CN108140034B - 使用主题模型基于接收的词项选择内容项目 - Google Patents

使用主题模型基于接收的词项选择内容项目 Download PDF

Info

Publication number
CN108140034B
CN108140034B CN201680057207.XA CN201680057207A CN108140034B CN 108140034 B CN108140034 B CN 108140034B CN 201680057207 A CN201680057207 A CN 201680057207A CN 108140034 B CN108140034 B CN 108140034B
Authority
CN
China
Prior art keywords
term
topic
songs
terms
topics
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.)
Active
Application number
CN201680057207.XA
Other languages
English (en)
Other versions
CN108140034A (zh
Inventor
V·阿格拉沃尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Publication of CN108140034A publication Critical patent/CN108140034A/zh
Application granted granted Critical
Publication of CN108140034B publication Critical patent/CN108140034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • 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
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/683—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/685—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using automatically derived transcript of audio data, e.g. lyrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3338—Query expansion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/638—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9032—Query formulation
    • G06F16/90324—Query formulation using system suggestions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9538—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

处理与歌曲关联的歌词以生成概率主题模型，该概率主题模型包括关于一个或者多个预定主题的、用于歌词的词项的概率。在以后时间，用户可以希望听见与特定词项关联的歌曲并且可以使用用户界面来提交词项。在接收词项时，使用概率模型的概率以标识预定主题中的、与接收的词项最可能关联的主题。使用概率模型以标识与标识的主题关联的歌曲，并且在用户界面中将标识的歌曲中的一些或者所有歌曲呈现为与接收的词项有关。

