CN102004785B - 一种音乐推荐方法及装置 - Google Patents
一种音乐推荐方法及装置 Download PDFInfo
- Publication number
- CN102004785B CN102004785B CN201010568257A CN201010568257A CN102004785B CN 102004785 B CN102004785 B CN 102004785B CN 201010568257 A CN201010568257 A CN 201010568257A CN 201010568257 A CN201010568257 A CN 201010568257A CN 102004785 B CN102004785 B CN 102004785B
- Authority
- CN
- China
- Prior art keywords
- music
- user
- function
- granularity
- dimension
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005469 granulation Methods 0.000 abstract 3
- 230000003179 granulation Effects 0.000 abstract 3
- 238000004220 aggregation Methods 0.000 abstract 2
- 230000002776 aggregation Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 132
- 235000019580 granularity Nutrition 0.000 description 73
- 230000006399 behavior Effects 0.000 description 54
- 241001672694 Citrus reticulata Species 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 229910052573 porcelain Inorganic materials 0.000 description 3
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 235000007516 Chrysanthemum Nutrition 0.000 description 1
- 244000189548 Chrysanthemum x morifolium Species 0.000 description 1
- 101150055297 SET1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
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
- G06F16/65—Clustering; Classification
-
- 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
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
本发明公开了一种音乐推荐方法及装置,该方法应用于音乐推荐装置中,包括以下步骤:S1.获取音乐的音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类;S2.获取用户的用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合;S3.通过所述音乐归属函数和用户归属函数计算粒度相关函数;S4.通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值;S5.当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户。本发明能够为用户提供个性推荐,以提高用户的满意度。
Description
技术领域
本发明涉及网络音乐应用领域,特别是涉及一种音乐推荐方法及装置。
背景技术
在网络音乐应用领域中,推荐是一种常用的使用户发现音乐的服务。多数推荐服务是基于用户行为的。基于用户行为的推荐方法有多种,例如AlsoBuy推荐方法和用户聚类方法,其中Also Buy推荐方法为:有大部分听了歌曲A的用户也听了歌曲B,那么就认为喜欢歌曲A的人喜欢歌曲B的可能性比较高,如果发现有一个用户只听了歌曲A,那么就可以给他推荐歌曲B;用户聚类方法为:根据用户行为将用户聚合成相似的分类,然后根据这个分类的典型行为来给其中的用户推荐,也就是说,会给分类中的所有用户提供相同的推荐。
上述两种推荐方法均存在无法为用户提供个性推荐的缺陷。
发明内容
有鉴于此,本发明提出一种音乐推荐方法及装置,所要解决的技术问题为:为用户提供个性推荐,以提高用户的满意度。
本发明的目的及解决其技术问题是采用以下技术方案来实现的。依据本发明提出的一种音乐推荐方法,包括以下步骤:
