CN111753124A - 一种音乐推荐方法及服务器 - Google Patents

Abstract

本发明适用于音乐推荐技术领域，提供了一种音乐推荐方法、装置及服务器，其中所述方法包括：获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据；根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分；获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度；根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。本发明能够提高给目标用户推荐音乐的准确性。

Description

一种音乐推荐方法及服务器

技术领域

本发明属于音乐推荐技术领域，尤其涉及一种音乐推荐方法及服务器。

背景技术

协同过滤推荐算法是目前应用较广的推荐算法之一，该算法分为三个子类，即基于用户(user-based)的协同过滤推荐、基于物品(item-based)的协同过滤推荐和基于模型(model-based)的协同过滤推荐。在音乐的推荐中，使用较多的是基于用户的协同过滤推荐。基于用户的协同过滤主要考虑的是用户和用户之间的相似度，只要找出相似用户喜欢的物品，并预测目标用户对对应物品的评分，就可以找到评分最高的若干个物品推荐给用户。

然而，在传统的基于用户的协同过滤音乐推荐算法中，存在两个问题：第一是采用的用户行为的维度少、且权重单一；第二是其利用用户行为直接计算得到用户对某一首歌曲的喜爱程度，在用户数量较多时，根据这种算法得到的用户对某一首歌曲的喜爱程度的可信度较高，但是如果用户数量比较少，采用这种算法不能准确的得到用户对某一首歌曲的喜爱程度，因此使得给目标用户推荐的音乐不够准确。

发明内容

有鉴于此，本发明实施例提供了一种音乐推荐方法及服务器，以解决现有技术中给目标用户推荐的音乐不够准确的问题。

本发明实施例的第一方面提供了一种音乐推荐方法，包括：

获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据；

根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分；

获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度；

根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。

本发明实施例的第二方面提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。

本发明实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例中，通过根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分，相比现有技术中的单维度评分，本发明实施例中多维度的评分能更准确地反映用户对某一首歌曲的喜爱程度；并且根据所述用户行为的评分计算第一赞成率，以及计算第一赞成率的置信区间，从而提高了第一赞成率的可信度，即使是小样本的用户数量也能准确地给出用户对某一首歌曲的喜爱程度，再根据计算得到的目标用户对每首歌曲的兴趣度给所述目标用户推荐歌曲，从而实现了为目标用户推荐其喜爱的歌曲，进而提高了音乐推荐的准确度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种音乐推荐方法的流程示意图；

图2是本发明实施例提供的另一种音乐推荐方法的流程示意图；

图3是本发明实施例提供的计算第二赞成率的具体实现步骤的流程示意图

图4是本发明实施例提供的根据所述歌曲在所述已有歌单中的位置计算位置得分计算位置得分的具体实现步骤的流程示意图；

图5是本发明实施例提供的一种音乐推荐装置的结构示意图；

图6是本发明实施例提供的一种服务器的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1为本发明实施例提供的一种音乐推荐方法的流程示意图，详述如下：

S101：获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据。

具体地，所有用户是指使用音乐平台的所有的参与用户，其包括了目标用户。而所述用户行为数据是指用户收听歌曲时产生的数据，其在网站或移动APP(Application)上最简单的存在形式就是日志，因此可通过获取音乐网站或移动APP的相关日志，从而得到用户行为数据。

其中，所述用户行为数据包括以下任意一种或多种用户行为的组合：收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数、听歌时长、点击不感兴趣、移出歌单以及切歌。

而所述用户行为包括正向行为和反向行为；其中，所述正向行为包括收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数以及听歌时长中的至少一种，所述反向行为包括点击不感兴趣、移出歌单以及切歌中的至少一种。

由于用户对于某一首歌曲，可能会产生喜欢或者不喜欢的偏好，并且用户对于不同的歌曲，所产生的偏好的程度也会有所区别，可通过用户行为来反映该用户对该首歌曲的偏好(喜欢或者不喜欢)以及偏好的程度。因此在本发明实施例中，将用户行为分为正向行为和反向行为，正向行为是指用户对于歌曲表现出喜欢的情绪，反向行为则是指用户对于歌曲表现出不喜欢的情绪。收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数以及听歌时长中的至少一种行为都能反映出用户对歌曲的喜欢，而点击不感兴趣、移出歌单以及切歌中的至少一种行为都反映出用户对歌曲的不喜欢。但是不同的用户行为所代表的喜欢程度也不同，因此对于不同的用户行为，其对应的权重也不同，进而使得其评分也有所不同。

