CN113139079A - 一种音乐推荐方法及*** - Google Patents
一种音乐推荐方法及*** Download PDFInfo
- Publication number
- CN113139079A CN113139079A CN202110405575.1A CN202110405575A CN113139079A CN 113139079 A CN113139079 A CN 113139079A CN 202110405575 A CN202110405575 A CN 202110405575A CN 113139079 A CN113139079 A CN 113139079A
- Authority
- CN
- China
- Prior art keywords
- music
- emotion
- user
- library
- distribution
- 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.)
- Granted
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
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
- G06F16/636—Filtering based on additional data, e.g. user or group profiles by using biological or physiological data
-
- 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
-
- 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
- G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种音乐推荐方法及***,属于音乐推荐技术领域,包括获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;将待推荐音乐库中的音乐随机化推荐给用户。本发明将用户人格因素作为影响因素纳入考虑,以实现真正的个性化推荐。
Description
技术领域
本发明涉及音乐推荐技术领域,特别涉及一种音乐推荐方法及***。
背景技术
随着计算机网络的不断发展和日益普及,人们可以方便获取音乐资源,如何对海量音乐资源进行有效检索和访问,音乐推荐就显得尤为重要。
目前,既有的音乐推方案主要采用的是基于内容的推荐或者基于协同过滤模型的推荐,具体类型又可以分为以下几种:
(1)基于用户行为偏好特征画像的推荐***,基于用户行为偏好特征画像的推荐***,需要对用户的行为偏好进行画像,如用户在收听选择音乐时候的收藏、下载、分享、加入歌曲单、购买、点赞、评论、识曲、搜索、点击不感兴趣等行为,对这些行为偏好特征进行建模,主要采用协同过滤模型,建立用户偏好画像,并在曲库中基于用户偏好相似度进行建模检索,推荐相关音乐。
(2)基于用户选择偏好特征建模的推荐***,基于用户选择特征(如:性别、音色、音调)建立关联模型,如采用卷积神经网络模型,建立用户偏好音乐特征的输入变量与音乐类型的输出变量之间的关联模型,根据用户偏好特征进行音乐推荐。
(3)基于用户动态跟踪偏好的音乐推荐,将用户偏好与音乐推荐视为一个马尔科夫决策过程,并在其中引入了奖励值概念与“音乐流行度”“用户从众度”等概念;或者引入强化学习模型,将用户偏好视为一个连续序列,持续不断更新推荐音乐类型。
(4)基于场景检测的音乐推荐***,基于场景检测的推荐***指的是推荐***根据场景要求进行推荐,会在启动推荐之前进行场景检测,如对用户对话进行检测并使用词嵌入模型进行分析。
上述既有技术方案存在的缺陷主要体现在以下两点:
(1)基于用户画像的音乐推荐方案中,并未考虑到用户的人格特征,难以实现真正的个性化推荐;
(2)基于场景检测与用户跟踪状态的音乐推荐方案,未考虑到用户的情绪变化特征,并且未将这一影响用户体验的主变量纳入考虑范围。
发明内容
本发明的目的在于克服上述背景技术中的不足,实现音乐的个性化推荐与情绪体验式推荐。
为实现以上目的,一方面,采用一种音乐推荐方法,包括:
获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
将待推荐音乐库中的音乐随机化推荐给用户。
进一步地,还包括:
基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;
在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪;
若是,则将出现负面情绪时刻所聆听的音乐作为待过滤音乐存储至所述过滤曲库中;
若否,则将所述用户聆听的音乐作为积极音乐,进行随机推荐。
进一步地,所述获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集,包括:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集。
进一步地,所述基于初始数据集计算的初始分布包括初始状态的概率密度函数、状态转移的概率密度函数以及观测的概率密度函数。
进一步地,在所述利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪之前,还包括:
利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
另一方面,采用一种音乐推荐***,包括获取模块、情绪概率分布计算模块、音乐过滤模块和音乐推荐模块,其中:
获取模块用于获取用户的人格特征数据,对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