S1.获取音乐的音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,....n},k=1,2,…m,其中,Pk为维度,pkj为粒度,m为维度的个数,n为所述维度中粒度的个数;S2.获取用户的用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,m},k=1,2,…m,其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;S3.通过所述音乐归属函数和用户归属函数计算粒度相关函数,所述粒度相关函数表达式为:S4.通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,所述用户喜欢音乐的概率函数为:其中,αk为维度加权系数;S5.当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
前述的音乐推荐方法,步骤S1中,通过接收人工输入或程序识别来获取音乐的音乐归属函数。
前述的音乐推荐方法,所述用户具有至少一个用户归属函数。
前述的音乐推荐方法,步骤S2中,通过接收用户输入或分析用户行为来获取用户的用户归属函数。
前述的音乐推荐方法,通过分析用户行为获取用户归属函数的步骤包括:S21.根据用户对音乐的行为得到用户喜欢音乐的行为函数,所述用户喜欢音乐的行为函数的表达式为:其中,Qk(user,music)表示用户对音乐采取Qk行为的结果值;qk为行为加权系数;y为行为种类的个数;S22.通过所述行为函数计算得到用户与粒度的相识函数,所述相识函数的表达式为:其中,mj为归属于粒度pki的音乐,x为归属于所还粒度pki的音乐的个数;S23.将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
本发明的目的及解决其技术问题另外还采用以下技术方案来实现。依据本发明提出的一种音乐推荐装置,包括:音乐归属函数获取单元,用于获取所述音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,...,n},k=1,2,…m,其中,Pk为维度,pkj为粒度,m为维度的个数,n为所述维度中粒度的个数;用户归属函数获取单元,用于获取所述用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;粒度相关函数计算单元,用于通过所述音乐归属函数和用户归属函数计算粒度相关函数,所述粒度相关函数表达式为:概率函数计算单元,用于通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,所述用户喜欢音乐的概率函数为:其中,αk为维度加权系数;推荐单元,用于当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
前述的音乐推荐装置,所述音乐归属函数获取单元通过接收人工输入或程序识别来获取音乐的音乐归属函数。
前述的音乐推荐装置,所述用户具有至少一个用户归属函数。
前述的音乐推荐装置,所述用户归属函数获取单元通过接收用户输入或分析用户行为来获取用户的用户归属函数。
前述的音乐推荐装置,所述用户归属函数获取单元包括:
行为函数计算单元,用于根据用户对音乐的行为得到用户喜欢音乐的行为函数,所述用户喜欢音乐的行为函数的表达式为:其中,Qk(user,music)表示用户对音乐采取Qk行为的结果值;qk为行为加权系数;y为行为种类的个数;
用户归属函数形成单元,用于将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
由上述技术方案可知,本发明的实施例具有为用户提供个性推荐,以提高用户的满意度的有益效果。
通过以下参照附图对优选实施例的说时,本发明的上述以及其它目的、特征和优点将更加明显。
附图说明
图1为本发明一实施例提供的音乐推荐方法的流程图;
图2为本发明一实施例提供的通过分析用户行为获取用户归属函数的流程图;
图3为本发明一实施例提供的音乐推荐装置的框图;
图4为本发明一实施例提供的用户归属函数获取单元的框图。
具体实施方式
下面将详细描述本发明的具体实施例。应当注意,这里描述的实施例只用于举例说明,并不用于限制本发时。
请参阅图1所示,其为本发明一实施例提供的音乐推荐方法的流程图。该音乐推荐方法应用于音乐推荐装置中,该音乐推荐装置可为互联网中的在线音乐推荐装置,也可为不与网络连接的音乐推荐装置。该音乐推荐方法包括以下步骤:
S1.获取音乐的音乐归属函数,该音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,...,n},k=1,2,…m,其中,Pk为维度,pkj为粒度,m为维度的个数,n为维度中粒度的个数;
详细地,维度Pk和粒度pkj的关系的表达式为:PK:{pk0,pk1,pk2,…,pkn}。
平先,对维度和粒度进行举例说明:若将音乐分别按照年代、语言、歌手以及风格分类,则可对维度和粒度分别作如下配置:
维度P1为年代,其中各粒度分别为:p10为未知,p11为70年代前,p12为0~80年代,p13为80~90年代,p14为90~2000年代,p15为2000年以后,用表达式表示为:
P1:{未知,70年代前,70~80年代,80~90年代,90~2000年代,2000年以后};
维度P2为语言,其中各粒度分别为:p20为未知,p21为普通话,p22为粤语,p23为闽南语,p24为英语,p25为日语,p26为韩语,……,p2n为法语,用表达式表示为:
P2:{未知,普通话,粤语,闽南语,英语,日语,韩语,……,法语};
维度P3为歌手,其中各粒度分别为:p30为未知,p31为张学友,P34为张国荣,P35为周杰伦,......,p3n为张信哲},用表达式表示为:
P3:{未知,张学友,张国荣,周杰伦,......,张信哲};
维度P4为风格,其中各粒度分别为:p40为未知,p41为励志,p42为民歌,p43为摇滚,p44为抒情,p45为流行,……,p4n为舞曲},用表达式表示为:
P4:{未知,励志,民歌,摇滚,抒情,流行,……,舞曲}。
对于任一音乐music,必归属于维度Pk中的一个粒度pkj集合,某一音乐music用音乐归属函数表示为:A(music,Pk)={pkj|j=1,2,...,n},例如,歌曲《菊花台》在维度P1、P2、P3以及P4中的粒度分别为2000年以后、普通话、周杰伦以及流行,则用音乐归属函数表示为{p15,p21,p35,p45}。
在一实施例中,获取音乐的音乐归属函数的方法包括:接收人工输入或程序识别,人工输入为通过人工操作对每一首音乐在每一个维度上进行分类录入;程序识别为通过软件程序对每一首歌在每一个维度上进行自动识别。
S2.获取用户的用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;
对于任一用户user,必归属于维度Pk中的一个粒度pki集合,某一用户user由用户归属函数表示为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,例如,用户A在维度P1、P2、P3以及P4中喜欢的粒度分别为90~2000年代、普通话、张学友以及流行,则用户A用用户归属函数表示为{p14,p21,p31,p45}。
在一实施例中,获取用户的用户归属函数的方法包括:接收用户输入,即接收由用户在每一个维度上进行粒度选择;分析用户行为,即通过分析用户对音乐的行为来识别其在每一个维度上的粒度。
在另一实施例中,用户具有一个或多个用户归属函数,以更完整地表征出用户的一个或多个喜好。例如,某用户的用户归属函数可以有两个,分别为:{2000年以后,普通话,周杰伦,流行}和{90-2000年代,普通话,王菲,流行}。
S4.通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,用户喜欢音乐的概率函数为:其中,αk为维度加权系数。例如对所有的Pk(k=1,2,…m),设定由上可知,0≤F(user,music)≤1;
这里,通过维度加权系数来表示某一维度对用户喜好的代表程度。就上述示例中的P1、P2、P3以及P4四个维度而言,P1为年代,由于年代能代表一代人对音乐的喜好,所以可将维度加权系数α1设置的大些,例如设置α1=0.3;P2为语言,由于其对用户喜好的代表程度不是很强,故将其维度加权系数α2设置的小一些,例如设置α2=0.1;P3为歌手,由于歌手很能反映用户的喜好倾向,故此维度加权系数α3应该大一些,例如设置α3=0.4;P4为风格,由于风格能代表用户一定的喜好程度,故例如设置该维度加权系数α4=0.2。
S5.当用户喜欢音乐的概率的值大于预设的阈值ω时,将该音乐推荐给用户。
本领域技术人员可根据实际情况对维度进行分类、对粒度进行规定、对维度加权系数αk以及阈值ω进行选择,并可根据实际情况的变化对其更新,这样的变化均在本发明的保护范围之内。
另外,本领域技术人员可以了解的是,上述步骤S1和S之并不存在时序上的先后关系,既可以先执行步骤S1,也可以先执行步骤S2,不影响后续技术方案的实现和本发明的技术效果。
本发明提供的实施例能够根据每个用户的用户归属函数和每首音乐的音乐归属函数来对不同用户提供具有个性的推荐,从而提高用户的满意度。
下面描述本发明的一具体实施例。
在本实施例中,仍选取P1年代、P2语言、P3歌手以及P4风格四个维度;并且P1年代的维度加权系数α1=0.3,P2语言的维度加权系数α2=0.1,P3歌手的维度加权系数α3=0.4,P4风格的维度加权系数α4=0.2;而且预设阈值ω=0.5。
经过分析用户行为得知用户userA的用户归属函数为{2000年以后,普通话,周杰伦,流行},用户B的用户归属函数为{90-2000年代,普通话,王菲,流行}。
例如,对于歌曲songA《青花瓷》,其在维度P1、P2、P3以及P4中的粒度分别为2000年以后、普通话、周杰伦以及流行,则用音乐归属函数表示为{2000年以后,普通话,周杰伦,流行}。
则可得出songA与userA的粒度相关函数为:f(userA,songA,P1)=1;f(userA,songA,P2》=1;f(userA,songA,P3)=1;f(userA,songA,P4)=1。
