CN101611401B - 个人音乐推荐映射 - Google Patents

Abstract

无标度的网络数据集，例如音乐音轨、播放列表和其他媒体项推荐，被分析和展现在用于可视化的图形映射图显示(图1)中，优选在互动环境(图2)中。绘图和可视化系统通常包括网络提取例程，耦合以高性能特征分解(映射图布局计算)算法，以及新颖的可视化互动方法。

Description

个人音乐推荐映射

本申请要求对在2006年10月20日提交的美国临时申请No.60/862,385的优先权，该申请通过引用并入于此。

技术领域

本发明涉及用于诸如基于播放列表音乐数据的无标度网络数据集的分析、绘制和可视化系统领域的方法和装置。

背景技术

随着数字音乐和数字视频的激增，消费者面对越来越多的他们能够购买和/或使用的媒体选择。消费者发现他们自身正浸没在他们能够拣选的数字媒体的大量选项中。

随着数字存储的成本的持续下降，媒体特别是音乐的在线供应商正在发现，增大在他们存货中数字媒体的数量的成本正在快速降低。因此，在线供应商正在提供越来越多的容量-不仅扩充内容的多样化，而且扩充历史版本的年限和数量变得可行。将这一点与因特网的本质的全球特性结合，而最终结果就是一批完全令人眼花缭乱的可立即购买和播放的媒体。

新系统和方法正在发展以使消费者能够获得用于用户所喜欢的媒体内容-例如音乐的推荐。推荐系统是公知的，例如，考虑描述已经由用户选择的音乐的元数据然后选择具有类似元数据的其他媒体项的推荐系统。例如，在Baum等人的专利申请US-2005/0060350 A1中公开了用于检索音乐数据库的元数据或符号驱动查询的使用。诸如在Baum等人所描述的这些推荐系统相对粗糙。

当给定相关媒体项的“查询集”诸如用户播放列表时，更为复杂的系统可以产生媒体项(例如歌曲)的相关集。系统通过合并选自大型数据库的媒体项的已有集合，创建新的媒体项集合，在此，这些已有集合中的每一个包括彼此相关的项，并且这些已有集合中的每一个(还是播放列表)与在查询集合中的项共享一些相似度。参见共同待审的US 2006-0173910。

无论推荐系统涉及何种具体类型，用户仍然需要有意义的方式来筛选大量的推荐，并且获得这些推荐项如何相关于用户自身的诸如播放列表的所选项的一些直观认识。哪种推荐“更好”或“更接近”于用户口味？尽管诚然在音乐和其他媒体项(音乐视频、影片、书、文章等等)中的个体口味或偏好一定程度上是主观的，但是它将有助于向用户提供可视化环境，以帮助获得他们所接受的推荐。

发明内容

在基于播放列表的音乐数据的情况中，在所考虑的数据集中的项的数量可以相当大。更具体地，在此类无标度的网络数据集中所遇到的大量信息使其难于分析、描绘和可视化。在图线的表现真实性或表现完整性上经常必须做出牺牲。本申请涉及改进的方法，通常以软件实施，用于给定合理的时间和计算限制，以有意义的方式分析和图像化显示此类信息。

本发明的一方面是，使用基于多维缩放的方法，来应用基于查询的较大网络的子图形。由于针对网络数据的基础是查询，所以节点连接的某些特征能够遍历子图形和原始网络进行比较，并且节点权重数据可以表示为其负熵的函数。根据这一方案来分析较大网络结构的较小的子图形。z分值的权重方案用于对照在原始网络中的总连接数量修改在邻域中的每个节点的连接强度，并且这些加权的连接强度的维度被减小，以形成适于可视化和分析的低维度嵌入。

本发明的其他方面和优点将从下文对优选实施方案的详细描述中变得明显，该详细描述参照附图进行。

附图说明

图1是数据集的可视化映射图的第一实施例。

图2图示与图1的映射图显示的用户互动。

图3是查询子图形的ZMDS绘图的实施例。

图4是用于互动映射图显示的一集合“节点互动区域”的概念性图示。

具体实施方式

拉普拉斯矩阵是用于将网络数据表示为矩阵的公知基础。许多技术，包括拉普拉斯特征映射以及谱分解，涉及解决网络结构的低维度嵌入。通常，测地距用于对连接权进行编码，从而要求矩阵格式网络为半正定，或者在网络术语中称为对称。