Description

使用主题模型基于接收的词项选择内容项目
背景技术
随着通过在线分发和共享而被实现的音乐数据***式增长，发现用以对音乐进行组织和编索引的相关方式对于日常用户以及对于搜索引擎和音乐提供方是有用的。音乐收听者经常希望基于他们的情绪、感觉或者在歌曲中表达的概念的智能播放列表生成器。相似地，搜索引擎和智能个人助手的许多用户经常基于某些概念或者方面来查询音乐。例如，计划长途汽车旅途的用户可以希望取回已经嵌入旅行、道路和汽车概念的歌曲。另一用户可以想要与下雨有关的音乐以在雨天收听。
用以匹配歌曲和概念或者其它内容项目的先前方式已经关注于其中歌曲的声学性质被分析和比较的信号处理方式，或者其中与歌曲关联的元数据和注解(比如风格)被分析和比较的基于元数据的方式。然而，这些方式计算成本高并且没有准确地将歌曲与特定概念或者情绪相关。
发明内容
处理与歌曲关联的歌词以生成概率主题模型，该概率主题模型包括关于一个或者多个预定(predetermined)主题的、用于歌词的词项的概率。在以后时间，用户可以希望听见与特定词项关联的歌曲，并且可以使用用户界面来提交词项。在接收词项时，使用概率模型的概率以标识预定主题中的、与接收的词项最可能关联的主题。使用概率模型以标识与标识的主题关联的歌曲，并且在用户界面中将标识的歌曲中的一些或者所有歌曲呈现为与接收的词项有关。
在一个实现方式中，一种***包括至少一个计算设备和推荐引擎，推荐引擎适于针对多个歌曲的每个歌曲，确定与歌曲关联的多个词项，并且确定多个主题。推荐还适于针对与每个歌曲关联的多个词项中的每个词项，确定关于多个主题的每个主题的、用于词项的概率。推荐引擎还适于针对多个歌曲中的每个歌曲，确定关于多个主题中的每个主题的、用于歌曲的概率。推荐引擎还适于接收与每个歌曲关联的多个词项中的词项、基于关于多个主题中的每个主题的、用于接收的词项的确定的概率来选择多个主题中的主题、基于选择的主题和关于选择的主题的、用于每个歌曲的确定的概率来选择多个歌曲中的一个或者多个歌曲、以及响应于接收的词项来提供选择的一个或者多个歌曲。
在一个实现方式中，由计算设备接收主题模型。由计算设备接收多个词项中的词项。基于接收的词项和主题模型，由计算设备确定与接收的词项关联的多个主题中的主题。基于确定的主题和主题模型，由计算设备从多个歌曲选择与确定的主题关联的一个或者多个歌曲。由计算设备提供选择的一个或者多个歌曲的指示符。
在一个实现方式中，由计算设备接收多个内容项目。针对每个内容项目，由计算设备确定与内容项目关联的多个词项。由计算设备确定多个主题。针对与每个内容项目关联的多个词项中的每个词项，由计算设备确定关于多个主题中的每个主题的、用于词项的概率。针对多个内容项目中的每个内容项目，由计算设备确定关于多个主题中的每个主题的、用于内容项目的概率。由计算设备接收与多个内容项目中的每个内容项目关联的多个词项中的词项。基于关于多个主题中的每个主题的、用于接收的词项的确定的概率，由计算设备选择多个主题中的主题。基于选择的主题和关于选择的主题的、用于每个内容项目的确定的概率，由计算设备选择一个或者多个内容项目。由计算设备响应于接收的词项来提供选择的一个或者多个内容项目。
提供这一发明内容以用简化的形式介绍以下在具体实施方式中进一步描述的对概念的选择。这一发明内容没有旨在于标识要求保护的主题内容的关键特征或者实质特征，其也没有旨在于用来限制要求保护的主题内容的范围。
附图说明
在结合附图被阅读时更好地理解前述发明内容以及说明性实施例的以下具体实施方式。出于说明实施例的目的，在附图中示出实施例的示例构造；然而，实施例不限于公开的具体方法和实现方式。在附图中：
图1是用于响应于接收的词项来推荐内容项目的示例性环境的图示；
图2是示例性内容项目推荐引擎的实现方式的图示；
图3是可以被用来向内容项目推荐引擎提供词项并且基于提供的词项来从内容项目推荐引擎接收内容项目推荐的示例用户界面的图示；
图4是用于基于与内容词项关联的词项来生成主题模型的方法的实现方式的操作流程；
图5是用于响应于接收的词项来推荐内容项目的方法的实现方式的操作流程；以及
图6示出了其中可以实施示例实施例和方面的示例性计算环境。
具体实施方式
图1是用于响应于接收的词项来推荐内容项目的示例性环境100的图示。环境100可以包括通过网络120通信的内容项目推荐引擎160、内容项目提供方170和客户端设备110。网络122可以是包括公共交换电话网络(PSTN)、蜂窝电话网络和分组交换网络(例如，因特网)的多种网络类型。虽然在图1中示出了仅一个客户端设备110、一个内容项目提供方170和一个内容项目推荐引擎160，但是对可以被支持的客户端设备110、内容项目推荐引擎160和内容项目提供方170的数目没有限制。
客户端设备110、内容项目推荐引擎160和内容项目提供方170可以各自使用多种计算设备(比如智能电话、台式计算机、膝上型计算机、平板计算机和视频游戏控制台)而被实施。可以支持其它类型的计算设备。在图6中将适当计算设备图示为计算设备600。
内容项目提供方170可以存储和/或通过网络122来提供一个或者多个内容项目173。如这里所用，内容项目173可以包括多种媒体和文件类型，比如歌曲、视频、书籍、文档、图像和客户端设备的用户可以使用内容项目应用117来使用、查看或者编辑的任何其它类型的文件。例如，用户可以从擅长音乐的内容项目提供方170下载或者流传输作为歌曲的内容项目173，并且可以使用内容项目应用117(比如由与用户关联的客户端设备110执行的媒体播放器)来收听内容项目173。
每个内容项目173可以与一个或者多个词项130关联。与内容项目173关联的词项130可以是来自预定词汇表的一个或者多个单词。与内容项目173关联的词项130可以取决于内容项目173的类型。例如，在内容项目173是歌曲时，与内容项目173关联的词项130可以是歌曲的歌词。在内容项目173是视频(比如电影或者电视放映)时，与内容项目173关联的词项130可以是在内容项目173期间被说出的对话的单词。在内容项目173是文档(比如书籍或者杂志)时，与内容项目173关联的词项可以是来自内容项目173的文本的单词。与每个内容项目173关联的词项130可以由内容项目提供方170存储为词项数据175。