需要说明的是，所述用户行为数据中的各种用户行为所对应的权重可从音乐平台中获取，也可由服务器在获取到用户行为数据之后，再根据不同的用户行为进行设置。

进一步地，所述根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分，具体包括以下一项或多项：

A1.如果所述用户行为为收藏、且对应的权重为M₁，则评分为M₁*s；其中，s为时间衰减因子，M₁为大于1的数值。

对于收藏这种用户行为，当前各大音乐平台都设计有红心收藏按钮，如果用户非常喜欢推荐的歌曲，则会点击该按钮进行收藏，因而用户收藏的权重值最高，代表用户非常喜欢这首歌曲，因此音乐平台或者服务器可以给收藏行为设置最高的权重M₁，M₁的取值大于1，例如可以是1.2。最终给收藏行为的评分为M₁*s，即权重M₁与时间衰减因子s的乘积。需要说明的是，考虑到随着时间的变化，用户行为可能也会发生变化，距离当前时间越近，越能准确的反映田户的行为偏好，因此引入了时间衰减因子s。

具体地，时间衰减因子s可以按照下式定义：

上述(1)式中，t_c代表当前时间，t_o代表用户对该歌曲进行操作的时间，单位为月，即用户对该歌曲的操作行为1个月以内评分不变，在1个月到3个月以内评分将乘以时间衰减因子0.9；在3个月以上评分将乘以时间衰减因子0.8。

A2.如果所述用户行为为下载、分享以及加入歌单中的至少一种、且对应的权重为1，则评分为s。

用户将某首歌曲下载、分享和加入歌单大多是出于喜欢该歌曲的原因，但是与收藏行为相比，下载、分享和加入歌单这几种用户行为反映出用户对该首歌曲的喜欢程度没那么大，因此音乐平台或服务器可以给这类行为设置权重为1，最终给这类行为的评分为s，即权重与时间衰减因子的乘积。

需要说明的是，当同一个用户对于某一首歌曲做出了下载、分享以及加入歌单这几种行为中的两种或三种时，其对应的评分也为s。例如，假设用户u不仅将歌曲i下载，还将其分享到社交平台，最终的评分为s；假设用户u不仅将歌曲i下载，还将其加入歌单以及分享到社交平台，最终给这类行为的评分也为s。

A3.如果所述用户行为为购买、点赞、评论、识曲以及搜索中的至少一种、且对应的权重为N₁，则评分为N₁*s，N₁为小于1的数值。

购买、点赞、评论、识曲以及搜索行为也是用户行为的一部分，虽然这几种行为比较稀疏，大多数用户并没有做出这几种行为，但是这些行为确实在一定程度上反映了用户的偏好，为了能充分地利用采集到的用户行为数据，并从多个维度来评判用户对于某一首歌曲的偏好，进而更准确地为目标用户推荐其喜欢的歌曲，因此也将这些行为纳入考虑范围。本发明实施例中，音乐平台或服务器可以给这类行为设置权重N₁，N₁为一个小于1的数值，例如可以是0.8。最终给这类行为的评分为N₁*s，即权重N₁与时间衰减因子的乘积。

需要说明的是，当同一个用户对于某一首歌曲做出了购买、点赞、评论、识曲以及搜索这几种行为中的两种或三种或四种时，其给这类行为的评分仍为N₁*s。

A4.如果所述用户行为为听歌次数和听歌时长，则按照下式进行评分：

上述(2)式中，score为用户行为的得分，e为数学常数，n为听歌次数，i为用户第i次听歌，t_i为用户第i次的听歌时长，t为该歌曲的时长。

其中，听歌次数是指用户收听该首歌曲的次数，听歌次数越多，则说明用户对该首歌曲的喜欢程度越大，在此引入下式对听歌次数进行评分：

score′＝(1-e^-0.5n-0.5) (3)

上述(3)式中，score′为根据听歌次数计算的得分，n为听歌次数。通过计算可得知，当n＝1时，score′＝0.632；当n＝2时，score′＝0.777；当n＝3时，score′＝0.865；当n＝4时，score′＝0.918；当n＝5时，score′＝0.950。因此随着n的不断增大，score′趋近于1。