特征分解方法形成遍历任意数量的数据试算和定序的一贯表象形式。这就使它们理想地用于机械学习和搜索技术，例如由Google所使用的PageRank计算。然而，数十万节点的大型数据集所需要的计算时间和资源使这一过程以传统的个人计算能力难以应付。

在许多情况下，通过提取节点和连接的客观的集合来“查询”网络，是一种为更加理解本地网络结构的可用方法。一种此类技术，称为“雪球(snowball)”采样方法，涉及选择节点集，然后采用他们共享直接链路所用的节点来对这一选择进行扩充。这种方法允许在采用较大网络而使节点共享的连接的语境(context)中理解节点的原始集合。然而，图标的无标度网络特征将导致特定的“集线器”节点以高得多的速率包含在查询结果中。在这种语境中，集线器节点能够在绘图表达方式中形成熵或不显著(non-salient)之处。尽管它们可以在所查询的邻域中共享高于平均连接数量，它们的另外的邻域连接(extra-neibourhood connections)也明显高于它们的本地邻域连接。

结构熵

在邻域和原始网络特性之间的对照形成在网络结构中针对熵的基础。在两个网络之间节点权重通常不同，并且这种不同的幅度是在特定邻域的特定节点的熵的标识。具有负熵的节点集合形成也被认为具有高负熵的网络“结构”。在节点之间的连接的权重表示根据一个或多个特性的连接的强度。下文中我们将这些构想用于实际的可视系统。

在下文描述中，编程、软件模块、用户选择、网络互动、数据库查询、数据库结构等等的特定具体细节被提供用于对本发明的实施方案进行透彻理解。然而，本领域技术人员将认识到，可以不采用其中一个或多个具体细节，或者采用其他方法、构件、材料等等来实施本发明。

在某些情况下，众所周知的结构、材料或操作并未被具体示出或描述，以便避免使本发明的各方面模糊。进一步，在一个或多个实施方案中，所描述的特征、结构或特性可以以任意合适方式进行组合。通常，本发明的方法利于使用一个或多个数字处理器来执行。在一个优选实施方案中，服务器通过诸如因特网的网络向远程用户提供数据库和计算中心。适于显示在此描述类型的绘图的各种显示装置众所周知，并因此省略此类显示的详细论述。

展现无标度网络特性的基于播放列表的音乐数据将用于描述本发明的各方面。根据这一数据，节点展现单独音轨(或者歌曲)，并且对应的权重是这些歌曲在播放列表上出现的次数。

大型数据库的邻域由多位艺术家所演奏的歌曲列表所构建，所述艺术家例如为Jennifer Lopez、Bruce Springsteen、Tori Amos、GoodCharlotte、和Oasis。使用上文概述的权重方案，可以通过简单地除以节点所具有的全局连接的总数来修改权重，类似于TF-IDF。TF-IDF权重(检索词频率-倒排文档频率)是经常用于信息取出和文本挖掘的权重。该权重为用于评估字对于在集合或语料库中的文档如何重要的统计测量结果。这种重要性与字在文档中出现的次数成正比地增大，但被字在语料库中的频率所抵销。TF-IDF权重方案的许多变种经常被搜索引擎用作在给定用户查询的前提下对文档的相关性进行评分和评级过程中的中心工具。

然而，我们已经发现，这种加权函数还从节点边缘权重分布中去除大部分变量。人们宁愿优选维持变量(采用标准差单位形式)的权重方案。

为了实现这一特性，需要对原始拉普拉斯矩阵定义(L＝D-A)进行修改。首先，我们使用从用于矩阵A的取出邻域(retrievedneibourhood)取得的加权邻接矩阵。接着，我们从针对每个节点在邻域中的总连接权重的总和创建对角矩阵D。然后，并不将这两个矩阵相减，而是将它们进行相加。最后，在每个节点上采用权重方案：

$w_{i,j}=\frac{k_{i,j}-\stackrel{\‾}{k}}{\mathrm{\σ}}$

其中，w_i，j为在节点i和j之间的节点权重，k_i，j为在节点之间的共现计数(co-occurrence count)，σ为k的标准差。为每个k采用这种方法，将使拉普拉斯矩阵不对称。然而，这可以通过遍历矩阵而采用按行或按列的欧几里德距离计算来调整。欧几里德距离矩阵可以使用多维缩放减小到合适尺寸，而结果形成的图表也可以被显现，该图表形成感兴趣的且具有信息量的簇，如下文进一步所述。