用户userA喜欢歌曲songA的概率为:0.3×1+0.1×1+0.4×1+0.2×1=1,得出的概率函数的值大于阈值ω,故可以向用户userA推荐歌曲songA《青花瓷》。
另外,可得出songA与userB的粒度相关函数为:f(userA,songB,P1)=0;f(userA,songB,P2》=1;f(userA,songB,P3)=0;f(userA,songB,P4)=1。
用户userB喜欢歌曲songA的概率为:0.3×0+0.1×1+0.4×0+0.2×1=0.3,得出的概率函数的值小于阈值ω,故不向用户userB推荐歌曲songA《青花瓷》。
请参阅图2所示,其为本发明一实施例提供的通过分析用户行为获取用户归属函数的流程图。在本实施例中,获取用户行为的方法包括以下步骤:
S21.根据用户对音乐的行为得到用户喜欢音乐的行为函数,所述用户喜欢音乐的行为函数的表达式为:其中,Qk表示用户对音乐的某种行为,比如下载作为彩铃、播放或评论等。Qk(user,music)表示用户对音乐采取Qk行为的结果值,该结果值可根据行为Qk来定义,例如,定义当用户对音乐采取行为时,Qk(user,music)=1,当用户未对音乐采取行为时,Qk(user,music)=0,优选地,Qk(user,music)默认值为0,当用户对音乐采取行为时,Qk(user,music)值变为1;qk为行为加权系数,y为行为种类的个数;这里,通过行为加权系数来表示某一行为对用户喜好的代表程度,例如,设定-1≤qk≤1。
举例而言,定义Q1表示下载彩铃行为,Q2表示播放行为,Q3表示评论行为。就该三种行为而言,用户将某音乐下载作为彩铃能代表用户对该音乐比较喜欢,可将此行为的行为加权系数设为q1=0.35;用户播放过该音乐表示用户可能喜欢该音乐,可将此行为的行为加权系数设为q2=0.2;用户对音乐发表评论可以直观的表现出用户的喜好,如果用户通过评论表示喜欢该音乐,则此评论的行为加权系数设为q3=0.45,如果用户通过评论表示不喜欢该音乐,则此评论的行为加权系数则可设为负数q4=-0.45。
本领域技术人员可根据实际情况对行为的种类及个数进行规定,对行为加权系数qk进行选择,并可根据实际情况的变化对其更新,这样的变化均在本发明的保护范围之内。
相识函数能够表征用户与粒度pki的密切关系,由该相识函数的表达式可以看出,用户通过与归属于某粒度的音乐的行为函数加和得出与某粒度的相识函数。
S23.将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
例如,在歌手维度中,用户与粒度的相识函数的值从大到小的前3位分别为:周杰伦、王菲以及蔡琴,则周杰伦、王菲以及蔡琴分别作为所形成的3个归属函数中的一个粒度。
由本实施例的步骤S21至S23可以看出:每当用户发生行为Qk,用户喜欢音乐的行为函数F′(user,music)便会发生改变,用户与粒度的相识函数f′(user,pki)可能会相应改变,从而用户归属函数也可能会随之改变,这样,能够实现根据用户行为不断更新推荐结果,从而保证准确推荐。
本发明的音乐推荐方法应用于音乐推荐装置中,可用计算机等硬件执行计算机可执行程序实现。
请参阅图3所示,其为本发明一实施例提供的音乐推荐装置的框图。该音乐推荐装置包括:
音乐归属函数获取单元31,用于获取所述音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,...,n},k=1,2,…m,其中,Pk为维度,pkj为粒度,m为维度的个数,n为所述维度中粒度的个数;
用户归属函数获取单元32,用于获取所述用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;优选地,用户归属函数的个数为至少一个;
粒度相关函数计算单元33,用于通过所述音乐归属函数和用户归属函数计算粒度相关函数,所述粒度相关函数表达式为:
概率函数计算单元34,用于通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,所述用户喜欢音乐的概率函数为:其中,αk为维度加权系数;
推荐单元35,用于当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户。
本发明提供的实施例能够根据每个用户的用户归属函数和每首音乐的音乐归属函数来对不同用户提供具有个性的推荐,从而提高用户的满意度。
在一实施例中,音乐归属函数获取单元31通过接收人工输入或程序识别来获取音乐的音乐归属函数。
在另一实施例中,用户归属函数获取单元32通过接收用户输入或分析用户行为来获取用户的用户归属函数。
在另一实施例中,用户具有至少一个用户归属函数,以更完整地表征出用户的一个或多个喜好。
作为一个具体实施例,用户归属函数获取单元32可以包括:
行为函数计算模块321,用于根据用户对音乐的行为得到用户喜欢音乐的行为函数,所述用户喜欢音乐的行为函数的表达式为:其中,Qk(user,music)表示用户对音乐采取Qk行为的结果值;qk为行为加权系数;y为行为种类的个数;