而听歌时长是指用户收听该首歌曲的实际时长。本发明实施例中，还按照下式定义了实际播放占比t_p：

上述(4)式中，t_p表示实际播放占比，其是指用户对每首歌曲的实际听歌时长与该首歌曲的时长之比；t_real表示用户对每首歌曲的实际听歌时长，而t_total表示该首歌曲的时长。在本发明实施例中，当t_p小于或等于15％时，将认定用户对该首歌曲进行切歌操作；当t_p大于或等于50％时，将认定用户收听了该歌曲；当t_p的取值在15％-50％之间时，由于t_p未能很大的反映用户对该首歌曲是否喜欢，因此可以选择忽略。

结合上述提到的听歌次数和听歌时长，引入时间衰减因子，便可得到上述(2)式。

A5.如果所述用户行为为点击不感兴趣、且对应的权重为M₂，则评分为M₂*s，M₂为大于1的数值。

点击不感兴趣作为一种反向行为，其反映了用户非常不喜欢该首歌曲，即用户对该首歌曲不喜欢的程度最高，因此音乐平台或服务器可以给这种行为设置权重为M₂，M₂的取值大于1，例如可以是1.2。最终给这种行为的评分为M₂*s，即权重M₂与时间衰减因子s的乘积。

A6.如果所述用户行为为移出歌单、且对应的权重为1，则评分为s。

移出歌单作为一种反向行为，其反映的是用户已经对该首歌曲感到厌倦了，才会将该首歌曲移出歌单，用户对该首歌曲不喜欢的程度相较于点击不感兴趣这种行为来说弱一些，因此音乐平台或服务器可以给其设置权重为1，最终给这类行为的评分为s，即权重与时间衰减因子的乘积。

A7.如果所述用户行为为切歌、且对应的权重为N₂，则评分为N₂*s，N₂为小于1的数值。

本发明实施例中，当实际播放占比t_p小于或等于15％时，将认定为用户对该首歌曲进行了切歌。而切歌这种行为反映的是用户实际听取该首歌曲的时长比较短，对歌曲本身的了解程度不高，不喜欢的程度相对比较弱，因此音乐平台或服务器可以给这种行为设置权重N₂，N₂为大于0且小于1的数值，例如可以是0.8。

S102：根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分。

由于传统的基于用户的协同过滤推荐算法利用用户行为直接计算得到用户对某一首歌曲的喜爱程度，在用户数量比较少(即样本数量小)的情况下，导致得到的结果不够准确，使得给目标用户推荐的音乐不能很好地符合目标用户的喜好。本发明实施例中，将采用威尔逊区间排序算法来计算第一赞成率的置信区间，威尔逊区间排序算法是一种基于投票的排序方法。

由于用户行为分为正向行为和反向行为，因此可将每一种正向行为看成是用户对该首歌曲投赞成票，而每一种反向行为看成是用户对该首歌曲投反对票，再根据所得到的第一赞成票数和第一反对票数计算第一赞成率，进而计算第一赞成率基于威尔逊区间的置信区间，得到的置信区间的下限值即可视为该首歌曲的最终得分。由于第一赞成率的可信度取决于样本的数量，样本数量越多，第一赞成率的可信度也越高，但是样本数量较少时，第一赞成率的可信度很低。因此采用计算置信区间的方法可对利用小样本得到的第一赞成率的可信度进行修正，从而解决小样本的用户数量所导致的不能准确得到用户对某一首歌曲的喜爱程度的问题。

需要说明的是，由于威尔逊区间排序是一种与时间无关的算法，实际上音乐推荐***却会随着时间的变化而不断更迭，因此本发明实施例在S101中引入了时间衰减因子，使得***能够不断更迭。

进一步地，所述根据所述用户行为的评分计算第一赞成率，具体包括以下步骤B1-B3：

B1.根据所述正向行为的评分计算第一赞成票数；

具体地，可按照下式进行计算第一赞成票数：

上述(5)式中，v_p1为计算得到的第一赞成票数，j为第j个用户，A为有A个用户对该首歌曲有正向行为，s_i为第j个用户对该首歌曲产生正向行为的时间衰减因子，e为数学常数，n为听歌次数，i为用户第i次听歌，t_i为用户第i次的听歌时长，t为该歌曲的时长。