三维簇

通过这种方法产生的三维簇经常展现三个值得注意的构成：“扇区”、“零点空间”、和一个或多个“尾区”。现在参照图3，在这些构成中特别值得注意的是尾区(图3中的附图标记3)。在说明书中，尾区是所考虑的邻域结构中的高负熵的证据。它们由节点串组成，这些节点与它们自身形成的连接远比在邻域的情况中与邻域的其他部分的连接更为经常。由于这些连接是以频率测量的，所以经常存在由串参与的梯度。最靠近尾区底部的节点类似从这些紧密结合的串到邻域其他部分的桥，而在尾区一端上的节点仅仅与串本身强相关。

在图3的图表中，尾区对应于Bruce Springsteen和Tori Amos的歌曲，并且示例展现示出这两位艺术家具有如下歌曲，其形成的与其自身的连接远比与邻域的其他部分的连接更为经常。尾区还指示哪些歌曲用作针对邻域其他部分的“桥”(在这种情况下，它们是Bruce的“Born in the USA”和Tori的“Strange”)。尾区的底部通常将其自身联系于零点空间(图3的特征2)，在该处节点结构的熵经过零点。由于加权函数，这些节点包含靠近零点的边缘和标识权重。这就意味着，它们经常是汇聚节点，其与邻域中许多节点形成连接，并极少参与邻域之外的节点。这些节点将高熵尾区连接到较大的“扇区”结构(见图1到图3)。

扇区为节点的二维表示，这些节点具有多于邻域内连接的邻域外连接，或者具有更小的程度并形成它们的与扇区中节点的连接的大多数。因此，这些类型的网络数据的表示提供用于有意义的可视化以及用户互动，如下文进一步所述。

实施方法

接下来我们描述用于产生网络数据集的图形可视化或“映射图”的实际系统和方法，例如如图1所示的示例性映射图显示。所述方法通常始于网络提取和分析。

网络提取和分析

在一个实施方案中，网络提取例程能够被编程为脚本，例如Perl脚本，优选使用用于高性能矩阵计算的矩阵数据语言。所述脚本可在合适的服务器上用于沿着网络向远程用户提供可视化服务，如在此进一步所阐释的。它还可以在本地用于任何合适的数字计算机上。在本公开内容中，具体的实施和编程内容被省略，因为它们将落在本领域技术人员的认知范围内。一般的例程进行如下。

A.所述脚本被初始化，并且在完整的播放列表中作为参数对id进行传递。换句话说，所述例程接收用户播放列表作为输入，或者接收id以访问用户的播放列表。例如，在一种情况下，远程用户可以将他的播放列表下载到服务器，在该服务器上使得可视服务为可用。在替换性实施方案中，用户具有存储在服务器上的一个或多个播放列表，并且他仅仅需要登录到该服务，并且该服务可以访问所选择的播放列表。

B.脚本软件查找与播放列表id相关的播放列表，并下载对应的xml播放列表音轨信息。例如，在一个实施方案中，脚本使用iTunesRxml格式的播放列表。其他标记语言、格式和协议可用于获得播放列表数据。

C.xml播放列表被解析，并且用于对应音轨的音轨id被聚集。

D.脚本访问推荐者数据库或者服务，并为每个音轨id读入所选数量的——例如头200个推荐。包括推荐加权数据。

E.计算推荐的发生。如果推荐不共享在邻域中的至少预定最小数量的发生量，例如两个，则对其进行删除。这是一种将数据集减小到对于可视化为可管理的比例的方式。“邻域”作为用于这种应用中的术语，并在权利要求书中是本领域的专门术语。在无标度网络数据集的语境中，较大的网络结构的较小的子图称为邻域。“无标度网络”表示网络结构和动态的各方面将保持原样，而不论网络变得多大。因此，例如，用户播放列表的数据库(例如，音乐相关的网站的用户或“会员”)能够变得相当大。

F.接着，总音轨被根据流行度排序，并且在全部最流行的推荐音轨中只有预定数量的例如200个推荐音轨与原始播放列表音轨一起返回。这一数量并不严格；该构想仍然是为了减小用于显示的设备的尺寸。对于较小的屏幕器件例如PDA，可以使用更小的集。

G.矩阵由在任意两个音轨之间的按对(pair-wise)的推荐强度构建。强度度量通过提供推荐音轨的推荐者所提供。矩阵的对角线是如在相应的PCA文件中给出的总体流行度。