情绪概率分布计算模块用于基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
音乐推荐模块用于将待推荐音乐库中的音乐随机化推荐给用户。
进一步地,还包括音乐库修正模块,其用于基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪,并将出现负面情绪时刻所聆听的音乐存储至所述过滤曲库中,以更新所述过滤曲库;
相应地,所述音乐过滤模块将音乐库中去除过更新后的滤曲库中的音乐所得到的音乐组成待推荐音乐库。
进一步地,所述获取模块用于:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集。
进一步地,所述情绪概率分布计算模块包括初始分布计算单元和概率计算单元,其中:
初始分布计算单元用于计算初始状态的概率密度函数、状态转移的概率密度函数以及观测的概率密度函数;
概率计算单元用于将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布。
进一步地,还包括情绪识别模型训练模块和修正模块,其中:
情绪识别模型训练模块用于利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
修正模块用于利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
与现有技术相比,本发明存在以下技术效果:本发明在用户音乐个性化推荐过程中,将用户人格因素和情绪特征因素作为影响因素纳入考虑,以实现真正的个性化推荐。
附图说明
下面结合附图,对本发明的具体实施方式进行详细描述:
图1是一种音乐推荐方法的流程图;
图2是一种音乐推荐***的结构图。
具体实施方式
为了更进一步说明本发明的特征,请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用,并非用来对本发明的保护范围加以限制。
如图1所示,本实施例公开了一种音乐推荐方法,包括如下步骤S1至S4:
S1、获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
需要说明的是,用户的人格特征数据可以通过采用调查问卷形式获取,用户的人格特征分为五类:严谨性、外向性、开放性、宜人性与神经质人格特质。五维向量具体指通过问卷获取五个人格特性的分别得分后,对每个人格特性分数处理如下:将分数归一化为0~1范围,将0~0.4设置为0(低特性),0.4~0.6设置为1(中性),0.6~1设置为2(高特性)。之后,将五个分数组成一个五维人格向量。
本实施例中不同类型的音乐包含古典乐、现代乐、歌曲、纯音乐、快节奏、慢节奏、强节拍、弱节拍等29类标签的音乐。
被试连续聆听的包含古典乐、现代乐、歌曲、纯音乐、快节奏、慢节奏、强节拍、弱节拍等29类标签的音乐集合定义输入变量B;被试在聆听过程中随时报告自身的情绪体验,连续聆听时间长度为3小时,定义情绪变量为输出变量C。用户情绪分为快乐、激动、兴奋、悲伤、压抑以及焦虑等。
S2、基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
S3、基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
需要说明的是,时间序列t1的长度任意取值;设定概率P1取值为80%。
S4、将待推荐音乐库中的音乐随机化推荐给用户。
作为进一步优选的技术方案,本实施例还包括对过滤曲库进行修正的步骤,如下所示:
基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;
在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪;
若是,则将出现负面情绪时刻所聆听的音乐作为待过滤音乐存储至所述过滤曲库中;
若否,则将所述用户聆听的音乐作为积极音乐,进行随机推荐。
需要说明的是,时间序列t2的长度任意取值;设定概率P1取值为50%。本实施例中获取过滤曲库步骤包含两步:对于>80%的的音乐,直接认定为会引起消极情绪,加入过滤曲库;对于50%~80%,认为可能存在噪音引起的误差,需要使用情绪识别模型识别用户情绪,判定在用户聆听音乐出现负面情绪的音乐将加入过滤曲库。
需要说明的是,本实施例将用户情绪因素和人格因素均作为影响因素纳入考虑,进一步提升了音乐推荐的准确性。
作为进一步优选的技术方案,上述步骤S1:所述获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集,包括如下步骤:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集。
作为进一步优选的技术方案,上述步骤S2中利用初始数据集计算初始分布包括初始状态的概率密度函数、状态转移的概率密度函数以及观测的概率密度函数,具体如下所示:
计算初始状态的情绪概率密度函数P(C),得到相应的输出变量情绪C的概率值,用来描述过程开始之初的状态分布情况;
根据数据集中的情绪数据,计算情绪状态转移的概率密度函数P(Ct∣Ct-1),用于表述情绪状态C在时间上的依赖性;
根据数据集中人格特性、音乐类型以及情绪数据,计算观测的概率密度函数P((A,B)t∣Ct),用来描述某一个时间片内部,观测的人格特性、音乐类型数据对于情绪结点的依赖性。
作为进一步优选的技术方案,动态贝叶斯推断模型结构如下:
推断过程可以由前向传播和后向传播完成:
(1)前向传播
其中,P(c)为上文中计算的情绪初始分布,P(ct+1∣ct)为上文计算的情绪状态转移的概率密度函数,P((a,b)t∣ct)为上文中计算的观测的概率密度函数。
(2)后向传播
根据网络结构的依赖关系,有:
而且,在最后T-1时刻,有βT-1(cT-1)=1。
(3)平滑
根据当前的观测值,还可以对某一个时刻t的变量取值进行推断计算,称为平滑。平滑操作符可以定义如下:
(4)预测
预测问题可以表示为一个求最大似然的问题:
其中,*标志着预测的结果。