用户归属函数形成模块323,用于将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
通过本实施例能够实现根据用户行为不断更新推荐结果,从而保证准确推荐。
上述各单元及模块的具体工作方式请参见本发明方法的相应步骤,并且上述各单元及模块中的一个或几个可以通过能够运行计算机可执行程序的计算机等硬件实现,也可以通过软件程序实现。
虽然已参照几个典型实施例描述了本发明,但应当理解,所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质,所以应当理解,上述实施例不限于任何前述的细节,而应在随附权利要求所限定的精神和范围内广泛地解释,因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。
Claims (6)
1.一种音乐推荐方法,其特征在于,应用于音乐推荐装置中,包括以下步骤:
S1.获取音乐的音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,...,n},k=1,2,…m,
其中,Pk为维度,pkj为粒度,m为维度的个数,n为所述维度中粒度的个数;
S2.获取用户的用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,
其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;
S4.通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,所述用户喜欢音乐的概率函数为:
其中,αk为维度加权系数;
S5.当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户;
其中,获取用户归属函数的步骤包括:
S21.根据用户对音乐的行为得到用户喜欢音乐的行为函数,所述用户喜欢音乐的行为函数的表达式为:
其中,Qk(user,music)表示用户对音乐采取Qk行为的结果值;qk为行为加权系数;y为行为种类的个数;
S22.通过所述行为函数计算得到用户与粒度的相识函数,所述相识函数的表达式为:
其中,mj为归属于粒度pki的音乐,x为归属于所述粒度pki的音乐的个数;
S23.将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
2.根据权利要求1所述的音乐推荐方法,其特征在于,步骤S1中,通过接收人工输入或程序识别来获取音乐的音乐归属函数。
3.根据权利要求1所述的音乐推荐方法,其特征在于,所述用户具有至少一个用户归属函数。
4.一种音乐推荐装置,其特征在于,包括:
音乐归属函数获取单元,用于获取所述音乐归属函数,所述音乐归属函数为音乐在不同维度中粒度的集合,其中,维度为对音乐的分类,粒度为对所述维度的分类,所述音乐归属函数的表达式为:A(music,Pk)={pkj|j=1,2,...,n},k=1,2,…m,其中,Pk为维度,pkj为粒度,m为维度的个数,n为所述维度中粒度的个数;
用户归属函数获取单元,用于获取所述用户归属函数,所述用户归属函数为用户喜欢的不同维度中的粒度的集合,所述用户归属函数的表达式为:A(user,Pk)={pki|i=1,2...,n},k=1,2,…m,其中,Pk为维度,pki为粒度,m为维度的个数,n为所述维度中粒度的个数;
概率函数计算单元,用于通过粒度相关函数和维度加权系数计算用户喜欢音乐的概率函数的值,所述用户喜欢音乐的概率函数为: 其中,αk为维度加权系数;
推荐单元,用于当所述用户喜欢音乐的概率的值大于预设的阈值时,将所述音乐推荐给用户;
所述用户归属函数获取单元包括:
行为函数计算单元,用于根据用户对音乐的行为得到用户喜欢音乐的行为函数, 所述用户喜欢音乐的行为函数的表达式为:其中,Qk(user,music)表示用户对音乐采取Qk行为的结果值;qk为行为加权系数;y为行为种类的个数;
用户归属函数形成单元,用于将每个维度中用户与粒度的相识函数的值从大到小的前z位的粒度分别作为z个用户归属函数中的一个粒度,以形成z个用户归属函数,其中z≥1。
5.根据权利要求4所述的音乐推荐装置,其特征在于,所述音乐归属函数获取单元通过接收人工输入或程序识别来获取音乐的音乐归属函数。
6.根据权利要求4所述的音乐推荐装置,其特征在于,所述用户具有至少一个用户归属函数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010568257A CN102004785B (zh) | 2010-11-30 | 2010-11-30 | 一种音乐推荐方法及装置 |
US13/088,484 US8442925B2 (en) | 2010-11-30 | 2011-04-18 | Music recommendation method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010568257A CN102004785B (zh) | 2010-11-30 | 2010-11-30 | 一种音乐推荐方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102004785A CN102004785A (zh) | 2011-04-06 |