内容项目应用117的用户可以希望使用与特定情绪或者主题关联的内容项目173。例如，在工作时收听作为歌曲的内容项目173的用户可以希望听见作为关于工作的歌曲的内容项目173。相似地，对旅行感兴趣的用户可以希望观看与旅行有关的内容项目173。
为了有助于这样的内容项目173发现，内容项目推荐引擎160可以允许内容项目应用117的用户提交描述他们感兴趣的内容项目173的一个或者多个词项130，并且可以响应于一个或者多个词项130来提供内容项目推荐135。内容项目推荐135可以包括指向与提交的一个或者多个词项130匹配或者以别的方式响应于它们的一个或者多个内容项目173的指针或者链接。例如，可以在播放列表中提供内容项目推荐135。
与依赖于对内容项目的计算高成本分析(例如，声学分析)的现有内容项目发现方法或者对从因特网上的各种来源收集的内容项目的描述或者注解的收集或者分析形成对照，内容项目推荐引擎160可以基于与每个内容项目173关联的词项130来生成内容项目推荐135。通过没有利用对内容项目173和基于因特网的注解的计算高成本分析，可以增加可以生成内容项目推荐135的速度和效率。
在一些实现方式中，内容项目推荐引擎160可以使用主题模型165来生成内容项目推荐135。主题可以是单词或者短语，该单词或者短语意在于捕获在由内容项目173使用的预定词汇表中的词项130的子集。例如，主题“leisure(休闲)”可以覆盖许多词项130，比如“sports(运动)”、“games(游戏)”、“fun(乐趣)”、“relax(放松)”和“leisure”。相似地，主题“love(爱)”可以覆盖词项130，比如“romance(浪漫)”、“date(约会)”、“friendship(友谊)”和“love”。取决于实现方式，主题可以由用户或者管理员基于内容项目173的类型和对主题的既定使用来选择。例如，针对歌曲而被选择的主题可以不同于针对电影而被选择的主题。相似地，针对将由儿童使用的内容项目173发现而被选择的主题可以不同于针对将由成年人使用的内容项目173发现而被选择的主题。
内容项目推荐引擎160可以处理与每个内容项目173关联的词项130，以确定关于每个主题的、用于与每个内容项目173关联的每个词项130的概率。关于主题的、用于词项130的概率是词项130与主题关联的概率。概率越大，词项130被主题覆盖的概率就越大。
确定的概率可以被存储为主题模型165的部分，并且可以以后由内容项目推荐引擎160用来提供内容项目推荐135。例如，用户可以向内容项目推荐引擎160提交词项130，比如“road(道路)”。基于主题模型165，内容项目推荐引擎160可以确定关于词项130“road”具有最高概率的主题是“travel(旅行)”。内容项目推荐引擎160可以提供包括与主题“travel”关联的内容项目173的内容项目推荐135。
图2是示例性内容项目推荐引擎160的实现方式的图示。内容项目推荐引擎160可以包括一个或者多个部件，这些部件包括词项引擎205、主题引擎215和模型引擎220。可以在内容项目推荐引擎160中包括更多或者更少部件。内容项目推荐引擎160的部件中的一些或者所有部件可以由一个或者多个计算设备(比如关于图6而被描述的计算设备600)实施。
词项引擎205可以将词项130与内容项目173关联。取决于实现方式，词项引擎205可以确定与每个内容项目173关联的词项130，或者可以从一个或者多个内容项目提供方170接收词项130。例如，在内容项目173是歌曲并且词项130是歌词时，词项引擎205可以通过查询提供用于歌曲的歌词的一个或者多个数据库来确定用于歌曲的歌词，或者可以使用语音识别软件来确定用于歌曲的歌词。在内容项目173是视频时，词项引擎205可以通过基于闭合字幕信息查询提供用于视频的脚本的一个或者多个数据库或者使用语音识别软件来确定词项130。可以使用其它方法。
词项引擎205可以将与每个内容项目173关联的词项130规范化。在一些实现方式中，可以通过移除词项130(比如冠词、介词和代词)来将词项130规范化。例如，词项130(比如“the”、“a”、“for”、“in”、“he”、“she”和“it”)可以由词项引擎205移除。词项引擎205也可以从与每个内容项目173关联的词项130移除缩写和恰当名词。
词项引擎205也可以通过将用于与每个内容项目173关联的词项130的时态和数量规范化来将词项规范化。例如，词项引擎205可以使名词和动词为单数，并且可以使动词使用当前时态。可以使用用于将文本规范化的任何方法。
词项引擎205可以基于与每个内容项目173关联的规范化的词项130来生成词项-频率矩阵。取决于实现方式，词项-频率矩阵可以包括用于每个内容项目173的行和用于与内容项目173中的任何内容项目173关联的每个词项130的列。词项-频率矩阵中的每个条目可以是与条目的列关联的词项130在与条目的行关联的内容项目173中出现的次数的计数。可以使用用于对内容项目173中的词项130的出现进行计数的任何方法。生成的词项-频率矩阵可以由词项引擎205存储为词项数据175。
主题引擎215可以选择用于内容项目173的主题。主题可以是词项或者短语，该词项或者短语意在于覆盖或者涵盖由与内容项目173关联的各种词项130表示的想法和/或题目中的许多想法和/或题目。例如，主题“freedom(自主)”可以覆盖在内容项目173(比如“opportunity(机会)”、“right(权利)”、“liberty(自由)”、“power(能力)”和“opportunity”)中被使用的词项130。主题“love”可以覆盖词项130，比如“affection(喜爱)”、“friendship”、“passion(激情)”、“crush(迷恋)”、“cherish(珍爱)”、“like(喜欢)”和“flame(热情)”。主题和主题的数目可以由用户或者管理员选择。备选地，主题和主题的数目可以由主题引擎215基于与所有内容项目173关联的最频繁地出现的词项130来选择。可以使用其它方法。
