合用户行为特性得到基础音乐列表;根据所述用户行为特性构建用户的兴趣模型;利用所述用户兴趣模型获得可复现的历史音乐列表;根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。利用本发明可以结合用户潜在的兴趣进行音乐推荐,提高音乐推荐方法的推荐精确度,能实时反映用户兴趣波动变化,提高用户粘性。
Description
技术领域
本发明涉及音乐数据处理领域,特别是涉及一种基于用户兴趣的层次音乐推荐方法及***。
背景技术
随着近年来互联网行业的高速发展,海量音乐资源的迅速扩充使用户对于音乐的选择变得尤为困难。因此,如何快速并有效地向用户推荐合适的音乐成为了音乐软件迅速占据市场的关键课题。音乐推荐包括基于音乐内容的推荐,基于音乐关联性的推荐,基于知识的推荐,协同过滤推荐等多种方式,目前采用的技术主要有:1、当接收到至少一个终端的音乐推荐请求时,获取至少一个终端的音乐偏好,一个终端对应至少一个音乐偏好;根据各个终端的音乐偏好,生成至少一个终端的共同音乐偏好;根据共同音乐偏好,向至少一个终端进行音乐推荐。2、在将歌曲建模为若干隐含主题概率分布的基础上将用户的收听行为建模为多维时间序列,进而通过多维时间序列分析的方法挖掘用户的行为习惯,并最终从候选歌曲数据库中为用户推荐合适的歌曲。3、在将歌曲建模为若干隐含主题概率分布的基础上将用户的收听行为建模为多维时间序列,进而通过多维时间序列分析的方法挖掘用户的行为习惯,并最终从候选歌曲数据库中为用户推荐合适的歌曲。但对用户潜在的兴趣爱好缺乏考虑,不能实时反映用户兴趣波动变化。
发明内容
基于此,本发明实施例的目的在于提供一种基于用户兴趣的层次音乐推荐方法及***,其可以结合用户潜在的兴趣进行音乐推荐,提高音乐推荐方法的推荐精确度,能实时反映用户兴趣波动变化,提高用户粘性。
为达到上述目的,本发明实施例采用以下技术方案:
一种基于用户兴趣的层次音乐推荐方法,包括步骤:
S1、从日志***读取用户播放日志;
S2、分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;
S3、利用基础算法结合用户行为特性得到基础音乐列表;
S4、根据所述用户行为特性构建用户的兴趣模型;
S5、利用所述用户兴趣模型获得可复现的历史音乐列表;
S6、根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
S7、依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
以及一种基于用户兴趣的层次音乐推荐***,包括:
读取单元,用于从日志***读取用户播放日志;
分析单元,用于分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;
第一获取单元,用于利用基础算法结合用户行为特性得到基础音乐列表;
模型构建单元,用于根据所述用户行为特性构建用户的兴趣模型;
第二获取单元,用于利用所述用户兴趣模型获得可复现的历史音乐列表;
第三获取单元,用于根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
第一推荐单元,用于依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
利用本发明方案,利用用户行为特性,按照不同的途径分别获得基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表,并获得用户的兴趣度并以此作为判别用户活跃类型的依据;针对不同活跃类型的用户,将基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表最终按照策略分配的比例进行组合推荐,可以结合用户潜在的兴趣进行音乐推荐,提高音乐推荐方法的推荐精确度,能实时反映用户兴趣波动变化,提高用户粘性。
附图说明
附图是用来提供对本发明的进一步理解,并构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但不应构成对本发明的限制。在附图中,
图1是本发明提出的基于用户兴趣的层次音乐推荐方法的流程示意图;
图2示出了本发明提出的基于用户兴趣的层次音乐推荐***框架图;
图3是本发明提出的基于用户兴趣的层次音乐推荐***的一个结构示意图;
图4是本发明提出的第一获取单元的结构示意图;
图5是本发明提出的模型构建单元的结构示意图;
图6是本发明提出的第二获取单元的结构示意图;
图7是本发明提出的第三获取单元的结构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1示出了一种基于用户兴趣的层次音乐推荐方法的流程图,包括步骤:
S1、从日志***读取用户播放日志;
具体的,从音乐服务器中的音乐播放日志***读取用户播放日志。
S2、分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;其中,用户收听的音乐名称指的是音乐名字,例如李荣浩《模特》;收听该音乐的时间为收听该音乐的时刻,用户所处地理位置信息是指用户收听当前音乐所在位置,关于这个位置我们可以通过网络地址获取,例如识别用户处于我国南方、北方、西部或者东部,分析地理位置信息主要是基于不同地域的用户可能在音乐的喜好类型不相同,如北方的用户可能喜欢豪放一些的,南方的用户可能喜欢柔情一些的音乐。用户使用习惯信息指的是指用户进行音乐收听的时段偏好,如早晨、中午、下午、晚上等。个人喜好信息指的是用户感兴趣的音乐的类型,如乡村音乐、华语音乐等。
S3、利用基础算法结合用户行为特性得到基础音乐列表;
具体的,该步骤包括:
S31、根据所述用户行为特性构造‘用户-音乐-标签’三维矩阵;
S32、展开每个用户的三维矩阵,使用‘用户-标签’矩阵对‘用户-音乐’矩阵进行拓展;
S33、对每个用户使用融合基于用户和基于音乐的协同过滤融合算法计算出推荐列表;
S34、合并所述推荐列表并排序,得到所述基础音乐列表。
下面将详细描述步骤S33、“对每个用户使用融合基于用户和基于音乐的协同过滤融合算法构造出推荐列表”的过程:
1)根据用户-标签矩阵对用户-音乐矩阵进行拓展后的矩阵来计算与特定用户相似度最高的Top N个用户特征,通过下列公式1计算基于用户部分的贡献;
Nu为用户u的邻居,Ov,i表示用户v评价过但是用户u没有接触过的音乐i。
2)根据‘音乐-标签’矩阵对‘用户-音乐’矩阵进行拓展后的矩阵,使用基于音乐类别的TopN算法得到推荐音乐Ni,通过公式2计算基于音乐部分的贡献;
Ni为音乐i的邻居,Ou,j表示用户u评价过的音乐j,w(i,j)表示物品i和物品j的相似度。
3)通过下式计算基于用户和基于音乐的融合评分:
4)根据选取评分最高的P首音乐作为推荐结果。
S4、根据所述用户行为特性构建用户的兴趣模型;
具体的,所述步骤S4包括步骤:
S41、根据所述用户行为特性构建出包含播放特征和音乐类别标签的数据集D1以及包含播放特征的数据集D2;其中所述播放特征包括用户对音乐的播放次数、用户对音乐的总试听时长、用户对音乐的平均试听时长;
S42、使用机器学习的分类算法,将所述数据集D1作为分类算法的输入样本集,训练得到包含特征权重的用户兴趣模型,通过多次采样训练后得到稳定的用户兴趣模型。
S5、利用所述用户兴趣模型获得可复现的历史音乐列表;
具体的,包括步骤:
S51、将所述数据集D2作为所述稳定的用户兴趣模型的输入,得到数据集D2中所有用户对不同音乐的播放概率P;
S52、根据所述播放概率P,对每个用户取出概率值最高的N首音乐得到每个用户的所述可复现的历史音乐列表。
S6、根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
具体的,包括步骤:
S61、根据用户行为特性计算用户兴趣度值;具体的,可以根据用户行为特性中的‘收听音乐的时长、收听音乐的次数、音乐的类型’来设置不同的计算权重,可参考的,用户兴趣度值=k1×收听音乐的时长+k2×收听音乐的次数+k3×音乐的类型,其中,k3的权重大于k1、k2的权重。
S62、对所述用户兴趣度值进行分箱来进行离散化处理;
S63、根据步骤S62得到的离散化后的用户兴趣度值推荐可能感兴趣的音乐列表,对于用户兴趣度值低的用户,在用户感兴趣的音乐类别中选择音乐播放次数低于阈值的音乐进行推荐;对于用户兴趣度高的用户,推荐该用户没听过的类别的音乐。其中,用户兴趣度的高或者低,可以根据实际需要设置对应的量化标准,如兴趣度高于10时,为兴趣度高。兴趣度低于10时,为兴趣度低。
S7、依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
具体的,该步骤包括:对不同的用户兴趣度预设所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表的推荐比例,按照所述推荐比例进行音乐推荐。
可参考的,针对不同用户兴趣度预先设置各种层次(基础音乐、可复现的历史音乐、可能感兴趣的音乐)的音乐推荐比例,如兴趣度D1时,各层次的音乐的推荐比例为基础音乐:可复现的历史音乐:能感兴趣的音乐=5:4:1;兴趣度D2时,各层次的音乐的推荐比例为基础音乐:可复现的历史音乐:能感兴趣的音乐=7:2:1;兴趣度D3时,各层次的音乐的推荐比例为基础音乐:可复现的历史音乐:能感兴趣的音乐=4:4:2;等等。