由于正向行为包括了收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数以及听歌时长这几种，因此可按照各种正向行为对应的权重进行加权处理，得到第一赞成票数。

需要说明的是，当用户对一首歌曲做出了下载、分享以及加入歌单中的两种或三种行为时，也只按照s_j来计算第一赞成票数。同样地，当用户对一首歌曲做出了购买、点赞、评论、识曲以及搜索中的两种或三种或四种行为时，也只按照0.8*s_j来计算第一赞成票数。

B2.根据所述反向行为的评分计算第一反对票数：

具体地，可按照下式进行计算第一反对票数：

上述(6)式中，v_n1为计算得到的第一反对票数，k为第k个用户，B为有B个用户对该首歌曲有反向行为，s_k为第k个用户对该首歌曲产生反向行为的时间衰减因子。

由于反向行为包括了点击不感兴趣、移出歌单以及切歌这几种，因此可按照各种反向行为对应的权重进行加权处理，得到第一反对票数。

B3.根据得到的第一赞成票数和第一反对票数计算第一赞成率。

在得到了第一赞成票数v_p1和第一反对票数v_n1之后，可按照下式计算第一赞成率p₁：

即第一赞成率p₁为第一赞成票数与总票数(即第一赞成票数和第一反对票数之和)的比值。

在得到p₁之后，将其代入威尔逊区间的置信区间计算公式：

上述(8)式中，p表示某一首歌曲的赞成率，在此处将第一赞成率p₁代入来计算置信区间；Confidence Interval表示计算得到的置信区间，置信区间是指以某个概率而言，p会落在的那个区间；n表示样本的数量，即对该首歌曲有过操作行为的用户的数量；z_1-α/2表示对应某个置信水平的z统计值，这是一个常量，可以通过查表得到，通过查表可得知，95％概率的置信水平下的z统计值为1.96，因此本发明实施例中将z_1-α/2值取为1.96。

需要说明的是，由于上述(8)式中将计算得到置信区间的两个端点值，分别为置信区间的下限值和上限值，在此给出置信区间的下限值的计算公式：

上述(9)式中，各个参数所代表的含义与上述(8)式相同，在此不再赘述。根据数学原理可知，当样本n的值足够大时，置信区间的下限值会趋向p，其置信区间相对较窄，就说明其可信度比较高，下限值也相对较大；当n的值非常小时，置信区间的下限值将会远远小于p，其置信区间相对较宽，就说明其可信度比较低，下限值也相对较小。

S103：获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度。

其中，目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度可从音乐平台上获取，也可以由服务器进行计算，相似度的计算可采用余弦相似度的方法。需要说明的是，在计算相似度之前，可先从所有用户中选取出于目标用户具有相同行为的用户集，再计算目标用户与所述用户集中的各个用户的相似度。

具体地，可按照下式计算相似度：

上述(10)式中，w_uv为计算得到的相似度，即用户u和用户v之间的相似度，在此处使用用户u来表示所述目标用户，而用户v则表示与目标用户兴趣相似的另一个用户；N(u)表示用户u曾经有过正反馈即正向行为的歌曲集合，N(v)表示用户v曾经有过正向行为的歌曲集合，i表示歌曲集合中的某一首歌曲。

在得到了相似度w_uv之后，将根据下式计算用户u对歌曲i的兴趣度：

p(u，i)＝∑_{v∈S(u，K)IN(i)}w_uvr_vi (11)

上述(11)式中，p(u，i)表示计算得到的用户u对歌曲i的兴趣度，v表示用户v，K表示用户的数量，S(u，K)表示与用户u相似度最高的K个用户的集合，w_uv表示用户u和用户v的相似度，r_vi表示用户v对歌曲i的兴趣度。其中，考虑到K的取值越大，计算量也越大，因此本发明实施例中将K设置为30，即只根据与目标用户兴趣相似度最高的30个用户来进行计算。

结合上述计算威尔逊区间的得分，可使用score_vi来表示用户v对歌曲i的兴趣度，将其代入上述(11)式可得：

p(u，i)＝∑_{v∈S(u，K)IN(i)}w_uvscore_vi (12)

