CN102654860B - 一种个性化音乐推荐方法及系统 - Google Patents

Abstract

本发明公开了一种个性化音乐推荐方法及系统，该方法包括：步骤1，音乐推荐服务器根据用户终端针对歌曲的操作生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；步骤2，对该用户行为数据进行聚类计算，得到多个结果标签；步骤3，对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；步骤4，针对加权处理后的该用户行为数据进行归一化处理；步骤5，对该多个结果标签进行排列组合将该归一化后的用户行为数据依次与每种排列组合进行相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；步骤6，音乐推荐服务器根据该用户口味模型，为用户终端推荐歌曲。

Description

一种个性化音乐推荐方法及系统

技术领域

本发明涉及一种音乐数据处理服务，特别是涉及一种个性化音乐推荐方法及系统。

背景技术

用户在收听歌曲时通常利用两种途径，一种是使用传统的音频播放器在本地播放，另一种是通过网络进行在线搜索或试听。传统的音频播放器只能播放用户已有的音乐文件，不能拓展用户的收听范围，不能帮助用户根据其兴趣爱好而发掘其他歌曲。通过网络在线搜索试听的方式，解决了扩展用户的收听范围的问题。在现有技术中，基于网络还可以实现为用户推荐歌曲。推荐一般采用两种方式实现：基于选择一致性产生推荐以及基于协同过滤产生推荐。

以选择一致性为例，现有技术的歌曲推荐通过如下方式实现：用户终端通过网络连接至服务器端。服务器端设置有用户行为提取模块、用户口味分析模块以及基于口味的内容过滤模块。

用户终端每次对歌曲进行操作所产生的操作数据均发送至该服务器端。该用户行为提取模块接收该操作数据，该用户口味分析模块根据累积的该操作数据分析用户的口味，例如用户偏向于收听流行歌曲，则该内容过滤模块针对服务器中存储的歌曲内容进行过滤，依照该口味生成关于流行歌曲的推荐列表，并发送至该用户终端。

上述现有技术存在的问题在于，用户的口味通常是随时间变化的，不但有随着长时间跨度而发生的缓慢的无周期规律的变化，而且有按照天、星期等短时间跨度和应用场景而发生的周期性变化。例如：上个月喜欢听爱情相关的歌曲，这个月可能就会喜欢听励志歌曲；早上上班路上喜欢听振奋精神的音乐，晚上可能会喜欢听悠扬的器乐歌曲。而现有技术无法准确识别出由于时间变化所带来的用户口味差异，无法基于时间属性给出相应的推荐内容。

另外，用户的口味通常是以固定组合形式出现的，例如用户可能会喜欢听美国歌手演唱的乡村音乐和中国歌手演唱的RAP音乐。如果仅机械的识别出用户具有乡村音乐和RAP音乐的口味，而忽略了演唱歌手的因素，为用户推荐了中国或美国歌手演唱的乡村音乐或者RAP音乐，则将出现噪声推荐数据，不符合用户的需求，降低了用户体验度。

同时，现有技术还无法根据用户的反馈数据，调整推荐内容。

发明内容

本发明公开了一种个性化音乐推荐方法及系统，用于发现与时间相关的用户口味，并根据该口味为用户推荐符合该用户口味的歌曲。

更进一步的，本发明根据用户对推荐内容的反馈数据进一步调整推荐内容。

为解决上述问题，本发明公开了一种个性化音乐推荐方法，应用于音乐推荐服务器中，包括如下步骤：

步骤1，音乐推荐服务器根据用户终端针对歌曲的操作生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；

步骤2，对该用户行为数据进行聚类计算，得到多个结果标签；

步骤3，对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；

步骤4，针对加权处理后的该用户行为数据进行归一化处理；

步骤5，对该多个结果标签进行排列组合，将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

步骤6，音乐推荐服务器根据该用户口味模型，为用户终端推荐歌曲。

更进一步的，本发明还公开了一种个性化音乐推荐服务系统，包括音乐推荐服务器与至少一用户终端，该音乐推荐服务器包括：

用户数据存储管理模块，用于接收用户终端针对歌曲进行的操作数据，并据以生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；

相似度计算模块，基于相似度计算对该用户行为数据进行聚类计算，得到多个结果标签；

用户口味发现模块，包括加权处理模块、归一化模块以及用户口味模型选择模块，该加权处理模块用于对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高，该归一化模块用于针对加权处理后的该用户行为数据进行归一化处理，该用户口味模型选择模块用于对该多个结果标签进行排列组合，调用该相似度计算模块将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