模型引擎220可以基于由词项引擎205生成的词项-频率矩阵来生成主题模型165。主题模型165可以是概率主题模型并且可以对于每个内容项目173指示内容项目173与主题中的每个主题关联的概率。模型引擎220可以使用用于生成概率主题模型的任何已知的方法(如例如潜在狄利克雷分配)来生成主题模型165。可以使用其它方法。利用概率主题模型，内容项目173无需初始地使用主题中的一个或者多个主题而被标注以便训练模型。在词项130、主题和内容项目173之间的统计关系作为替代由模型引擎220基于词项-频率矩阵推断为隐藏的结构。
取决于实现方式，模型引擎220可以使用潜在狄利克雷分配或者来自同族的技术以生成词项矩阵236和内容词项矩阵237。词项矩阵236可以是矩阵，该矩阵具有用于与内容项目173关联的词项130中的每个词项的行和用于主题中的每个主题的列，或者反之亦然。词项矩阵236中的每个条目可以是关联于条目的行的词项130与关联于条目的列的主题有关的概率。在词项矩阵236中被使用的词项130可以是由词项引擎205规范化的词项130。
相似地，内容项目矩阵237可以是如下矩阵，该矩阵具有用于内容项目173中的每个内容项目173的行和用于主题中的每个主题的列，或者反之亦然。内容项目矩阵237中的每个条目可以是关联于条目的行的内容项目173与关联于条目的列的主题有关的概率。
内容项目推荐引擎160可以使用主题模型165的词项矩阵236和/或内容项目矩阵237以基于接收的词项130来生成内容项目推荐135。取决于实现方式，在内容项目推荐引擎160从客户端设备110的用户接收词项130时，内容项目推荐引擎160可以从词项矩阵236取回与该词项130对应的行。取回的行可以被视为向量，该向量具有关于接收的词项130的、用于主题中的每个主题的概率。内容项目推荐引擎160可以从向量选择关于接收的词项130具有最高概率的主题。
在选择主题之后，内容项目推荐引擎160可以从内容项目矩阵237取回与选择的主题对应的列。相似地，如以上对于词项矩阵236而被描述的那样，取回的列可以被视为向量，该向量具有关于选择的主题的、用于内容项目173中的每个内容项目的概率。
内容项目推荐引擎160可以基于内容项目173关于选择的主题的概率来对它们排名，并且可以选择最高排名或者最可能的内容项目173以用于内容项目推荐135。例如，内容项目推荐引擎160可以选择前十个、二十个、三十个等内容项目173以用于内容容项目推荐135。内容项目推荐135中的内容项目173的数目可以由用户或者管理员设置，或者可以由提供词项130的用户指定。
内容项目推荐引擎160可以向提供词项130的用户提供内容项目推荐135。取决于实现方式，内容项目推荐135可以被提供为播放列表或者其它文件格式，该播放列表或者其它文件格式可以由内容项目应用117用来从内容项目提供方170中的一个或者多个内容项目提供方170取回关联内容项目173。备选地或者附加地，向客户端设备110发送的内容项目推荐135可以包括推荐的内容项目173的副本。
在一些实现方式中，内容项目推荐引擎160可以在选择用于内容项目推荐135的内容项目173时考虑与提供词项130的用户关联的用户偏好数据240。用户偏好数据240可以指示用户偏好的内容项目173的类型或者类别。例如，在内容项目173是歌曲时，用户偏好数据240可以包括用户喜欢或者不喜欢的特定歌曲或者用户喜爱或者不喜爱的特定歌曲风格(例如，摇滚、说唱、乡村等)的指示符。
在内容项目推荐引擎160从内容项目矩阵237取回用于选择的主题的内容项目173概率的向量时，内容项目推荐引擎165可以移除用于内容项目173的条目，这些内容项目被已知是用户不喜爱的或者与被已知如由用户偏好数据240指示的那样是用户不喜爱的风格关联。备选地或者附加地，内容项目推荐引擎160可以对与用于主题的内容项目173关联的概率加权(即，增加或者减少)以有利于用户喜爱的内容项目173和不利于用户不喜爱的内容项目173。
图3是可以被用来向内容项目推荐引擎160提供项目130以及从内容项目推荐引擎160接收内容项目推荐135的示例用户界面300的图示。在所示的示例中，用户界面130被用于推荐作为歌曲的内容项目173；然而，用户界面300可以被用于推荐任何类型的内容项目173。取决于实现方式，用户界面300例如可以由内容项目应用117提供，或者可以由内容项目推荐引擎160通过网站提供。
用户界面300包括文本框305，用户可以通过该文本框录入词项，该词项描述用户想要发现与之有关的歌曲的特定主题或者情绪。在所示的示例中，用户已经向文本框305中录入了词项130“romance”，该词项指示用户对与“romance”有关的歌曲感兴趣。当在文本框305中录入词项130之后，用户可以通过点击或者选择被标注为“提交”的按钮307来向内容项目推荐引擎160提交词项130。
内容词项推荐引擎160可以接收词项130“romance”，并且可以使用词项矩阵236以确定关于词项130“romance”具有最高概率的主题。在所示的示例中，确定的主题是“Love”，并且在用户界面300的窗口309中被显示给用户。
内容项目推荐引擎160可以使用内容项目矩阵237以确定关于主题“Love”具有最高概率的歌曲。可以向用户提供具有最高概率的歌曲的某个子集作为内容项目推荐135。在所示的示例中，在窗口311中向用户显示关于主题“Love”具有最高概率的前十个歌曲。用户可以选择特定歌曲，并且可以通过选择被标注为“Play(播放)”的按钮313来播放特定歌曲。