利用本发明方案,利用用户行为特性,按照不同的途径分别获得基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表,并获得用户的兴趣度并以此作为判别用户活跃类型的依据;针对不同活跃类型的用户,将基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表最终按照策略分配的比例进行组合推荐,可以结合用户潜在的兴趣进行音乐推荐,提高音乐推荐方法的推荐精确度,能实时反映用户兴趣波动变化,提高用户粘性。
图2示出了本发明提出的音乐推荐***框架图,首先从音乐推荐***后台读取用户播放日志作为核心数据,然后对核心数据进行预处理,得到用户行为特性,然后进行模型构建,及用户兴趣度获取;在推荐***层,利用基础算法结合用户行为特性得到基础音乐列表;利用构建的用户兴趣模型获得可复现的历史音乐列表;并根据所述用户兴趣度获得用户可能感兴趣的音乐列表;最后依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐,将结果推送至业务应用层。
本发明方案基于Spark(Spark是UC Berkeley AMP lab所开源的类HadoopMapReduce的通用的并行计算框架,Spark基于map reduce算法实现的分布式计算)的大数据处理平台,利用Spark进行分布式处理海量用户数据,具有高可扩展性和较高的处理效率。
对应上述方法,本发明还提出了一种基于用户兴趣的层次音乐推荐***,其结构示意图为图3,包括:
读取单元,用于从日志***读取用户播放日志;
分析单元,用于分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;
第一获取单元,用于利用基础算法结合用户行为特性得到基础音乐列表;
模型构建单元,用于根据所述用户行为特性构建用户的兴趣模型;
第二获取单元,用于利用所述用户兴趣模型获得可复现的历史音乐列表;
第三获取单元,用于根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
第一推荐单元,用于依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
其中,如图4所示,所述第一获取单元包括:
矩阵构造单元,用于根据所述用户行为特性构造‘用户-音乐-标签’三维矩阵;
拓展单元,用于展开每个用户的三维矩阵,使用‘用户-标签’矩阵对‘用户-音乐’矩阵进行拓展;
第二推荐单元,用于对每个用户使用融合基于用户和基于音乐的协同过滤融合算法构造出推荐列表;合并所述推荐列表并排序,得到所述基础音乐列表。
其中,如图5所示,所述模型构建单元包括:
数据集构建单元,用于根据所述用户行为特性构建出包含播放特征和音乐类别标签的数据集D1以及包含播放特征的数据集D2;其中所述播放特征包括用户对音乐的播放次数、用户对音乐的总试听时长、用户对音乐的平均试听时长;
模型训练单元,用于使用机器学习的分类算法,将所述数据集D1作为分类算法的输入样本集,训练得到包含特征权重的用户兴趣模型,通过多次采样训练后得到稳定的用户兴趣模型。
其中,如图6所示,所述第二获取单元包括:
概率计算单元,用于将所述数据集D2作为所述稳定的用户兴趣模型的输入,得到数据集D2中所有用户对不同音乐的播放概率P;
第四获取单元,用于根据所述播放概率P,对每个用户取出概率值最高的N首音乐得到每个用户的所述可复现的历史音乐列表。
其中,如图7所示,所述第三获取单元包括:
兴趣度计算单元,用于根据用户行为特性计算用户兴趣度值;
离散处理单元,用于、对所述用户兴趣度值进行分箱来进行离散化处理;
第三推荐单元,用于根据离散化后的用户兴趣度值推荐可能感兴趣的音乐列表,对于用户兴趣度值低的用户,在用户感兴趣的音乐类别中选择音乐播放次数低于阈值的音乐进行推荐;对于用户兴趣度较高的用户,推荐该用户没听过的类别的音乐。
其中,所述第一推荐单元对不同的用户兴趣度预设所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表的推荐比例,按照所述推荐比例进行音乐推荐。
上述***的具体实施细则,参考对应方法的描述,此处不再赘述。
利用本发明方案,利用用户行为特性,按照不同的途径分别获得基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表,并获得用户的兴趣度并以此作为判别用户活跃类型的依据;针对不同活跃类型的用户,将基础音乐列表、可复现的历史音乐列表以及用户可能感兴趣的音乐列表最终按照策略分配的比例进行组合推荐,可以结合用户潜在的兴趣进行音乐推荐,提高音乐推荐方法的推荐精确度,能实时反映用户兴趣波动变化,提高用户粘性。