上述(12)式中，score_vi表示用户v对歌曲i的基于威尔逊区间的评分。

S104：根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。

根据上述(12)式可计算得到用户u即目标用户每一首歌曲的兴趣度，再按照兴趣度的高低对所有歌曲进行排序，并根据排序的结果，将兴趣度最高的前N首歌曲选出并组合成一个歌单，将该歌单作为要给目标用户推荐的歌单，其中的N为大于1的整数，考虑到歌单中歌曲的数量不宜过多，因此可以将N设置为30，即对目标用户推荐的歌单中包含了30首歌曲。

本发明实施例中，通过根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分，相比现有技术中的单维度评分，本发明实施例中多维度的评分能更准确地反映用户对某一首歌曲的喜爱程度；并且通过计算第一赞成率的置信区间，提高了第一赞成率的可信度，即使是小样本的用户数量也能准确地给出用户对某一首歌曲的喜爱程度，再根据计算得到的目标用户对每首歌曲的兴趣度给所述目标用户推荐歌曲，从而实现了为目标用户推荐其喜爱的歌曲，进而提高了音乐推荐的准确度。

实施例二：

图2为本发明实施例提供的另一种音乐推荐方法的流程示意图，与实施例一不同的是：本实施例增加了对目标用户的已有歌单中的歌曲顺序的调整。

已有歌单中，新加入的歌曲往往排在顶部，而以前加入的歌曲则排在底部，随着时间的推移，用户可能不会那么喜欢歌单顶部的歌曲，反而是对底部的歌曲更感兴趣，但是如果歌单中的歌曲数量太多，用户在寻找底部歌曲时，需要很费劲地下拉到歌单的底部，造成操作的不便，也影响了用户的体验。因此，考虑到用户的这种需求，需要对已存在的歌单进行歌曲顺序的调整，将一些底部的歌曲排到歌单顶部的位置。

本发明实施例中，将结合每首歌曲的用户行为得分以及该首歌曲在已有歌单中的位置两方面来给每首歌曲进行评分，并基于该首歌曲的最终得分对已有歌单中的歌曲顺序进行调整，最终实现已有歌单的歌曲顺序自动更新，即将用户喜爱程度高的歌曲更新到歌单顶部的位置，以便于让用户更方便地听到自己想听的歌曲，而无需用户手动对已有歌单中的歌曲顺序进行调整，从而给用户提供了更好的体验。

在执行了上述步骤S104之后，还可执行以下几个步骤，即S105-S107。

S105：获取所述目标用户的已有歌单。

所述已有歌单包括但不限于默认歌单、目标用户创建或收藏的歌单、以及***给目标用户推荐的歌单等。每个目标用户的已有歌单的数量也可能有多个。

S106：对于所述已有歌单中的每首歌曲，根据所有用户的用户行为的评分以及所述歌曲在所述已有歌单中的位置，计算第二赞成率，并计算所述第二赞成率的置信区间，得到所述已有歌单中的每首歌曲的得分。

通常来说，一个已有歌单中会包含多首歌曲，对于该已有歌单中的每首歌曲，将结合该歌曲的用户行为评分和该歌曲在该已有歌单中的位置这两方面进行评分。

进一步地，所述对于所述已有歌单中的每首歌曲，根据所有用户的用户行为评分以及所述歌曲在所述已有歌单中的位置，计算第二赞成率，具体包括以下步骤C1-C3，如图3所示，图3为计算第二赞成率的具体实现步骤的流程示意图：

C1.根据修正后的时间衰减因子以及所有用户的用户行为的评分计算第二赞成票数和第二反对票数。

对时间衰减因子s进行修正，得到修正后的时间衰减因子s₁：

上述(13)式中，t_c代表当前时间，t_o代表用户对该歌曲进行操作的时间，单位为天，即用户对该歌曲的操作行为3天以内评分不变，在3天到7天以内评分将乘以时间衰减因子0.9；在7天以上评分将乘以时间衰减因子0.8。

由于用户行为分为正向行为和反向行为，因此将根据修正后的时间衰减因子s₁以及所述目标用户的正向行为的得分计算第二赞成票数，如下式：

上述(14)式中，v_p2是计算得到第二赞成票数，1为第1个用户，A为有A个用户对该首歌曲有正向行为，s_l为第1个用户对该首歌曲产生正向行为的修正后的时间衰减因子，e为数学常数，n为听歌次数，i为用户第i次听歌，t_i为用户第i次的听歌时长，t为该歌曲的时长。