图4是用于基于与内容项目173关联的词项130来生成主题模型165的方法400的实现方式的操作流程。方法400可以由内容项目推荐引擎160实施。
在401处，接收多个内容项目。多个内容项目173可以由内容项目推荐引擎160从一个或者多个内容项目提供方170接收。多个内容项目173可以是歌曲，但是可以支持其它类型的内容项目173，比如视频、文档和图像。
在403处，确定与每个内容项目关联的多个词项。与每个内容项目173关联的多个词项可以由内容项目推荐引擎160的词项引擎205确定。在其中内容项目173是歌曲的实现方式中，词项引擎205可以基于与内容项目173关联的歌词来确定用于内容项目173的多个词项130。与每个内容项目173关联的歌词可以由词项引擎205从内容词项提供方170接收作为词项数据175的部分。备选地或者附加地，歌词可以由词项引擎205从一个或者多个网站取回，或者可以由词项引擎205使用技术(比如语音识别)从内容项目173确定。可以使用其它方法。
在405处，将与每个内容项目关联的多个词项规范化。词项130可以由内容项目推荐引擎160的词项引擎205规范化。取决于实现方式，可以通过将由词项130使用的时态标准化、移除作为冠词、代词或者介词的词项130以及使词项130限于特定词汇表来将词项130规范化。可以使用用于文本规范化的任何方法。
在407处，生成词项-频率矩阵。可以由内容词项推荐引擎160的词项引擎205通过对内容项目173中的每个内容项目中的词项130中的每个词项的出现计数或者确定来生成词项-频率矩阵。
在409处，确定多个主题。多个主题可以由主题引擎215确定。取决于实现方式，每个主题可以代表词项130的广义类别并且可以由用户或者管理员确定。
在411处，生成词项矩阵。词项矩阵236可以是主题模型165的部分并且可以由内容项目推荐引擎160的模型引擎220使用概率主题模型(如例如潜在狄利克雷分配)来从词项-频率矩阵生成。可以使用其它方法。在一些实现方式中，可以对于与每个内容项目关联的多个词项的每个词项、基于词项-频率矩阵、关于多个主题中的每个主题确定用于词项的概率来生成词项矩阵236。可以使用其它方法。
在413处，生成内容项目矩阵。内容项目矩阵237可以是主题模型165的部分并且可以由内容项目推荐引擎160的模型引擎220使用概率主题模型从词项-频率矩阵生成。在一些实现方式中，可以对于多个内容项目中的每个内容项目、基于词项-频率矩阵、关于多个主题中的每个主题确定用于内容项目的概率来生成内容项目矩阵237。可以使用其它方法。
图5是用于响应于接收的词项130来推荐内容项目173的方法500的实现方式的操作流程。方法500可以由内容项目推荐引擎160实施。
在501处，接收主题模型。主题模型165可以由内容项目推荐引擎160接收。可以已经基于与多个内容项目173关联的词项130生成了主题模型165。取决于实现方式，主题模型165可以包括词项矩阵236和内容项目矩阵237。
在503处，接收词项。词项130可以由内容项目推荐引擎160从客户端设备110的用户接收。词项130可以是描述特定情绪或者用户有兴趣使用的内容项目173类型的单词。例如，词项可以指示用户有兴趣收听的音乐的类型。
在505处，确定与接收的词项关联的主题。主题可以由内容项目推荐引擎160使用主题模型165的词项矩阵236确定。词项矩阵256可以对于每个词项130包括词项130与每个主题关联的概率。取决于实现方式，内容项目推荐引擎160可以确定关于接收的词项130具有最高概率的主题。
在507处，选择与确定的主题关联的一个或者多个内容项目。一个或者多个内容项目173可以由内容项目推荐引擎160使用主题模型165的内容项目矩阵237选择。内容项目矩阵237可以对于每个内容项目173包括内容项目173与每个主题关联的概率。取决于实现方式，内容项目推荐引擎160可以选择关于确定的主题具有最高概率的一个或者多个内容项目173。
在509处，提供选择的一个或者多个内容项目的指示符。选择的一个或者多个内容项目173的指示符可以由内容项目推荐引擎160提供作为内容项目推荐135。
图6示出了其中可以实施示例实施例和方面的示例计算环境。计算设备环境仅为适当计算环境的一个示例而没有旨在于暗示关于使用或者功能范围的任何限制。
可以使用许多其它通用或者专用计算设备环境或者配置。可以适合用于使用的熟知计算设备、环境和/或配置的示例包括但不限于个人计算机、服务器计算机、手持或者膝上型设备、多处理器***、基于微处理器的***、网络个人计算机(PC)、小型计算机、大型机计算机、嵌入式***、包括以上***或者设备的任何***或者设备的分布式计算环境等。
可以使用由计算机执行的计算机可执行指令，比如程序模块。一般而言，程序模块包括执行特定任务或者实施特定抽象数据类型的例程、程序、对象、部件、数据结构等。可以使用分布式计算环境，其中任务由通过通信网络或者其它数据传输介质而被链接的远程处理设备执行。在分布式计算环境中，程序模块和其它数据可以位于包括存储器存储设备的本地和远程计算机存储介质二者中。
参照图6，用于实施这里描述的方面的示例性***包括计算设备，比如计算设备600。在它的最基本配置中，计算设备600通常地包括至少一个处理单元602和存储器604。取决于计算设备的确切配置和类型，存储器604可以是易失性的(比如随机存取存储器(RAM))、非易失性的(比如只读存储器(ROM)、闪存等)或者二者的某个组合。这一最基本配置在图6中由虚线606图示。
计算设备600可以具有附加特征/功能。例如，计算设备600可以包括附加存储装置(可移除和/或不可移除)，包括但不限于磁或者光盘或者带。这样的附加存储装置在图6中由可移除存储装置608和不可移除存储装置610图示。
计算设备600通常地包括多种计算机可读介质。计算机可读介质可以是可以由设备600访问的任何可用介质，并且包括易失性和非易失性介质、可移除和不可移除介质二者。