作为进一步优选的技术方案,在所述利用训练好的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪之前,还包括:
利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
需要说明的是,标准化数据集包括Emotiv等3个标准化数据库共计348段情绪视频,22354张情绪图片,训练得到一个测试准确率超过75%的RNN情绪视频/图片识别模型。
另外,本实施例以被试的自陈数据为标准,修正RNN模型的参数,将情绪识别模型修正为专门进行音乐聆听情绪识别的模型,使得其在音乐聆听场景条件下的两类情绪识别测试准确率提升到92%以上。
需要说明的是,本实施例中使用的RNN模型为了避免出现梯度***的问题,使用了RNN模型中的LSTM模型,其中:
it=σ(Wxixt+Whiht-1+Wcict-1+bi)
ft=σ(Wxfxt+Whfht-1+Wgct-1+bf)
ot=σ(Wxoxt+Whoht-1+Wcoct-1+bo)
其中,σ是sigmoid函数,Wxi,Whi,Wci,Wxf,Whf,Wxo,Who,Wco为可学习的权重参数,bi,bf,bc,bo为偏置项。
如图2所示,本实施例公开了一种音乐推荐***,包括获取模块10、情绪概率分布计算模块20、音乐过滤模块30和音乐推荐模块40,其中:
获取模块10用于获取用户的人格特征数据,对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
情绪概率分布计算模块20用于基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
音乐过滤模块30用于基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
音乐推荐模块40用于将待推荐音乐库中的音乐随机化推荐给用户。
作为进一步优选的技术方案,还包括音乐库修正模块,其用于基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪,并将出现负面情绪时刻所聆听的音乐存储至所述过滤曲库中,以更新所述过滤曲库;
相应地,所述音乐过滤模块30将音乐库中去除过更新后的滤曲库中的音乐所得到的音乐组成待推荐音乐库;
作为进一步优选的技术方案,所述获取模块用于:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集
作为进一步优选的技术方案,所述情绪概率分布计算模块包括初始分布计算单元和概率计算单元,其中:
初始分布计算单元用于计算初始状态的情绪概率密度函数P(C),得到相应的输出变量情绪C的概率值;根据数据集中的情绪数据,计算情绪状态转移的概率密度函数P(Ct∣Ct-1);根据数据集中人格特性、音乐类型以及情绪数据,计算观测的概率密度函数P((A,B)t∣Ct);
概率计算单元用于将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布。
作为进一步优选的技术方案,还包括情绪识别模型训练模块和修正模块,其中:
情绪识别模型训练模块用于利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
修正模块用于利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
需要说明的是,本实施例将训练好的情绪识别模型嵌入到与摄像头相连接的边缘计算装置中,当摄像头输入视频或者图像数据时,边缘计算装置中的情绪识别模型自动被调用并进行情绪检测。
需要说明的是,本实施例通过在自然场景下进行大规模验证,抽取公众样本共计238765名;并设计两种评分,一是汇总评分,对推荐曲库集合进行整体满意度测评,设定“不满意”、“一般”、“较满意”、“非常满意”四个等级;二是时间点评分,在单个歌曲播放结束后,对推荐音乐评分,设定“不满意”、“一般”、“较满意”、“非常满意”四个等级;实施测评,汇总评分测评满意度平均达到“非常满意”水平;时间点评分测评满意度平均达到“非常满意”水平。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,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:
获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
将待推荐音乐库中的音乐随机化推荐给用户。
2.如权利要求1所述的音乐推荐方法,其特征在于,还包括:
基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;
在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪;
若是,则将出现负面情绪时刻所聆听的音乐作为待过滤音乐存储至所述过滤曲库中;
若否,则将所述用户聆听的音乐作为积极音乐,进行随机推荐。
3.如权利要求2所述的音乐推荐方法,其特征在于,所述获取用户的人格特征数据,并对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集,包括:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集。
4.如权利要求3所述的音乐推荐方法,其特征在于,所述基于初始数据集计算的初始分布包括初始状态的概率密度函数、状态转移的概率密度函数以及观测的概率密度函数。
5.如权利要求3所述的音乐推荐方法,其特征在于,在所述利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪之前,还包括:
利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