根据修正后的时间衰减因子s₁以及所述目标用户的反向行为的得分计算第二反对票数，如下式：

上述(15)式中，v_n2为计算得到的第二反对票数，m为第m个用户，B为有B个用户对该首歌曲有反向行为，s_m为第m个用户对该首歌曲产生反向行为的修正后的时间衰减因子。

C2.根据所述歌曲在所述已有歌单中的位置计算位置得分。

其中，位置得分是指根据该歌曲在所述已有歌单中的位置进行评分，该首歌曲在所述已有歌单中排序的位置越靠前，说明该歌曲用户是最近一段时间才加入歌单中的，用户对于该歌曲的喜爱程度较高，因此该歌曲的位置得分也会比较高。

进一步地，所述根据所述歌曲在所述已有歌单中的位置计算位置得分，包括以下步骤D1-D4，如图4所示，图4为计算位置得分的具体实现步骤的流程示意图：

D1.获取所述歌曲在所述已有歌单中的位置排名；

先获取已有歌单的歌曲数量m_t，再获取所述歌曲在已有歌单中的位置m_p，即所述歌曲在已有歌单中排名第几位，根据m_t和m_p来计算所述歌曲在已有歌单中的位置排名rank，即rank＝m_p/m_t。需要说明的是，所述歌曲在已有歌单中的位置，是指已有歌单的歌曲顺序按照从顶部到底部正向排序，所述歌曲在已有歌单中的位置按照歌单顺序的第几位。相较于直接将所述歌曲在已有歌单中的位置作为位置排名，采用所述歌曲在已有歌单中的位置与歌曲数量之比来衡量所述歌曲的位置排名，由于这种方式还考虑到了歌曲数量的影响，因此使得计算得到的位置排名更为准确。

D2.如果所述歌曲的位置排名在所述已有歌单的前80％，则位置得分为M₃，M₃为大于1的数值；

当所述歌曲的位置排名rank的值大于或等于80％时，则将位置得分score_position设置为M₃，M₃为一个大于1的数值，例如可以是1.2。

D3.如果所述歌曲的位置排名在所述已有歌单的30％到80％之间，则位置得分为1；

当所述歌曲的位置排名rank的值大于30％且小于80％时，则将位置得分score_position设置为1。

D4.如果所述歌曲的位置排名在所述已有歌单的后30％，则位置得分为N₃，N₃为小于1的数值。

当所述歌曲的位置排名rank的值小于或等于30％时，则将位置得分score_position设置为N₃，N₃为一个小于1的数值，例如可以是0.8。

C3.根据得到的第二赞成票数、第二反对票数和位置得分，计算第二赞成率。

其中，位置得分可视为目标用户对该歌曲投赞成票，因此可根据位置得分score_position计算第三赞成票数v_p3，即v_p3＝M*score_position，其中的M为一个计算基于威尔逊区间的第二赞成率的归一化量。

在得到第三赞成票数v_p3之后，可根据第三赞成票数v_p3、第二反对票数v_n2以及第二赞成票数v_p2，按照下式计算第二赞成率p₂：

根据上述(16)式计算得到第二赞成率p₂之后，将p₂代入威尔逊区间公式求置信区间的下限值，计算得到的置信区间的下限值即为已有歌单中每首歌曲的最终得分。需要说明的是，威尔逊区间公式将采用在实施例一中提到的(9)式，即

S107：根据所述已有歌单中的每首歌曲的得分对所述已有歌单中的歌曲顺序进行调整。

根据已有歌单中的每首歌曲的最终得分进行排序，并按照排序的顺序对歌曲顺序进行调整，从而实现对已有歌单中的歌曲顺序的调整。

本发明实施例中，对于所述已有歌单中的歌曲顺序的更新周期，可以是一天，即每天更新一次已有歌单中的歌曲顺序。

本发明实施例中，结合每首歌曲的用户行为评分以及该首歌曲在已有歌单中的位置这两方面来给该首歌曲进行评分，并基于该首歌曲的最终得分对已有歌单中的歌曲顺序进行调整，由于每首歌曲的最终得分反映了目标用户对该首歌曲的喜爱程度，因此本发明实施例最终实现已有歌单的歌曲顺序自动更新，即将用户喜爱程度高的歌曲更新到歌单顶部的位置，以便于让用户更方便地听到自己想听的歌曲，而无需用户手动对已有歌单中的歌曲顺序进行调整，从而给用户提供了更好的体验。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