H.接着，在整个矩阵计算按行的欧几里德距离，并且可以删除旧矩阵以节省空间。

I.然后，在一个优选实施方案中，但可选地，可以计算每个矩阵元的自然对数且以其替换原始元值。自然对数“压缩”音轨距离，从而使“近”距离比“远”距离得到更好的保持。这对于下文所述的映射图显示具有积极方面，因为在映射图上表示“长”距离往往偏斜结果图线，从而限制其描述能力。

J.公知的MDS(多维缩放)方法在矩阵上用于展现矩阵的顶部特征向量(维度)。

在一个实施方案中，脚本在可行的数据库中查找针对每个推荐项的音轨的ID。在那种情况下，它可以返回对应的音轨名、艺术家名、唱片名等等。优选地，音轨的id、其相关题目、艺术家、唱片信息、及其来自MDS算法的二维位置，均作为XML文件返回。(可以使用其他协议或编码。)

起码，仅仅来自MDS算法的二维位置就足以创建图像映射图显示(二维)。每个项，例如歌曲，被点绘于映射图上对应的二维位置处。每首歌曲可以在映射图上表示为黑点、圆圈、方块或任何其他可视标记或记号，仅以显示其在二维映射图空间中的位置。映射图显示的x、y轴或维并不具有任何直接的定义。(例如，x维并不表示歌曲的节奏；y方向也并不关联于歌曲的任何元数据或描述符。)恰恰相反，这种应用源自歌曲记号在映射图上相关于其他歌曲记号的位置。

现在参照图1，其示出一组歌曲的映射图，每首歌曲由对应的圆点表示。在该映射图上两个子集合或两类项通过不同颜色标识，由绘图中的影线表示。在实际的实施中，优选使用颜色显示。原理上任意数量的子集合可同时显示。而且，优选使用不同颜色来标识不同集合。然而，也可以使用不同尺寸或形状的图标。每个音乐音轨的相对流行度可以通过映射图显示上相关符号的对应尺寸来表示。每个媒体项的相对流行度可以通过在映射图上的相关记号的对应尺寸来表示。

在图1的映射图中，概括标识于110的第一点集合对应于输入集合，例如用户的播放列表。所述第一集合的每个对应于歌曲或其他播放列表媒体项的点，由对角影线表示，例如点112、114。最流行的、大致标识于140的第二点集合，对应于基于相对用户播放列表上的项的关系而被推荐给用户的歌曲(或其他媒体项)。这些通过小圆圈或空心点例如点142、144来表示。采用通常方式，用户能够观察到，其中一些推荐点与一些可视的更“远”的推荐相比更接近用户的播放列表歌曲(甚至在映射图空间中重合)。

在本发明的另一方面，上述类型的图像映射图显示器能够被编程为互动式的，以更加容易地将另外的信息传递到用户。用户互动例如可包括由用户采用定点装置(鼠标、操纵杆、触摸板等等)或其他输入装置所进行的输入。主要地，用于在映射图显示屏上移动光标的装置是门槛要求。这就使用户能够在映射图上移动光标或“悬停”在所选的一个项(点、标记)上，以要求更多信息。

现在参照图2，当用户悬停在一个项上或在其上“点击”时，可以显示另外的信息，例如描述所选项的元数据。元数据可例如包括歌曲标题、艺术家、唱片、流派、发行年、等等。元数据可显示于在映射图上的所选项的相邻处，或者在显示屏幕上的任意方便位置处。

根据本发明的另一特征，互动显示对映射图上的所选项进行动态重新配置。这一特征尤其有用于当映射图被挤满了彼此位置紧密靠近或交叠的多个标记时，如图1的映射图的某些区域中。(这种情况可称为“妨碍闭塞”)。优选地，一次选择一项，这就保持平稳，并且周围的选项(在所选项的预定距离处的选项)被移离这一选项(“排斥”)，从而在所选项周围开辟空间或“光环”。这一特征示于图2中。例如可以通过光标悬停或鼠标点击之类来选择用户感兴趣的项。“光环”的尺寸并不严格；它主要便于在一个时刻选择一个项。周围的项如何确切移开，也并不严格。例如，这些项可以仅仅朝向远处边角移动，该边角对应于这样一个象限，其中这些项相对于原点在所选项位置处的笛卡尔虚轴。在可替换实施方案中，在所选项周围的邻近项可以仅仅再次从映射图瞬时“消失”，从而使它们并不使所选项模糊。这就使用户能够更容易地点击或选择为获知更或而感兴趣的单独项。