6.一种音乐推荐***,其特征在于,包括获取模块、情绪概率分布计算模块、音乐过滤模块和音乐推荐模块,其中:
获取模块用于获取用户的人格特征数据,对用户播放不同类型音乐记录用户情绪,将人格特征、音乐类型以及情绪构建初始数据集;
情绪概率分布计算模块用于基于初始数据集计算初始分布,并将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布;
音乐过滤模块基于用户情绪的条件概率分布,将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库,将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库;
音乐推荐模块用于将待推荐音乐库中的音乐随机化推荐给用户。
7.如权利要求6所述的音乐推荐***,其特征在于,还包括音乐库修正模块,其用于基于所述用户情绪的条件概率分布,获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐;在所述用户聆听疑似待过滤音乐时,利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪,并将出现负面情绪时刻所聆听的音乐存储至所述过滤曲库中,以更新所述过滤曲库;
相应地,所述音乐过滤模块将音乐库中去除过更新后的滤曲库中的音乐所得到的音乐组成待推荐音乐库。
8.如权利要求7所述的音乐推荐***,其特征在于,所述获取模块用于:
采用问卷调查方式获取被试者的人格数据,将人格数据作为输入变量A;
被试者连续聆听不同类型的音乐,将音乐作为输入变量B;
被试者在聆听音乐时报告自身情绪体验,将情绪体验作为输出变量C;
将人格特征、音乐类型以及情绪构建初始数据集。
9.如权利要求8所述的音乐推荐***,其特征在于,所述情绪概率分布计算模块包括初始分布计算单元和概率计算单元,其中:
初始分布计算单元用于计算初始状态的概率密度函数、状态转移的概率密度函数以及观测的概率密度函数;
概率计算单元用于将初始分布作为贝叶斯推理模型的输入,推断用户情绪的条件概率分布。
10.如权利要求8所述的音乐推荐***,其特征在于,还包括情绪识别模型训练模块和修正模块,其中:
情绪识别模型训练模块用于利用公开标准化数据集对RNN模型进行训练,得到情绪识别模型;
修正模块用于利用所述被试者在聆听音乐时报告的自身情绪体验,对情绪识别模型的参数进行修正,得到所述修正后的情绪识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405575.1A CN113139079B (zh) | 2021-04-15 | 2021-04-15 | 一种音乐推荐方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110405575.1A CN113139079B (zh) | 2021-04-15 | 2021-04-15 | 一种音乐推荐方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139079A true CN113139079A (zh) | 2021-07-20 |
CN113139079B CN113139079B (zh) | 2022-10-04 |
Family
ID=76812920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110405575.1A Active CN113139079B (zh) | 2021-04-15 | 2021-04-15 | 一种音乐推荐方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139079B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112294329A (zh) * | 2020-10-23 | 2021-02-02 | 青岛黄海学院 | 一种基于音乐情感识别的心理监测***及方法 |
CN115331781A (zh) * | 2022-01-06 | 2022-11-11 | 中国科学院心理研究所 | 一种基于心电信号和音乐的抑郁症治疗*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120061533A (ko) * | 2010-12-03 | 2012-06-13 | 한국전자통신연구원 | 방송 시청 선호도를 위한 베이지안 네트워크 모델 기반의 확률적 추론 방법 |
CN104572797A (zh) * | 2014-05-12 | 2015-04-29 | 深圳市智搜信息技术有限公司 | 基于主题模型的个性化服务推荐***和方法 |
CN105872790A (zh) * | 2015-12-02 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 一种音视频节目推荐的方法及*** |
US9524469B1 (en) * | 2015-12-14 | 2016-12-20 | MetroStar Systems, Inc. | Systems, apparatus, and methods for generating prediction sets based on a known set of features |
CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及*** |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
KR20170107868A (ko) * | 2016-03-16 | 2017-09-26 | (주)멜로다임 | 사용자 맥락, 추천 음악, 이용 행태로 구성된 데이터베이스를 활용한 음악 콘텐츠 추천 방법 및 시스템 |