只要不违背本发明创造的思想,对本发明的各种不同实施例进行任意组合,均应当视为本发明公开的内容;在本发明的技术构思范围内,对技术方案进行多种简单的变型及不同实施例进行的不违背本发明创造的思想的任意组合,均应在本发明的保护范围之内。
Claims (12)
1.一种基于用户兴趣的层次音乐推荐方法,其特征在于,包括步骤:
S1、从日志***读取用户播放日志;
S2、分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;
S3、利用基础算法结合用户行为特性得到基础音乐列表;
S4、根据所述用户行为特性构建用户的兴趣模型;
S5、利用所述用户兴趣模型获得可复现的历史音乐列表;
S6、根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
S7、依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
2.根据权利要求1所述的基于用户兴趣的层次音乐推荐方法,其特征在于,所述步骤S3包括步骤:
S31、根据所述用户行为特性构造‘用户-音乐-标签’三维矩阵;
S32、展开每个用户的三维矩阵,使用‘用户-标签’矩阵对‘用户-音乐’矩阵进行拓展;
S33、对每个用户使用融合基于用户和基于音乐的协同过滤融合算法构造出推荐列表;
S34、合并所述推荐列表并排序,得到所述基础音乐列表。
3.根据权利要求1所述的基于用户兴趣的层次音乐推荐方法,其特征在于,所述步骤S4包括步骤:
S41、根据所述用户行为特性构建出包含播放特征和音乐类别标签的数据集D1以及包含播放特征的数据集D2;其中所述播放特征包括用户对音乐的播放次数、用户对音乐的总试听时长、用户对音乐的平均试听时长;
S42、使用机器学习的分类算法,将所述数据集D1作为分类算法的输入样本集,训练得到包含特征权重的用户兴趣模型,通过多次采样训练后得到稳定的用户兴趣模型。
4.根据权利要求3所述的基于用户兴趣的层次音乐推荐方法,其特征在于,所述步骤S5包括步骤:
S51、将所述数据集D2作为所述稳定的用户兴趣模型的输入,得到数据集D2中所有用户对不同音乐的播放概率P;
S52、根据所述播放概率P,对每个用户取出概率值最高的N首音乐得到每个用户的所述可复现的历史音乐列表。
5.根据权利要求1所述的基于用户兴趣的层次音乐推荐方法,其特征在于,所述步骤S6包括步骤:
S61、根据用户行为特性计算用户兴趣度值;
S62、对所述用户兴趣度值进行分箱来进行离散化处理;
S63、根据步骤S62得到的离散化后的用户兴趣度值推荐可能感兴趣的音乐列表,对于用户兴趣度值低的用户,在用户感兴趣的音乐类别中选择音乐播放次数低于阈值的音乐进行推荐;对于用户兴趣度高的用户,推荐该用户没听过的类别的音乐。
6.根据权利要求1所述的基于用户兴趣的层次音乐推荐方法,其特征在于,所述步骤S7包括步骤:
对不同的用户兴趣度预设所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表的推荐比例,按照所述推荐比例进行音乐推荐。
7.一种基于用户兴趣的层次音乐推荐***,其特征在于,包括:
读取单元,用于从日志***读取用户播放日志;
分析单元,用于分析用户播放日志,得到用户行为特性;其中,所述用户行为特性包括收听的音乐名、收听该音乐的时间、收听该音乐的时长、收听该音乐的次数、收听该音乐的用户ID、该音乐的类型、用户所处地理位置信息、用户使用习惯信息;
第一获取单元,用于利用基础算法结合用户行为特性得到基础音乐列表;
模型构建单元,用于根据所述用户行为特性构建用户的兴趣模型;
第二获取单元,用于利用所述用户兴趣模型获得可复现的历史音乐列表;
第三获取单元,用于根据所述用户行为特性获得用户兴趣度,根据所述用户兴趣度获得用户可能感兴趣的音乐列表;
第一推荐单元,用于依据所述用户兴趣度将所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表进行组合推荐。
8.根据权利要求7所述的基于用户兴趣的层次音乐推荐***,其特征在于,所述第一获取单元包括:
矩阵构造单元,用于根据所述用户行为特性构造‘用户-音乐-标签’三维矩阵;
拓展单元,用于展开每个用户的三维矩阵,使用‘用户-标签’矩阵对‘用户-音乐’矩阵进行拓展;
第二推荐单元,用于对每个用户使用融合基于用户和基于音乐的协同过滤融合算法构造出推荐列表;合并所述推荐列表并排序,得到所述基础音乐列表。
9.根据权利要求7所述的基于用户兴趣的层次音乐推荐***,其特征在于,所述模型构建单元包括:
数据集构建单元,用于根据所述用户行为特性构建出包含播放特征和音乐类别标签的数据集D1以及包含播放特征的数据集D2;其中所述播放特征包括用户对音乐的播放次数、用户对音乐的总试听时长、用户对音乐的平均试听时长;
模型训练单元,用于使用机器学习的分类算法,将所述数据集D1作为分类算法的输入样本集,训练得到包含特征权重的用户兴趣模型,通过多次采样训练后得到稳定的用户兴趣模型。
10.根据权利要求9所述的基于用户兴趣的层次音乐推荐***,其特征在于,所述第二获取单元包括:
概率计算单元,用于将所述数据集D2作为所述稳定的用户兴趣模型的输入,得到数据集D2中所有用户对不同音乐的播放概率P;
第四获取单元,用于根据所述播放概率P,对每个用户取出概率值最高的N首音乐得到每个用户的所述可复现的历史音乐列表。
11.根据权利要求7所述的基于用户兴趣的层次音乐推荐***,其特征在于,所述第三获取单元包括:
兴趣度计算单元,用于根据用户行为特性计算用户兴趣度值;
离散处理单元,用于、对所述用户兴趣度值进行分箱来进行离散化处理;
第三推荐单元,用于根据离散化后的用户兴趣度值推荐可能感兴趣的音乐列表,对于用户兴趣度值低的用户,在用户感兴趣的音乐类别中选择音乐播放次数低于阈值的音乐进行推荐;对于用户兴趣度高的用户,推荐该用户没听过的类别的音乐。
12.根据权利要求7所述的基于用户兴趣的层次音乐推荐***,其特征在于,所述第一推荐单元对不同的用户兴趣度预设所述基础音乐列表、所述可复现的历史音乐列表以及所述可能感兴趣的音乐列表的推荐比例,按照所述推荐比例进行音乐推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610995675.3A CN106557560A (zh) | 2016-11-11 | 2016-11-11 | 基于用户兴趣的层次音乐推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610995675.3A CN106557560A (zh) | 2016-11-11 | 2016-11-11 | 基于用户兴趣的层次音乐推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106557560A true CN106557560A (zh) | 2017-04-05 |
Family
ID=58444123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610995675.3A Pending CN106557560A (zh) | 2016-11-11 | 2016-11-11 | 基于用户兴趣的层次音乐推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557560A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862085A (zh) * | 2017-11-30 | 2018-03-30 | 郑州云海信息技术有限公司 | 一种基于大数据的音乐推送*** |
CN107911428A (zh) * | 2017-11-03 | 2018-04-13 | 维沃移动通信有限公司 | 一种歌曲推送方法、装置及移动终端 |
CN108766474A (zh) * | 2018-06-04 | 2018-11-06 | 深圳市沃特沃德股份有限公司 | 车载音乐播放方法及车载设备 |
CN109447763A (zh) * | 2018-11-12 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 音乐作品推荐的方法、装置、存储介质和终端设备 |
CN109460486A (zh) * | 2018-09-12 | 2019-03-12 | 珠海豆饭科技有限公司 | 一种基于语音的信息推荐方法及*** |
CN110120845A (zh) * | 2018-02-07 | 2019-08-13 | 上海博泰悦臻网络技术服务有限公司 | 电台播放方法与云端服务器 |
CN110750455A (zh) * | 2019-10-18 | 2020-02-04 | 北京大学 | 基于***日志分析的智能在线自更新故障诊断方法和*** |
CN110789471A (zh) * | 2019-10-18 | 2020-02-14 | 中国第一汽车股份有限公司 | 一种车载音乐调节***和车载音乐调节方法 |
CN111259191A (zh) * | 2020-01-16 | 2020-06-09 | 石河子大学 | 一种中小学音乐教育学习***与方法 |