推荐过滤模块，用于根据该用户口味模型，为用户终端推荐歌曲。

本发明实现的技术效果在于，发掘用户口味，并体现出与时间相关联的用户口味，能够体现出口味组合，提高所发掘的用户口味的准确度。并自适应的根据用户对推荐内容的反馈数据调整推荐策略与推荐内容。

附图说明

图1A所示为本发明的个性化音乐推荐系统的结构示意图；

图1B所示为本发明的个性化音乐推荐方法的流程示意图；

图2A、2B所示为本发明的个性化音乐推荐系统的结构示意图；

图3A所示为本发明的个性化音乐推荐系统的结构示意图；

图3B所示为本发明的个性化音乐推荐方法的流程示意图；

图4A、4B所示为本发明的个性化音乐推荐系统的结构示意图；

图4C所示为本发明的个性化音乐推荐方法的流程示意图。

具体实施方式

以下通过具体实施例详细描述本发明的实现过程。

本发明用于获取用户口味，特别是获取与时间相关联的用户口味。同时，根据所获取的用户口味，为用户推荐符合用户口味的歌曲。

如图1A所示为本发明的个性化音乐推荐系统的结构示意图。至少一个用户终端1通过网络与音乐推荐服务器2连接。音乐推荐服务器2包括用户数据存储管理模块21、相似度计算模块22、用户口味发现模块23以及推荐过滤模块24。用户终端1包括PC机、手机、PDA、平板电脑、车载移动终端等。

用户终端1通过有线或无线方式登录音乐推荐服务器2，在音乐推荐服务器2提供的界面中进行针对歌曲的操作，并对应生成操作数据。

通常，对歌曲的操作可包括正向操作或负向操作，例如播放歌曲、将歌曲添加入播放列表、阅读歌曲的相关资料、推荐歌曲、为歌曲评分等为正向操作，跳过歌曲、将歌曲从播放列表中删除等为负向操作。

用户终端对歌曲进行操作，对应的操作数据被发送至该音乐推荐服务器2，用户数据存储管理模块21用于存储/管理该操作数据，并根据该操作数据对应生成用户行为数据。该用户行为数据至少包括操作时间标签、操作次数标签和歌曲标签。用户数据存储管理模块21还用于存储用户终端的环境因素信息，例如用户终端的型号、登录音乐推荐服务器时的地理位置等。该用户行为数据还可以包括环境标签(用户终端的型号、登录时的位置等)。

关于操作次数标签，不同的操作可根据一预先设置的数据表对应不同的操作次数赋值，比如，进行收听的操作，其操作次数为+1，进行添加至播放列表的操作，其操作次数是+2，而进行跳过的操作，其操作次数为-1。正向操作正向记次，负向操作负向记次。其他常用操作也包括在本发明的公开范围内。

当用户收听歌曲《大海》并将其加入播放列表时，用户数据存储管理模块21对应生成一条用户行为数据，其中包括操作时间标签为下午(或16:00)，操作次数标签为+3(1+2)，歌曲标签为歌曲《大海》的全部标签。

本领域的技术人员可以知道，每首歌曲都预先设置有关于其歌曲内容的标签集合，用于从多个维度体现歌曲的特征。例如歌曲标签包括速度、配器、节奏、嗓音等涉及音频属性领域的维度，流派、音色等涉及音乐属性的维度，情绪、主题等涉及内容属性的维度，地域、歌手等涉及人文属性的维度。每个维度包括至少一个可选具体标签。以配器为例，可能包括钢琴、大提琴、二胡、琵琶等多个具体标签。则歌曲《大海》的标签包括：中速、钢琴、抒情……

随后，相似度计算模块22开始针对用户数据存储管理模块21当前收集到的所有用户行为数据进行聚类计算。或者，相似度计算模块22可对一定时间范围内收集到的用户行为数据进行聚类计算，例如最近6个月内。本领域的技术人员可知，聚类计算包括相似度计算，需基于相似度计算的数据，实现最终聚类。该聚类计算利用了现有技术中的常用算法，例如DENCLUE算法等。相似度计算模块22还可执行后续涉及的相似度计算。

