CN102004785B - 一种音乐推荐方法及装置 - Google Patents

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

一种音乐推荐方法及装置

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，P_k)＝{p_kj|j＝1，2，....n}，k＝1，2，…m，其中，P_k为维度，p_kj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，P_k)＝{p_ki|i＝1，2...，m}，k＝1，2，…m，其中，P_k为维度，p_ki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，α_k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，Q_k(user，music)表示用户对音乐采取Q_k行为的结果值；q_k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，m_j为归属于粒度p_ki的音乐，x为归属于所还粒度p_ki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，P_k)＝{p_kj|j＝1，2，...，n}，k＝1，2，…m，其中，P_k为维度，p_kj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，P_k)＝{p_ki|i＝1，2...，n}，k＝1，2，…m，其中，P_k为维度，p_ki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，α_k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，Q_k(user，music)表示用户对音乐采取Q_k行为的结果值；q_k为行为加权系数；y为行为种类的个数；

相识函数计算单元，用于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，m_j为归属于粒度p_ki的音乐，x为归属于所述粒度p_ki的音乐的个数；

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，P_k)＝{p_kj|j＝1，2，...，n}，k＝1，2，…m，其中，P_k为维度，p_kj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P_k和粒度p_kj的关系的表达式为：P_K：{p_k0，p_k1，p_k2，…，p_kn}。

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，……，p_2n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，......，p_3n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，……，p_4n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P_k中的一个粒度p_kj集合，某一音乐music用音乐归属函数表示为：A(music，P_k)＝{p_kj|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，P_k)＝{p_ki|i＝1，2...，n}，k＝1，2，…m，其中，P_k为维度，p_ki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P_k中的一个粒度p_ki集合，某一用户user由用户归属函数表示为：A(user，P_k)＝{p_ki|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}。

S3.通过音乐归属函数和用户归属函数计算粒度相关函数，该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，用户喜欢音乐的概率函数为：

其中，α_k为维度加权系数。例如对所有的P_k(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α_k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，Q_k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。Q_k(user，music)表示用户对音乐采取Q_k行为的结果值，该结果值可根据行为Q_k来定义，例如，定义当用户对音乐采取行为时，Q_k(user，music)＝1，当用户未对音乐采取行为时，Q_k(user，music)＝0，优选地，Q_k(user，music)默认值为0，当用户对音乐采取行为时，Q_k(user，music)值变为1；q_k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≤q_k≤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q_k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。

S22.通过用户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，m_j为归属于粒度p_ki的音乐，x为归属于所述粒度p_ki的音乐的个数；

相识函数能够表征用户与粒度p_ki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Q_k，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，p_ki)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，P_k)＝{p_kj|j＝1，2，...，n}，k＝1，2，…m，其中，P_k为维度，p_kj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，P_k)＝{p_ki|i＝1，2...，n}，k＝1，2，…m，其中，P_k为维度，p_ki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，α_k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，Q_k(user，music)表示用户对音乐采取Q_k行为的结果值；q_k为行为加权系数；y为行为种类的个数；

相识函数计算模块322，用于通过用户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，m_j为归属于粒度p_ki的音乐，x为归属于所述粒度p_ki的音乐的个数；

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，P_k)＝{p_kj|j＝1，2，...，n}，k＝1，2，…m，

其中，P_k为维度，p_kj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，P_k)＝{p_ki|i＝1，2...，n}，k＝1，2，…m，

其中，P_k为维度，p_ki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： $F(\mathrm{user},\mathrm{music})=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_k\·f(\mathrm{user},\mathrm{music},P_k)),$

其中，α_k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： $F^{\′}(\mathrm{user},\mathrm{music})=\underset{k=1}{\overset{y}{\mathrm{\Σ}}}(q_k\·Q_k(\mathrm{user},\mathrm{music})),$

其中，Q_k(user，music)表示用户对音乐采取Q_k行为的结果值；q_k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： $f^{\′}(\mathrm{user},p_{\mathrm{ki}})=\underset{j=1}{\overset{x}{\mathrm{\Σ}}}{F}^{\′}(\mathrm{user},m_j),$

其中，m_j为归属于粒度p_ki的音乐，x为归属于所述粒度p_ki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，P_k)＝{p_kj|j＝1，2，...，n}，k＝1，2，…m，其中，P_k为维度，p_kj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，P_k)＝{p_ki|i＝1，2...，n}，k＝1，2，…m，其中，P_k为维度，p_ki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： $F(\mathrm{user},\mathrm{music})=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}({\mathrm{\α}}_k\·f(\mathrm{user},\mathrm{music},P_k)),$ 其中，α_k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，Q_k(user，music)表示用户对音乐采取Q_k行为的结果值；q_k为行为加权系数；y为行为种类的个数；

相识函数计算单元，用于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，m_j为归属于粒度p_ki的音乐，x为归属于所述粒度p_ki的音乐的个数；

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。

Images