计算机存储介质包括在用于存储信息(比如计算机可读指令、数据结构、程序模块或者其它数据)的任何方法或者技术中被实施的易失性和非易失性以及可移除和不可移除介质。存储器604、可移除存储装置608和不可移除存储装置610都是计算机存储介质的示例。计算机存储介质包括但不限于RAM、ROM、电可拆除可编程只读存储器(EEPROM)、闪存或者其它存储器技术、CD-ROM、数字万用盘(DVD)或者其它光存储装置、磁盒、磁带、磁盘存储装置或者其它磁存储设备或者可以用来存储希望的信息并且可以由计算设备500访问的任何其它介质。任何这样的计算机存储介质可以是计算设备600的部分。
计算设备600可以包含允许设备与其它设备通信的通信连接612。计算设备600也可以具有输入设备614，比如键盘、鼠标、笔、语音输入设备、触摸输入设备等。也可以包括输出设备616，比如显示器、扬声器、打印机等。所有这些设备在本领域中是熟知的而无需在这里加以详细讨论。
应当理解，可以结合硬件部件或者软件部件或者在适当时利用二者的组合来实施这里描述的各种技术。可以使用的硬件部件的说明性类型包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑器件(CPLD)等。当前公开的主题内容的方法或者装置或者其某些方面或者部分可以采用在有形介质(比如软盘、CD-ROM、硬驱动或者任何其它机器可读存储介质)中被体现的产品代码形式(即指令)，其中在程序代码被加载到机器(比如计算机)中并且由机器执行时，机器变成用于实践当前公开的主题内容的装置。
在一个实现方式中，提供了一种用于基于与歌曲关联的词项来推荐歌曲的***。该***包括至少一个计算设备和推荐引擎。推荐引擎适于针对多个歌曲中的每个歌曲，确定与歌曲关联的多个词项，并且确定多个主题。推荐还适于针对与每个歌曲关联的多个词项中的每个词项，确定关于多个主题中的每个主题的、用于词项的概率。推荐引擎还适于针对多个歌曲中的每个歌曲，确定关于多个主题中的每个主题的、用于歌曲的概率。推荐引擎还适于接收与每个歌曲关联的多个词项中的词项、基于关于多个主题中的每个主题的、用于接收的词项的确定的概率来选择多个主题中的主题、基于选择的主题和关于选择的主题的、用于每个歌曲的确定的概率来选择多个歌曲中的一个或者多个歌曲、以及响应于接收的词项来提供选择的一个或者多个歌曲。
实现方式可以包括以下特征的一些或者所有特征。推荐引擎还可以适于将与每个歌曲关联的多个词项规范化。推荐引擎还可以适于从与每个歌曲关联的多个词项生成词项-频率矩阵。可以使用概率图形模型、基于词项-频率矩阵来确定关于多个主题中的每个主题的、用于每个词项的概率。概率图形模型可以是潜在狄利克雷分配模型。
在一个实现方式中，提供了一种用于基于与歌曲关联的歌词来推荐歌曲的方法。该方法包括由计算设备接收主题模型、由计算设备接收多个词项中的词项、基于接收的词项和主题模型、由计算设备确定与接收的词项关联的、多个主题中的主题、基于确定的主题和主题模型、由计算设备从多个歌曲选择与确定的主题关联的一个或者多个歌曲，以及由计算设备提供选择的一个或者多个歌曲的指示符。
实现方式可以包括以下特征的一些或者所有特征。主题模型是概率主题模型。概率主题模型可以是潜在狄利克雷分配模型或者来自同族的技术。选择的一个或者多个歌曲的指示符可以包括播放列表。每个歌曲可以与多个词项中的词项关联，并且可以通过以下操作来生成主题模型：从与多个歌曲中的每个歌曲关联的词项生成词项-频率矩阵，针对多个词项中的每个词项、使用词项-频率矩阵来确定关于多个主题中的每个主题的、用于词项的概率，以及针对多个歌曲中的每个歌曲、使用词项-频率矩阵来确定关于多个主题中的每个主题的用于歌曲的概率。可以将与每个歌曲关联的词项规范化。确定与接收的词项关联的、多个主题中的主题可以包括确定对于接收的词项具有最高确定的概率的主题。从多个歌曲选择与确定的主题关联的一个或者多个歌曲可以包括基于对于确定的主题的、与每个歌曲关联的概率来对多个歌曲中的歌曲排名，并且基于排名来选择一个或者多个歌曲。
在一个实现方式中，提供了一种用于基于与内容项目关联的词项来推荐内容项目的方法。该方法包括由计算设备接收多个内容项目，针对每个内容项目、由计算设备确定与内容项目关联的多个词项，由计算设备确定多个主题，针对与每个内容项目关联的多个词项中的每个词项、由计算设备确定关于多个主题中的每个主题的、用于词项的概率，针对多个内容项目中的每个内容项目、由计算设备确定关于多个主题中的每个主题的、用于内容项目的概率，由计算设备接收与多个内容项目中的每个内容项目关联的多个词项中的词项，基于关于多个主题中的每个主题的、用于接收的词项的确定的概率来由计算设备选择多个主题中的主题，基于选择的主题和关于选择的主题的、用于每个内容项目的确定的概率来由计算设备选择一个或者多个内容项目，以及由计算设备响应于接收的词项来提供选择的一个或者多个内容项目。
实现方式可以包括以下特征的一些或者所有特征。主题模型是概率主题模型。内容项目可以是歌曲，并且与每个内容项目关联的多个词项可以是歌词。可以将与每个内容项目关联的多个词项规范化。内容项目可以是文档，并且与每个文档关联的多个词项可以是在文档中被使用的词项。可以从与每个内容项目关联的多个词项生成词项-频率矩阵。可以使用概率图形模型、基于词项-频率矩阵来确定关于多个主题中的每个主题的、用于每个词项的概率。概率图形模型可以是潜在狄利克雷分配模型。
虽然示例性实现方式可以是指在一个或者多个单独计算机***的情境中利用当前公开的主题内容的方面，但是主题内容不限于此，而是可以结合任何计算环境(比如网络或者分布式计算环境)而被实施。进而另外，可以在多个处理芯片或者设备中或者跨它们来实施当前公开的主题内容的方面，并且可以相似地跨多个设备来实现存储。这样的设备可以例如包括个人计算机、网络服务器和手持设备。
虽然已经用结构特征和/或方法动作特有的言语描述了主题内容，但是将理解，在所附权利要求中限定的主题内容未必限于以上描述的具体特征或者动作。实际上，以上描述的具体特征和动作被公开作为实施权利要求的示例形式。