CN108777804A (zh) * | 2018-05-30 | 2018-11-09 | 腾讯科技(深圳)有限公司 | 媒体播放方法及装置 |
CN109410075A (zh) * | 2018-10-23 | 2019-03-01 | 广州市勤思网络科技有限公司 | 基于贝叶斯的智能保险推荐方法与*** |
CN109829075A (zh) * | 2019-02-25 | 2019-05-31 | 珠海格力电器股份有限公司 | 智能播放音乐的方法和装置 |
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
CN112604123A (zh) * | 2020-12-16 | 2021-04-06 | 中山职业技术学院 | 一种音乐疗法的监控*** |
-
2021
- 2021-04-15 CN CN202110405575.1A patent/CN113139079B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120061533A (ko) * | 2010-12-03 | 2012-06-13 | 한국전자통신연구원 | 방송 시청 선호도를 위한 베이지안 네트워크 모델 기반의 확률적 추론 방법 |
CN104572797A (zh) * | 2014-05-12 | 2015-04-29 | 深圳市智搜信息技术有限公司 | 基于主题模型的个性化服务推荐***和方法 |
CN106294489A (zh) * | 2015-06-08 | 2017-01-04 | 北京三星通信技术研究有限公司 | 内容推荐方法、装置及*** |
CN105872790A (zh) * | 2015-12-02 | 2016-08-17 | 乐视网信息技术(北京)股份有限公司 | 一种音视频节目推荐的方法及*** |
US9524469B1 (en) * | 2015-12-14 | 2016-12-20 | MetroStar Systems, Inc. | Systems, apparatus, and methods for generating prediction sets based on a known set of features |
CN107103000A (zh) * | 2016-02-23 | 2017-08-29 | 广州启法信息科技有限公司 | 一种基于关联规则与贝叶斯网络集成的推荐技术 |
KR20170107868A (ko) * | 2016-03-16 | 2017-09-26 | (주)멜로다임 | 사용자 맥락, 추천 음악, 이용 행태로 구성된 데이터베이스를 활용한 음악 콘텐츠 추천 방법 및 시스템 |
CN110321422A (zh) * | 2018-03-28 | 2019-10-11 | 腾讯科技(深圳)有限公司 | 在线训练模型的方法、推送方法、装置以及设备 |
CN108777804A (zh) * | 2018-05-30 | 2018-11-09 | 腾讯科技(深圳)有限公司 | 媒体播放方法及装置 |
CN109410075A (zh) * | 2018-10-23 | 2019-03-01 | 广州市勤思网络科技有限公司 | 基于贝叶斯的智能保险推荐方法与*** |
CN109829075A (zh) * | 2019-02-25 | 2019-05-31 | 珠海格力电器股份有限公司 | 智能播放音乐的方法和装置 |
CN112604123A (zh) * | 2020-12-16 | 2021-04-06 | 中山职业技术学院 | 一种音乐疗法的监控*** |
Non-Patent Citations (6)
Title |
---|
ABHISHEK PAUDEL ETC.: "Using Personality Traits Information from Social Media for Music Recommendation", 《2018 IEEE 3RD INTERNATIONAL CONFERENCE ON COMPUTING, COMMUNICATION AND SECURITY (ICCCS)》 * |
QING YANG ETC.: "Recommending More Suitable Music Based on Users"Real Context", 《COLLABORATIVE COMPUTING :NETWORK,APPLICATIONS AND WORKSHARING.14TH EAL INTERNATIONAL CONFERENCE,COLLABORATECOM 2018》 * |
任迪: "基于分类方法的Web服务QoS预测技术研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
王刚 等: "基于贝叶斯分类实现数字图书馆主动推送服务", 《中华医学图书情报杂志》 * |
琚春华 等: "一种融入用户情绪因素的综合音乐推荐方法", 《情报学报》 * |
琚春华 等: "融入音乐子人格特质和社交网络行为分析的音乐推荐方法", 《电信科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112294329A (zh) * | 2020-10-23 | 2021-02-02 | 青岛黄海学院 | 一种基于音乐情感识别的心理监测***及方法 |
CN112294329B (zh) * | 2020-10-23 | 2023-02-21 | 青岛黄海学院 | 一种基于音乐情感识别的心理监测***及方法 |
CN115331781A (zh) * | 2022-01-06 | 2022-11-11 | 中国科学院心理研究所 | 一种基于心电信号和音乐的抑郁症治疗*** |