实施例三：

图5为本发明实施例提供的一种音乐推荐装置的结构示意图，该装置包括：评分模块51、歌曲得分计算模块52、相似度获取模块53以及歌曲推荐模块54。其中：

评分模块51，用于获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据；

进一步地，所述评分模块51具体用于：

如果所述用户行为为收藏、且对应的权重为M₁，则评分为M₁*s；其中，s为时间衰减因子，M₁为大于1的数值；

如果所述用户行为为下载、分享以及加入歌单中的至少一种、且对应的权重为1，则评分为s；

如果所述用户行为为购买、点赞、评论、识曲以及搜索中的至少一种、且对应的权重为N₁，则评分为N₁*s，N₁为小于1的数值；

如果所述用户行为为听歌次数和听歌时长，则按照下式进行评分：

上式中，score为用户行为的得分，e为数学常数，n为听歌次数，i为用户第i次听歌，t_i为用户第i次的听歌时长，t为该歌曲的时长；

如果所述用户行为为点击不感兴趣、且对应的权重为M₂，则评分为M₂*s，M₂为大于1的数值；

如果所述用户行为为移出歌单、且对应的权重为1，则评分为s；

如果所述用户行为为切歌、且对应的权重为N₂，则评分为N₂*s，N₂为小于1的数值。

歌曲得分计算模块52，用于根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分。

进一步地，所述歌曲得分计算52具体用于：

第一计算子单元521，用于根据所述正向行为的评分计算第一赞成票数：

第二计算子单元522，用于根据所述反向行为的评分计算第一反对票数：

第三计算子单元523，用于根据得到的第一赞成票数和第一反对票数计算第一赞成率。

相似度获取模块53，用于获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度。

歌曲推荐模块54，用于根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。

优选地，所述装置还包括歌单获取模块55、第二赞成率计算模块56和歌曲顺序调整模块57。

歌单获取模块55，用于获取所述目标用户的已有歌单。

第二赞成率计算模块56，用于对于所述已有歌单中的每首歌曲，根据所有用户的用户行为的评分以及所述歌曲在所述已有歌单中的位置，计算第二赞成率，并计算所述第二赞成率的置信区间，得到所述已有歌单中的每首歌曲的得分。

进一步地，所述第二赞成率计算模块56具体包括第四计算单元561、第五计算单元562和第六计算单元563。其中：

第四计算单元561，用于根据修正后的时间衰减因子以及所有用户的用户行为的评分计算第二赞成票数和第二反对票数。

第五计算单元562，用于根据所述歌曲在所述已有歌单中的位置计算位置得分。

更进一步地，所述第五计算单元562具体用于：

获取所述歌曲在所述已有歌单中的位置排名；

如果所述歌曲的位置排名在所述已有歌单的前80％，则位置得分为M₃，M₃为大于1的数值；

如果所述歌曲的位置排名在所述已有歌单的30％到80％之间，则位置得分为1；

如果所述歌曲的位置排名在所述已有歌单的后30％，则位置得分为N₃，N₃为小于1的数值。

第六计算单元563，用于根据得到的第二赞成票数、第二反对票数和位置得分，计算第二赞成率。

歌曲顺序调整模块57，用于根据所述已有歌单中的每首歌曲的得分对所述已有歌单中的歌曲顺序进行调整。

实施例四：

图6是本发明一实施例提供的一种服务器的示意图。如图6所示，该实施例的服务器6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如音乐推荐程序。所述处理器60执行所述计算机程序62时实现上述各个音乐推荐方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块51至54的功能。

示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述服务器6中的执行过程。例如，所述计算机程序62可以被分割成评分模块、歌曲得分计算模块、相似度获取模块以及歌曲推荐模块，各模块具体功能如下：

评分模块，用于获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据；

歌曲得分计算模块，用于根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分；

相似度获取模块，用于获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度；

歌曲推荐模块，用于根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。

所述服务器6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是服务器6的示例，并不构成对服务器6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器61可以是所述服务器6的内部存储单元，例如服务器6的硬盘或内存。所述存储器61也可以是所述服务器6的外部存储设备，例如所述服务器6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述服务器6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述服务器所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种音乐推荐方法，其特征在于，包括：