在一个优选实施方案中，大致如上文所述的互动可视环境被实现为嵌入的flash小程序。也可以使用其他技术。小程序将读取输入数据，如上文所述，优选在XML文件。然后，它将在xml文件所述的位置处产生节点，缩放以适配小程序显示面板的尺寸。在一个优选实施方案中，它对节点进行尺寸调整以适配它们的通用分值。通用分值相关于邻域中其他节点，并被归一化。这就使得所有节点适配于如上文所述的可视化和互动的合适范围中。

在另一实施方案中，映射图节点可根据鼠标光标的位置而被排斥。这种互动类型也被设计为，减轻能够与数据分布例如由映射图算法所产生的数据分布一起发生的过度的“妨碍闭塞”。在一个优选实施方案中，每个节点根据其与光标的关系而具有多个可能的状态和行为。现在参照图4：

1.节点被“悬停(hover)”(光标悬停于其上，表示为区域“A”)

a.节点将增大其颜色饱和度，使其更为明显。它将停止所有运动。

2.节点被“覆盖”(光标覆盖于其上，但是节点在其顶部被另一节点所阻塞。在该配置中最上方的节点被悬停住，其余被覆盖)

a.节点将直接移离光标。

3.节点处于“短程”(光标处于节点的短距离处，显示为区域“B”)

a.节点将直接移离光标。

4.节点处于“中程边界”(光标处于在短程和中程距离区域之间的小间隙处。在区域B和C之间)

a.节点停止移动。如此以使得，节点被“分散”远离光标，而同时允许选择靠近的节点。

5.节点处于“中程”(光标处于范围C中)

a.节点将直接移离光标。

6.节点处于“远程边界”(光标处于在远程和远程以外之间的小间隙内)。

a.节点将停止移动。

7.节点处于“远程”(光标在C之外)

a.节点将移动回其原始位置。如果它已经在该处，则它将不做任何事情。

在其他替换性实施方案中，可以采用另外的运动逻辑增强。例如，系统记录(keep track of)有多少节点正在任意点及时移动。如果仅仅一个或两个节点正在与光标互动，则它将几乎不同样移动(或根本不移动)。这就简化在节点密度的“稀少”区域上的互动。另外，节点优选具有应用于其的特定“弹性”因子，从而防止它们移动而过于远离它们的原始位置。

在此公开的分析和可视化方法优选以软件实施。在一方面，结果是被产生用于在用户显示屏幕上显示的图像映射图(相关于计算机之类)。优选地，此类软件运行于中央服务器上，例如如上所述使用脚本，从而使其可被远程用户通过网络进行使用。(在此我们指的是通信网络，例如因特网，如从更为概念性的数据网络所区分的。)

本领域技术人员将显而易见，可以在不偏离本发明的基础原理的情况下对上述实施方案的内容进行许多改变。因此，本发明的范围应该仅仅由所附权利要求书所确定。

Claims (20)