Claims (20)

1.一种用于基于与多个歌曲关联的词项来推荐歌曲的***，包括：
至少一个计算设备；以及
推荐引擎，其适于：
针对所述多个歌曲中的每个歌曲，确定与所述歌曲关联的多个词项；
确定多个主题，每个主题包括所述多个词项中的至少一个词项；
针对与每个歌曲关联的所述多个词项中的每个词项，确定关于所述多个主题中的每个主题的、用于所述词项的匹配概率；
针对所述多个歌曲中的每个歌曲，确定关于所述多个主题中的每个主题的、用于所述歌曲的匹配概率；
使用用户界面，从特定用户接收与所述多个歌曲中的每个歌曲关联的所述多个词项中的词项；
使用所述用户界面，接收与所述特定用户关联的用户偏好数据，所述用户偏好数据包括所述特定用户喜欢或者不喜欢的歌曲的类型或者类别中的至少一项的指示；
基于关于所述多个主题中的每个主题的、用于接收的所述词项的确定的所述匹配概率，选择所述多个主题中的主题；
基于选择的所述主题，所述用户偏好数据和关于选择的所述主题的、用于每个歌曲的确定的所述匹配概率，选择所述多个歌曲中的一个或者多个歌曲；以及
响应于接收的所述词项，提供选择的所述一个或者多个歌曲。
2.根据权利要求1所述的***，其中所述推荐引擎还适于将与每个歌曲关联的所述多个词项规范化。
3.根据权利要求1所述的***，其中所述推荐引擎还适于从与每个歌曲关联的所述多个词项生成词项-频率矩阵。
4.根据权利要求3所述的***，其中关于所述多个主题中的每个主题的、用于每个词项的所述匹配概率使用概率图形模型基于所述词项-频率矩阵而被确定。
5.根据权利要求4所述的***，其中所述概率图形模型是潜在狄利克雷分配模型。
6.一种由至少一个计算设备实现的、用于基于与多个歌曲关联的词项来推荐歌曲的方法，包括：
针对所述多个歌曲中的每个歌曲，确定与所述歌曲关联的多个词项；
确定多个主题，每个主题包括所述多个词项中的至少一个词项；
针对与每个歌曲关联的所述多个词项中的每个词项，确定关于所述多个主题中的每个主题的、用于所述词项的匹配概率；
针对所述多个歌曲中的每个歌曲，确定关于所述多个主题中的每个主题的、用于所述歌曲的匹配概率；
使用用户界面，从特定用户接收与所述多个歌曲中的每个歌曲关联的所述多个词项中的词项；
使用所述用户界面，接收与所述特定用户关联的用户偏好数据，所述用户偏好数据包括所述特定用户喜欢或者不喜欢的歌曲的类型或者类别中的至少一项的指示；
基于关于所述多个主题中的每个主题的、用于接收的所述词项的确定的所述匹配概率，选择所述多个主题中的主题；
基于确定的所述主题，所述用户偏好数据和关于选择的所述主题的、用于每个歌曲的确定的所述匹配概率，由所述计算设备选择所述多个歌曲中的一个或者多个歌曲；以及
响应于经由所述用户界面的接收的所述词项，提供选择的所述一个或者多个歌曲的指示符。
7.根据权利要求6所述的方法，其中所述主题模型是概率主题模型。
8.根据权利要求7所述的方法，其中所述概率主题模型是潜在狄利克雷分配模型。
9.根据权利要求6所述的方法，其中选择的所述一个或者多个歌曲的所述指示符包括播放列表。
10.根据权利要求6所述的方法，还包括通过以下各项来生成所述主题模型：
从与所述多个歌曲中的每个歌曲关联的所述多个词项生成词项-频率矩阵；
针对所述多个词项中的每个词项，使用所述词项-频率矩阵来确定关于所述多个主题中的主题中的每个主题的、用于所述词项的所述匹配概率；以及
针对所述多个歌曲中的每个歌曲、使用所述词项-频率矩阵来确定关于多个主题中的每个主题的、用于所述歌曲的所述概率。
11.根据权利要求10所述的方法，还包括将与每个歌曲关联的所述多个词项规范化。
12.根据权利要求10所述的方法，其中确定与接收的所述词项关联的、所述多个主题中的所述主题包括确定对于接收的所述词项具有最高确定的概率的主题。
13.根据权利要求10所述的方法，其中从所述多个歌曲选择与确定的所述主题关联的所述一个或者多个歌曲包括基于对于确定的所述主题的、与每个歌曲关联的所述多个词项所述匹配概率来对所述多个歌曲中的所述多个歌曲进行排名，并且基于所述排名来选择所述一个或者多个歌曲。
14.一种用于基于与多个内容项目关联的词项来推荐内容项目的方法，包括：
由计算设备接收所述多个内容项目；
针对每个内容项目，由所述计算设备确定与所述内容项目关联的多个词项；
由所述计算设备确定多个主题，每个主题包括所述多个词项中的至少一个词项；
针对与每个内容项目关联的所述多个词项中的每个词项，由所述计算设备确定关于所述多个主题中的每个主题的、用于所述词项的匹配概率；
针对所述多个内容项目中的每个内容项目，由所述计算设备确定关于所述多个主题中的每个主题的、用于所述内容项目的匹配概率；
使用用户界面，由所述计算设备从特定用户接收与所述多个内容项目中的每个内容项目关联的所述多个词项中的词项；
使用所述用户界面，接收与所述特定用户关联的用户偏好数据，所述用户偏好数据包括所述特定用户喜欢或者不喜欢的内容项目的类型或者类别中的至少一项的指示；
基于关于所述多个主题中的每个主题的、用于接收的所述词项的确定的所述匹配概率，由所述计算设备选择所述多个主题中的主题；
基于选择的所述主题，所述用户偏好数据和关于选择的所述主题的、用于每个内容项目的确定的所述匹配概率，由所述计算设备选择一个或者多个内容项目；以及
由所述计算设备响应于接收的所述词项来提供选择的所述一个或者多个内容项目。
15.根据权利要求14所述的方法，其中所述内容项目是歌曲，并且与每个内容项目关联的所述多个词项是歌词。
16.根据权利要求14所述的方法，还包括将与每个内容项目关联的所述多个词项规范化。
17.根据权利要求14所述的方法，其中所述内容项目是文档，并且与每个文档关联的所述多个词项是在所述文档中被使用的词项。
18.根据权利要求14所述的方法，还包括从与每个内容项目关联的所述多个词项生成词项-频率矩阵。
19.根据权利要求18所述的方法，其中关于所述多个主题中的每个主题的、用于每个词项的所述匹配概率使用概率图形模型基于所述词项-频率矩阵而被确定。
20.根据权利要求19所述的方法，其中所述概率图形模型是潜在狄利克雷分配模型。
CN201680057207.XA 2015-09-30 2016-09-23 使用主题模型基于接收的词项选择内容项目 Active CN108140034B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/870,245 US10452710B2 (en) 2015-09-30 2015-09-30 Selecting content items based on received term using topic model
US14/870,245 2015-09-30
PCT/US2016/053217 WO2017058643A1 (en) 2015-09-30 2016-09-23 Selecting content items based on received term using topic model