由于用户行为数据均由标签组成，故而聚类计算将得到针对该用户的多个结果标签，可体现出用户的部分操作特点。例如，结果标签可能包括早晨、下午、摇滚、乡村、中国、美国等。由于这些标签频繁出现在用户的操作行为中，因此这些结果标签将作为确定用户口味的备选标签。

用户口味发现模块23将基于结果标签以及用户行为数据，从中发现用户收听歌曲的口味。该口味就是用户的欣赏偏好，对于歌曲的选择倾向性。

如图2A、2B所示为本发明的个性化音乐推荐系统的结构示意图。

用户口味发现模块23进一步包括加权处理模块231、归一化模块232、用户口味模型选择模块233。

加权处理模块231针对当前聚类计算所针对的所有用户行为数据，进行加权处理。具体处理包括：对用户行为数据中的操作次数，依据其所处时段进行加权处理。加权值＝时间系数K*用户行为数据的操作次数。时间系数K依下表所示。“用户行为所在时间范围”为该用户行为距离当前时刻的时长，用户行为处于越临近当前时刻的时段，其时间系数(权重)越高。下表仅用于示例。

用户行为所在时间范围(天)时间系数K

0～7(不含)              1

7～14(不含)             0.7

14～21(不含)            0.4

21～∞                  0.2

如果该用户发生3个用户行为数据，用户行为数据A在3天前收听歌曲《大海》并将其加入播放列表，用户行为数据B在10天前收听歌曲《大海》1次，用户行为数据C在20天前跳过收听歌曲《大海》1次，则针对用户行为数据A，加权值＝1*3＝3，针对用户行为数据B，加权值＝0.7*1＝0.7，针对用户行为数据C，加权值＝0.4*(-1)＝-0.4，则针对《大海》的加权值可累计为3+0.7-0.4＝3.3。其他加权处理的方式也可，例如，加权值＝K*K*操作次数。

由于临近当前时刻的时段的时间系数K较大，故而近期的操作行为会导致该加权值大幅增加，可及时体现出用户短时间内的口味，又由于逐渐远离当前时刻的时段的时间系数K存在渐变降低，但仍大于0，故而加权值中也可以体现出用户长时间内的口味。

随后，归一化模块232对该加权处理后的该用户行为数据进行归一化处理。

归一化处理的目的是为了避免用户极大量收听的某歌曲对于收听的其他歌曲产生绝对压制，例如：一首歌曲由于用户喜欢或者误操作(循环播放)试听了50次，那样将会极大地影响到后续进行歌曲推荐的结果，因此需要对该用户行为数据进行归一化。归一化的方法可参照下表，但不以此为限，其他归一化方法也在本发明的公开范围中。

编号	加权后的用户行为值x	归一值
			1	0＜x＜10	x/20
2	10＜x＜100	lgx/2
			3	x＞100	1

该加权后的用户行为值X包括上述的对操作次数加权处理后的加权值。

例如，当上述歌曲《大海》的加权值累加为3.3，则其属于编号1的0～10的范围内，则归一值为3.3/20＝0.0165。该归一值视为对用户行为数据附加的权重，特别是对于用户行为数据中的歌曲标签附加了权重。

该用户口味模型选择模块233，对该多个结果标签进行排列组合，并调用相似度计算模块22将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型。

具体来说，承接上例，结果标签可能包括早晨、下午、摇滚、乡村、中国、美国等。用户口味模型选择模块233对所有的结果标签依照维度进行排列组合。早晨、下午为同一维度，摇滚、乡村为同一维度，中国、美国为同一维度，则每个维度选择一个标签进行排列组合，得到的结果例如为，早晨中国摇滚、下午中国摇滚、早晨美国乡村等等。这样，用户口味可以以固定组合的方式出现，更加贴近用户的实际口味。同时，还可体现出用户口味在一天中的变化，体现出口味与时间属性的关联关系。

利用该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算。该归一化后的用户行为数据由标签组成，每种排列组合也由标签组成。二者之间的多维相似度计算可以采用余弦相似度算法，或者，用户协同过滤算法。

本领域的技术人员可以知道，余弦相似度算法是为了解决具有多维度属性实体间的相似度而提出的计算模型。可以认为两个实体之间的相似度S是两实体的多个维度的相似度乘以权重后的叠加。

S＝D1*S1+D2*S2+……+Dn*Sn                (1)