CN111460279A (zh) * | 2020-02-25 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN111813918A (zh) * | 2020-06-18 | 2020-10-23 | 国网上海市电力公司 | 一种科技资源推荐处理方法及装置 |
CN112702465A (zh) * | 2019-10-07 | 2021-04-23 | 东北林业大学 | 基于安卓平台的车载智能音乐播放app*** |
CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
CN115134670A (zh) * | 2022-07-22 | 2022-09-30 | 北京字跳网络技术有限公司 | 多媒体播放方法、设备、存储介质及程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159973A (zh) * | 2015-08-26 | 2015-12-16 | 努比亚技术有限公司 | 歌曲推荐装置和方法 |
CN105550272A (zh) * | 2015-12-09 | 2016-05-04 | 小米科技有限责任公司 | 歌曲推荐方法和装置 |
CN105975472A (zh) * | 2015-12-09 | 2016-09-28 | 乐视网信息技术(北京)股份有限公司 | 一种推荐方法和装置 |
-
2016
- 2016-11-11 CN CN201610995675.3A patent/CN106557560A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105159973A (zh) * | 2015-08-26 | 2015-12-16 | 努比亚技术有限公司 | 歌曲推荐装置和方法 |
CN105550272A (zh) * | 2015-12-09 | 2016-05-04 | 小米科技有限责任公司 | 歌曲推荐方法和装置 |
CN105975472A (zh) * | 2015-12-09 | 2016-09-28 | 乐视网信息技术(北京)股份有限公司 | 一种推荐方法和装置 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911428A (zh) * | 2017-11-03 | 2018-04-13 | 维沃移动通信有限公司 | 一种歌曲推送方法、装置及移动终端 |
CN107862085A (zh) * | 2017-11-30 | 2018-03-30 | 郑州云海信息技术有限公司 | 一种基于大数据的音乐推送*** |
CN110120845A (zh) * | 2018-02-07 | 2019-08-13 | 上海博泰悦臻网络技术服务有限公司 | 电台播放方法与云端服务器 |
CN108766474A (zh) * | 2018-06-04 | 2018-11-06 | 深圳市沃特沃德股份有限公司 | 车载音乐播放方法及车载设备 |
CN109460486A (zh) * | 2018-09-12 | 2019-03-12 | 珠海豆饭科技有限公司 | 一种基于语音的信息推荐方法及*** |
CN109447763A (zh) * | 2018-11-12 | 2019-03-08 | 百度在线网络技术(北京)有限公司 | 音乐作品推荐的方法、装置、存储介质和终端设备 |
CN112702465A (zh) * | 2019-10-07 | 2021-04-23 | 东北林业大学 | 基于安卓平台的车载智能音乐播放app*** |
CN110750455A (zh) * | 2019-10-18 | 2020-02-04 | 北京大学 | 基于***日志分析的智能在线自更新故障诊断方法和*** |
CN110789471A (zh) * | 2019-10-18 | 2020-02-14 | 中国第一汽车股份有限公司 | 一种车载音乐调节***和车载音乐调节方法 |
CN111259191A (zh) * | 2020-01-16 | 2020-06-09 | 石河子大学 | 一种中小学音乐教育学习***与方法 |
CN111460279A (zh) * | 2020-02-25 | 2020-07-28 | 拉扎斯网络科技(上海)有限公司 | 信息推荐方法、装置、存储介质及计算机设备 |
CN111813918A (zh) * | 2020-06-18 | 2020-10-23 | 国网上海市电力公司 | 一种科技资源推荐处理方法及装置 |
CN111813918B (zh) * | 2020-06-18 | 2024-06-14 | 国网上海市电力公司 | 一种科技资源推荐处理方法及装置 |