CN102004785B true CN102004785B (zh) | 2012-08-29 |
Family
ID=43812147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010568257A Expired - Fee Related CN102004785B (zh) | 2010-11-30 | 2010-11-30 | 一种音乐推荐方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US8442925B2 (zh) |
CN (1) | CN102004785B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186527B (zh) * | 2011-12-27 | 2017-04-26 | 北京百度网讯科技有限公司 | 建立音乐分类模型的系统、推荐音乐的系统及相应方法 |
CN103023971B (zh) * | 2012-11-15 | 2015-09-09 | 广州酷狗计算机科技有限公司 | 音乐共享电台的信息推送方法及其系统 |
US8572097B1 (en) * | 2013-03-15 | 2013-10-29 | FEM, Inc. | Media content discovery and character organization techniques |
CN104142936A (zh) * | 2013-05-07 | 2014-11-12 | 腾讯科技(深圳)有限公司 | 匹配音视频的方法和装置 |
CN104156366B (zh) * | 2013-05-13 | 2017-11-21 | 中国移动通信集团浙江有限公司 | 一种向移动终端推荐网络应用的方法和网络服务器 |
CN104239324B (zh) * | 2013-06-17 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 一种基于用户行为的特征提取、个性化推荐的方法和系统 |
CN104636448B (zh) | 2015-01-23 | 2018-01-23 | 广东欧珀移动通信有限公司 | 一种音乐推荐方法及装置 |
CN106294426A (zh) * | 2015-05-26 | 2017-01-04 | 徐维靖 | 笑话内容提供网站系统 |
CN104899302B (zh) * | 2015-06-10 | 2018-07-17 | 百度在线网络技术(北京)有限公司 | 向用户推荐音乐的方法和装置 |
CN106610968B (zh) * | 2015-10-21 | 2020-09-04 | 广州酷狗计算机科技有限公司 | 一种歌单列表确定方法、装置及电子设备 |
CN105824873A (zh) * | 2016-01-29 | 2016-08-03 | 维沃移动通信有限公司 | 一种推荐音乐的方法及终端 |
CN107885889A (zh) * | 2017-12-13 | 2018-04-06 | 聚好看科技股份有限公司 | 搜索结果的反馈方法、展示方法及装置 |
WO2019164040A1 (ko) * | 2018-02-26 | 2019-08-29 | 라인플러스 주식회사 | 성장 그래프 기반의 플레이리스트 추천 방법 및 시스템 |
TWI676951B (zh) * | 2018-08-15 | 2019-11-11 | 中華電信股份有限公司 | 運用答鈴回饋之主動行銷音樂之系統與其方法 |
CN111586089A (zh) * | 2020-03-20 | 2020-08-25 | 上海大犀角信息科技有限公司 | 基于向量评分的客户端、服务端内容推荐系统和方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020002899A1 (en) * | 2000-03-22 | 2002-01-10 | Gjerdingen Robert O. | System for content based music searching |
US7081579B2 (en) * | 2002-10-03 | 2006-07-25 | Polyphonic Human Media Interface, S.L. | Method and system for music recommendation |
EP2343660A1 (en) * | 2007-03-31 | 2011-07-13 | Sony Deutschland GmbH | Method for content recommendation |
CN100555287C (zh) * | 2007-09-06 | 2009-10-28 | 腾讯科技(深圳)有限公司 | 互联网音乐文件排序方法、系统和搜索方法及搜索引擎 |