Publications (2)

Publication Number Publication Date
CN108140034A CN108140034A (zh) 2018-06-08
CN108140034B true CN108140034B (zh) 2022-03-29

Family

ID=57083385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680057207.XA Active CN108140034B (zh) 2015-09-30 2016-09-23 使用主题模型基于接收的词项选择内容项目

Country Status (4)

Country Link
US (1) US10452710B2 (zh)
EP (1) EP3356957A1 (zh)
CN (1) CN108140034B (zh)
WO (1) WO2017058643A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11544601B2 (en) * 2017-02-15 2023-01-03 National Institute Of Advanced Industrial Science And Technology System for generating topic inference information of lyrics
US10957290B2 (en) * 2017-08-31 2021-03-23 Spotify Ab Lyrics analyzer
US11264002B2 (en) * 2018-10-11 2022-03-01 WaveAI Inc. Method and system for interactive song generation

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1629870A (zh) * 2003-06-30 2005-06-22 微软公司 用于提供用户存在性和有效性的状态和预测的方法及结构
CN101059796A (zh) * 2006-04-19 2007-10-24 中国科学院自动化研究所 基于概率主题词的两级组合文本分类方法
CN102591917A (zh) * 2011-12-16 2012-07-18 华为技术有限公司 一种数据处理方法、***及相关装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070163425A1 (en) 2000-03-13 2007-07-19 Tsui Chi-Ying Melody retrieval system
JP2004118363A (ja) * 2002-09-24 2004-04-15 Nippon Telegr & Teleph Corp <Ntt> Ｗｗｗにおけるハブとオーソリティ予測方法及び装置及び予測プログラム及び予測プログラムを格納した記憶媒体
US7921369B2 (en) 2004-12-30 2011-04-05 Aol Inc. Mood-based organization and display of instant messenger buddy lists
KR100775585B1 (ko) * 2006-12-13 2007-11-15 삼성전자주식회사 문자 메시지에 대한 음악 추천 방법 및 그 시스템
JP5115966B2 (ja) 2007-11-16 2013-01-09 独立行政法人産業技術総合研究所 楽曲検索システム及び方法並びにそのプログラム
US8650094B2 (en) * 2008-05-07 2014-02-11 Microsoft Corporation Music recommendation using emotional allocation modeling
US20100131569A1 (en) * 2008-11-21 2010-05-27 Robert Marc Jamison Method & apparatus for identifying a secondary concept in a collection of documents
US8644971B2 (en) 2009-11-09 2014-02-04 Phil Weinstein System and method for providing music based on a mood
CN104011792B (zh) 2011-08-19 2018-08-24 亚历山大·日尔科夫 多结构的、多级信息形式化和结构化方法和相关联的装置
US8873813B2 (en) 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
US8775442B2 (en) 2012-05-15 2014-07-08 Apple Inc. Semantic search using a single-source semantic model
CN103970802B (zh) * 2013-02-05 2018-12-14 北京音之邦文化科技有限公司 一种歌曲推荐的方法及装置
US9280587B2 (en) * 2013-03-15 2016-03-08 Xerox Corporation Mailbox search engine using query multi-modal expansion and community-based smoothing
US9002835B2 (en) 2013-08-15 2015-04-07 Google Inc. Query response using media consumption history
CN103793537B (zh) * 2014-03-04 2017-01-25 南京大学 一种基于多维时间序列分析的个性化音乐推荐***及其实现方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1629870A (zh) * 2003-06-30 2005-06-22 微软公司 用于提供用户存在性和有效性的状态和预测的方法及结构
CN101059796A (zh) * 2006-04-19 2007-10-24 中国科学院自动化研究所 基于概率主题词的两级组合文本分类方法
CN102591917A (zh) * 2011-12-16 2012-07-18 华为技术有限公司 一种数据处理方法、***及相关装置

Also Published As

Publication number Publication date
EP3356957A1 (en) 2018-08-08
CN108140034A (zh) 2018-06-08
US20170091322A1 (en) 2017-03-30
WO2017058643A1 (en) 2017-04-06
US10452710B2 (en) 2019-10-22

Similar Documents

Publication Publication Date Title
US20220044139A1 (en) Search system and corresponding method
US9195741B2 (en) Triggering music answer boxes relevant to user search queries
Bonnin et al. Automated generation of music playlists: Survey and experiments
US9846744B2 (en) Media discovery and playlist generation
KR101994987B1 (ko) 관련 엔티티들
KR102001647B1 (ko) 지식 패널들을 컨텍스트화
US20080059453A1 (en) System and method for enhancing the result of a query
US20130198268A1 (en) Generation of a music playlist based on text content accessed by a user
US20090313227A1 (en) Searching Using Patterns of Usage
US9547698B2 (en) Determining media consumption preferences
JP2011175362A (ja) 情報処理装置、重要度算出方法及びプログラム
US10025783B2 (en) Identifying similar documents using graphs
Cheng et al. On effective personalized music retrieval by exploring online user behaviors
Chiny et al. Netflix recommendation system based on TF-IDF and cosine similarity algorithms
US9424353B2 (en) Related entities
Hyung et al. Utilizing context-relevant keywords extracted from a large collection of user-generated documents for music discovery
CN108140034B (zh) 使用主题模型基于接收的词项选择内容项目
US20160335359A1 (en) Processing search queries and generating a search result page including search object related information
JP2006318398A (ja) ベクトル生成方法及び装置及び情報分類方法及び装置及びプログラム及びプログラムを格納したコンピュータ読み取り可能な記憶媒体
Knees et al. Contextual music meta-data: comparison and sources
Fanaee-T et al. A semantic VSM-based recommender system
Goto et al. A TV agent system that integrates knowledge and answers users' questions
Givon Predicting and using social tags to improve the accuracy and transparency of recommender systems
Tatlı Tag-based music recommendation systems using semantic relations and multi-domain information

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
GR01 Patent grant
GR01 Patent grant