CN115331781B (zh) * | 2022-01-06 | 2023-11-10 | 中国科学院心理研究所 | 一种基于心电信号和音乐的抑郁症治疗*** |
Also Published As
Publication number | Publication date |
---|---|
CN113139079B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8321414B2 (en) | Hybrid audio-visual categorization system and method | |
EP3803846B1 (en) | Autonomous generation of melody | |
TWI396105B (zh) | 用於模擬個體差異之個人化資訊檢索之數位資料處理方法及其電腦裝置可讀式資訊儲存媒體與資訊檢索系統 | |
CN113139079B (zh) | 一种音乐推荐方法及*** | |
CN111973996A (zh) | 一种游戏资源投放方法和装置 | |
CN110209869A (zh) | 一种音频文件推荐方法、装置和存储介质 | |
CN111782863B (zh) | 音频分段方法、装置、存储介质及电子设备 | |
CN113298015A (zh) | 基于图卷积网络的视频人物社交关系图生成方法 | |
Park et al. | Exploiting negative preference in content-based music recommendation with contrastive learning | |
Chua et al. | Predicting emotion from music videos: exploring the relative contribution of visual and auditory information to affective responses | |
CN109471951A (zh) | 基于神经网络的歌词生成方法、装置、设备和存储介质 | |
US11410706B2 (en) | Content pushing method for display device, pushing device and display device | |
CN110070891A (zh) | 一种歌曲识别方法、装置以及存储介质 | |
Matsumoto et al. | Context-aware network analysis of music streaming services for popularity estimation of artists | |
Patwari et al. | Semantically Meaningful Attributes from Co-Listen Embeddings for Playlist Exploration and Expansion. | |
CN114048395B (zh) | 基于时间感知与关键信息抽取的用户转发预测方法和*** | |
Kilimci et al. | Evaluating raw waveforms with deep learning frameworks for speech emotion recognition | |
CN111522914B (zh) | 标注数据采集方法、装置、电子设备及存储介质 | |
CN113127733A (zh) | 一种学习方案的推荐方法及装置 | |
Chimthankar | Speech Emotion Recognition using Deep Learning | |
WO2021050133A1 (en) | Performing context completion to messages in a session | |
Dalida et al. | Music mood prediction based on spotify’s audio features using logistic regression | |
KR102399833B1 (ko) | 인공 신경망 기반의 로그 라인을 이용한 시놉시스 제작 서비스 제공 장치 및 그 방법 | |
KR102623459B1 (ko) | 사용자의 보컬 평가에 기반한 오디션 이벤트 서비스 제공 방법, 장치 및 시스템 | |
Tomar et al. | Beats and Bytes: Decoding Song’s Success Patterns Using Machine Learning |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220208 Address after: 230000 No. 5089, high tech Zone, Hefei, Anhui Applicant after: Hefei zhongjuyuan Intelligent Technology Co.,Ltd. Address before: No. 5089, Wangjiang West Road, Hefei City, Anhui Province, 230000, b1205-b1208, future center, Institute of advanced technology, University of science and technology of China Applicant before: Artificial Intelligence Research Institute of Hefei comprehensive national science center (Artificial Intelligence Laboratory of Anhui Province) |
|
GR01 | Patent grant | ||
GR01 | Patent grant |