CN101441667B (zh) * | 2008-12-29 | 2011-04-06 | 北京搜狗科技发展有限公司 | 一种音乐推荐方法及装置 |
-
2010
- 2010-11-30 CN CN201010568257A patent/CN102004785B/zh not_active Expired - Fee Related
-
2011
- 2011-04-18 US US13/088,484 patent/US8442925B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US20120136814A1 (en) | 2012-05-31 |
CN102004785A (zh) | 2011-04-06 |
US8442925B2 (en) | 2013-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102004785B (zh) | 一种音乐推荐方法及装置 | |
Deng et al. | Rlprompt: Optimizing discrete text prompts with reinforcement learning | |
CN108009228B (zh) | 一种内容标签的设置方法、装置及存储介质 | |
Wang et al. | Generative recommendation: Towards next-generation recommender paradigm | |
US20170368683A1 (en) | User portrait based skill package recommendation device and method | |
WO2020048084A1 (zh) | 资源推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN104636371B (zh) | 信息推荐方法及设备 | |
WO2017096877A1 (zh) | 一种推荐方法和装置 | |
US20150073931A1 (en) | Feature selection for recommender systems | |
US10529031B2 (en) | Method and systems of implementing a ranked health-content article feed | |
US9146989B2 (en) | Analytic comparison of libraries and playlists | |
US9286943B2 (en) | Enhancing karaoke systems utilizing audience sentiment feedback and audio watermarking | |
CN108959323A (zh) | 视频分类方法和装置 | |
CN110035302A (zh) | 信息推荐及模型训练方法和装置、计算设备、存储介质 | |
CN111723289B (zh) | 信息推荐方法及装置 | |
US20150269162A1 (en) | Information processing device, information processing method, and computer program product | |
CN109829033A (zh) | 数据展示方法和终端设备 | |
Martina et al. | A virtual assistant for the movie domain exploiting natural language preference elicitation strategies | |
CN110727853A (zh) | 向用户呈现控制的异构数字内容 | |
US10254834B2 (en) | System and method for generating identifiers from user input associated with perceived stimuli | |
Van Miltenburg | WordNet-based similarity metrics for adjectives | |
CN112801053B (zh) | 视频数据处理方法、装置 | |
WO2018040310A1 (zh) | 基于人工智能的推荐数据的获取方法、装置、设备及非易失性计算机存储介质 | |
JP6680472B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
CN105279172B (zh) | 视频匹配方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120829 Termination date: 20151130 |
|
EXPY | Termination of patent right or utility model |