1.一种用于音乐数据的分析和可视化描绘的方法，包括步骤：

(a)接收播放列表，其包括对应音轨的音轨id；

(b)访问推荐者数据库或服务，并根据播放列表音轨id取出预定数量的推荐音轨id，每个推荐音轨id包括相应的强度度量，播放列表id和推荐id一起形成数据集；

(c)去除不共享数据集邻域内至少预定最小数量的事件的推荐音轨id，从而将数据集减小到可管理的比例，以供可视化显示；

(d)通过流行度来对推荐音轨id进行排序；

(e)仅保持预定数量的所有最流行的推荐音轨，以减小供可视化显示的数据集的尺寸；

(f)从在所减小数据集中每对音轨之间的成对的推荐强度来构建矩阵，其中矩阵的对角线是如在所选资源中所表示的音轨的整体流行度；

(g)在整个矩阵计算按行的欧几里德距离；

(h)将度量多维缩放方法应用于矩阵，以确定矩阵的主要特征向量；

(i)基于主要特征向量，确定针对播放列表音轨和推荐音轨中的每一个的二维映射图位置；以及

(j)根据针对每个音轨的二维映射图位置，在图形显示屏幕上绘制所减小数据集的可视化映射图。

2.根据权利要求1所述的方法，进一步包括：

在计算按行的欧几里德距离之后，计算每个矩阵元的自然对数，并以该自然对数替换原始值或每个矩阵元，从而压缩在所绘制的可视化映射图上的相对距离。

3.根据权利要求1所述的方法，进一步包括：

在所绘制的可视化映射图中，显示针对由用户选择的音轨的对应元数据。

4.根据权利要求2所述的方法，包括：在可视化映射图显示上，分别通过不同的第一和第二符号来展现播放列表音轨和推荐音轨。

5.根据权利要求4所述的方法，其中所述第一和第二符号通过在可视化映射图显示上的不同颜色来区分。

6.根据权利要求2所述的方法，其中每个音乐音轨的相对流行度通过映射图显示上相关符号的对应尺寸来表示。

7.根据权利要求4所述的方法，其中绘制步骤包括，实现用户互动特征，其使用户能够在映射图上选择符号，从而显示与对应音乐音轨相关的元数据。

8.根据权利要求4所述的方法，其中绘制步骤包括，实现用户互动特征，其通过将相邻符号排斥离开当前光标位置，而对映射图上的未选择符号进行动态再定位，从而减轻在映射图拥挤区域中的闭塞度。

9.根据权利要求8所述的方法，包括，增大映射图显示上所选符号的色彩饱和度，以支持与映射图的用户互动。

10.一种用于网络数据集的分析和描绘的方法，包括步骤：

(a)访问所存储的数字网络数据集，其中，节点对应于单独的媒体项，在网络节点之间的连接权重表示根据至少一个预定特性的连接的强度；

(b)取出网络数据集的第一所选邻域子集，从而形成第一邻域矩阵；

(c)将权重函数应用于第一邻域矩阵，权重函数被选择从而保持每个节点的边缘权重分布的差异，并且其中所述权重函数基于节点之间的共现计数；

(d)在整个第一邻域矩阵应用所选的欧几里德距离计算，从而使第一邻域矩阵对称；以及

(e)在图形显示屏幕装置上绘制第一邻域矩阵数据，从而形成网络数据集的第一所选邻域子集的二维可视化映射图。

11.根据权利要求10所述的方法，其中选择权重函数包括步骤：

(a)选择从用于矩阵A的所取出邻域中获得的加权邻接矩阵；

(b)从用于邻域中每个节点的总连接权重的总和创建对角矩阵D；

(c)将矩阵A+D相加，以形成总和矩阵；和

(d)将权重函数应用于总和矩阵的每个节点，权重函数定义为如下公式

$w_{i,j}=\frac{k_{i,j}-\stackrel{\‾}{k}}{\mathrm{\σ}}$

其中，w_i，j为在节点i和j之间的节点权重，k_i，j为在节点之间的共现计数，σ为针对k的标准差。

12.根据权利要求10或11所述的方法，其中网络数据集包括基于播放列表的音乐数据，其中，节点对应于单独的音乐音轨或歌曲，并且连接权重表示对应歌曲在播放列表上出现的次数。

13.根据权利要求10或11所述的方法，进一步包括步骤：

(a)取出网络数据集的第二所选邻域子集，从而形成第二邻域矩阵；

(b)将所述权重函数应用于第二邻域矩阵；

(c)在整个第二邻域矩阵应用所选欧几里德距离计算；以及

(d)将第一邻域矩阵数据和第二邻域矩阵数据一起绘制在图形显示屏幕装置上，从而形成用于对第一邻域矩阵数据和第二邻域矩阵数据进行视觉比较的二维视觉映射图。

14.根据权利要求13所述的方法，其中网络数据集包括基于播放列表的音乐数据，其中，节点对应于单独的媒体项，并且连接权重表示对应的媒体项在播放列表上出现的次数。

15.根据权利要求14所述的方法，其中第一邻域对应于用户播放列表，第二邻域对应于根据用户播放列表创建的推荐播放列表。

16.根据权利要求15所述的方法，包括，在可视化映射图显示上，分别通过不同的第一和第二符号来显示第一和第二邻域项。

17.根据权利要求16所述的方法，其中第一和第二符号通过在可视化映射图显示上的不同颜色来区分。

18.根据权利要求16所述的方法，其中第一和第二符号通过在可视化映射图显示上的不同形状来区分。

19.根据权利要求10或11所述的方法，其中每个媒体项的相对流行度通过在映射图上的相关记号的对应尺寸来表示。

20.根据权利要求10或11所述的方法，其中媒体项是单独的音乐音轨或歌曲。

Images