CN112732971A (zh) * | 2021-01-21 | 2021-04-30 | 广西师范大学 | 一种基于标签的协同过滤音乐推荐方法 |
CN115134670A (zh) * | 2022-07-22 | 2022-09-30 | 北京字跳网络技术有限公司 | 多媒体播放方法、设备、存储介质及程序产品 |
WO2024016902A1 (zh) * | 2022-07-22 | 2024-01-25 | 北京字跳网络技术有限公司 | 多媒体播放方法、设备、存储介质及程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106557560A (zh) | 基于用户兴趣的层次音乐推荐方法 | |
CN105068661B (zh) | 基于人工智能的人机交互方法和*** | |
CN108108821A (zh) | 模型训练方法及装置 | |
CN110442790A (zh) | 推荐多媒体数据的方法、装置、服务器和存储介质 | |
CN106126524B (zh) | 信息推送方法和装置 | |
CN103823888B (zh) | 一种基于节点亲密度的社交网站好友推荐方法 | |
CN106776928A (zh) | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 | |
Yang | [Retracted] Piano Performance and Music Automatic Notation Algorithm Teaching System Based on Artificial Intelligence | |
CN102163198A (zh) | 提供新词或热词的方法及*** | |
CN110059177B (zh) | 一种基于用户画像的活动推荐方法及装置 | |
CN107832426A (zh) | 一种基于使用序列上下文的app推荐方法及*** | |
Dubois et al. | The social conditions of cultural domination: Field, sub-field and local spaces of wind music in France | |
CN111460145A (zh) | 一种学习资源推荐方法、设备及存储介质 | |
TW201820172A (zh) | 對話模式分析系統、方法及非暫態電腦可讀取記錄媒體 | |
CN112328778A (zh) | 确定用户特征和模型训练的方法、装置、设备及介质 | |
CN109615009A (zh) | 一种学习内容推荐方法及电子设备 | |
Piatetsky-Shapiro et al. | What are the grand challenges for data mining? KDD-2006 panel report | |
Arai et al. | Predicting quality of answer in collaborative Q/A community | |
CN110942376A (zh) | 一种音频类产品的实时多召回策略的融合方法 | |
Li et al. | An adaptive course generation framework | |
CN101655853A (zh) | 建立模型的装置和方法 | |
CN108140034A (zh) | 使用主题模型基于接收的词项选择内容项目 | |
Ling et al. | Critical zone recognition of smellscape of a Chinese traditional market based on the sensitivity–coordination matrix | |
CN113657766A (zh) | 一种基于游客多元数据的旅游景区欢乐指数的计量方法 | |
Järvekülg | From institutionally embedded ‘serious’ to individualized ‘popular’: a report on values and attitudes in Estonian music criticism |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170405 |
|
RJ01 | Rejection of invention patent application after publication |