获取所有用户的用户行为数据，并根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分；其中，所述用户行为数据是用户收听歌曲时所产生的数据；

根据所述用户行为的评分计算第一赞成率，并计算所述第一赞成率的置信区间，得到每首歌曲的得分；

获取目标用户与所有用户中与目标用户具有相同行为的各个用户的相似度；

根据所述相似度以及所述每首歌曲的得分，计算所述目标用户对每首歌曲的兴趣度，并按照所述兴趣度推荐歌曲给所述目标用户。

2.如权利要求1所述的音乐推荐方法，其特征在于，所述用户行为数据包括以下任意一种或多种用户行为的组合：收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数、听歌时长、点击不感兴趣、移出歌单以及切歌。

3.如权利要求2所述的音乐推荐方法，其特征在于，所述用户行为包括正向行为和反向行为；

其中，所述正向行为包括收藏、下载、分享、加入歌单、购买、点赞、评论、识曲、搜索、听歌次数以及听歌时长中的至少一种，所述反向行为包括点击不感兴趣、移出歌单以及切歌中的至少一种。

4.如权利要求2或3所述的音乐推荐方法，其特征在于，所述根据所述用户行为数据中的各种用户行为对应的权重对所述用户行为进行评分，具体包括以下一项或多项：

如果所述用户行为为收藏、且对应的权重为M₁，则评分为M₁*s；其中，s为时间衰减因子，M₁为大于1的数值；

如果所述用户行为为下载、分享以及加入歌单中的至少一种、且对应的权重为1，则评分为s；

如果所述用户行为为购买、点赞、评论、识曲以及搜索中的至少一种、且对应的权重为N₁，则评分为N₁*s，N₁为小于1的数值；

如果所述用户行为为听歌次数和听歌时长，则按照下式进行评分：

上式中，score为用户行为的得分，e为数学常数，n为听歌次数，i为用户第i次听歌，t_i为用户第i次的听歌时长，t为该歌曲的时长；

如果所述用户行为为点击不感兴趣、且对应的权重为M₂，则评分为M₂*s，M₂为大于1的数值；

如果所述用户行为为移出歌单、且对应的权重为1，则评分为s；

如果所述用户行为为切歌、且对应的权重为N₂，则评分为N₂*s，N₂为小于1的数值。

5.如权利要求4所述的音乐推荐方法，其特征在于，所述根据所述用户行为的评分计算第一赞成率，具体包括：

根据所述正向行为的评分计算第一赞成票数：

根据所述反向行为的评分计算第一反对票数：

根据得到的第一赞成票数和第一反对票数计算第一赞成率。

6.如权利要求1-3任一项所述的音乐推荐方法，其特征在于，还包括：

获取所述目标用户的已有歌单；

对于所述已有歌单中的每首歌曲，根据所有用户的用户行为的评分以及所述歌曲在所述已有歌单中的位置，计算第二赞成率，并计算所述第二赞成率的置信区间，得到所述已有歌单中的每首歌曲的得分；

根据所述已有歌单中的每首歌曲的得分对所述已有歌单中的歌曲顺序进行调整。

7.如权利要求6所述的音乐推荐方法，其特征在于，所述对于所述已有歌单中的每首歌曲，根据所有用户的用户行为的评分以及所述歌曲在所述已有歌单中的位置，计算第二赞成率，具体包括：

根据修正后的时间衰减因子以及所有用户的用户行为的评分计算第二赞成票数和第二反对票数；

根据所述歌曲在所述已有歌单中的位置计算位置得分；

根据得到的第二赞成票数、第二反对票数和位置得分，计算第二赞成率。

8.如权利要求7所述的音乐推荐方法，其特征在于，所述根据所述歌曲在所述已有歌单中的位置计算位置得分，包括：

获取所述歌曲在所述已有歌单中的位置排名；

如果所述歌曲的位置排名在所述已有歌单的前80％，则位置得分为M₃，M₃为大于1的数值；

如果所述歌曲的位置排名在所述已有歌单的30％到80％之间，则位置得分为1；

如果所述歌曲的位置排名在所述已有歌单的后30％，则位置得分为N₃，N₃为小于1的数值。

9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。

Images