Sn为两个实体在第n维度内的相似度，Dn为第n维度的权重，Dn为预先设定。

在同一维度内，任意两个可选值之间都有确定的相似度。例如，在速度这一维度内，慢速、中速为不同的可选值，每个可选值都有预先设定的相似度赋值，这样该维度内任意两个可选值之间的相似度可以通过对该相似度赋值的计算而得到。而该归一化后的用户行为数据与每种排列组合之间进行的多维相似度计算，就是在分别计算每个维度内，属于用户行为数据的标签与属于排列组合的标签之间的相似度Sn，并进行公式(1)的累加计算。

特别是，该归一化后的用户行为数据还包括该归一值，其可视为在公式(1)的基础上附加一权重值，即，S＝(D1*S1+D2*S2+……+Dn*Sn)*归一值。

具体的说，该用户口味模型选择模块233包括一用户口味取得模块2331，用于依照预定规则从该多维相似度计算的结果中进行选择，确定对应的用户口味，形成用户口味集合。

该预定规则包括但不限于：

从该多维相似度计算的结果中，选取相似度大于预定值的结果，该结果所对应的排列组合，视为用户口味。

或者，对于多维相似度计算结果未超过预定值的排列组合，按照标签的维度进行累加。即，计算任意两个该多维相似度计算结果未超过预定值的排列组合中，在同一维度下的结果标签之间的相似度，对于相似度大于一阈值(例如0.8)的两个结果标签进行合并，将合并后的结果标签重新进行排列组合以进行该多维相似度计算，如果结果大于该预定值，同样认定该合并后的结果标签所在的排列组合为用户口味。

例如，由于部分维度划分很细，造成无法达到门限的情况。用户在流派这一维度上同时喜欢硬摇滚、慢摇滚、前卫摇滚，通过上述聚类步骤可以得到硬摇滚、慢摇滚、前卫摇滚这三个结果标签。但是按照这三个结果标签分别进行多维相似度计算都不能达到该预定值。可见，由于用户同时喜欢多种摇滚形式，其同时也分散了对摇滚的相似度计数。此时，计算硬摇滚、慢摇滚、前卫摇滚之间的相似度，依照前述相似度计算规则，假设这三者的两两之间都超过了该阈值，则此时可将流派这一维度下的这三个结果标签进行合并。即，针对该三个结果标签的用户行为数据可合为一体，累计计算。将该三个结果标签视为一个整体进行后续计算。

由于将三个结果标签进行了合并，则在进行上述多维相似度计算时，对该三个结果标签分别与其他维度的结果标签进行排列组合，并进行与用户行为数据之间的相似度计算，这三个结果标签的相似度计算值可以累加，其累加结果可能超过该预定值，则合并后的结果标签也可作为用户口味，也就是说，这三个结果标签都视为用户口味。

用户口味体现出了用户操作行为的特点，可以据以直接为用户推荐歌曲，或者，还可以从中精细挑选用户口味模型。

更进一步的，本发明的该用户口味模型选择模块233还可以包括一用户口味模型取得模块2332，用于从该已经获得的用户口味中，依照预定规则挑取用于实际为用户推荐歌曲的用户口味模型。

该用户口味模型取得模块2332所遵循的预定规则包括，依次判断用户口味集合中，每个用户口味所对应的歌曲数占总歌曲数的比例是否超过一预定值(例如30％)，如果是，该用户口味视为用户口味模型。例如，早上美国乡村为一用户口味，判断该用户所操作过的歌曲中，具有早上美国乡村这一标签的歌曲数，占总歌曲数的比例是否超过预定值，如果超过，代表该类型歌曲较多，该用户口味可以作为用户口味模型。

或者，在已经获取的用户口味中，依次统计同一维度内每种结果标签所对应的歌曲占总歌曲数的比例，如果该比例超过一比例阈值，，则该结果标签成为用户口味模型。

即，在已经获取的用户口味的范围内，针对例如地区、主题、流派等维度，逐个维度进行判断。例如，在流派维度内，如果具有流行的标签的歌曲占歌曲总数的20％，摇滚占45％，古典占20％，民族占15％。而该比例阈值例如设定为30％，按照上述规则，摇滚(45％)超过该比例阈值，则摇滚成为用户在流派纬度上的口味模型。

或者，该用户口味模型取得模块2332，对于全部m个用户口味，进一步对每个该用户口味依照其对应的歌曲数进行排序，排序的前n个用户口味所对应的歌曲总数占总歌曲数的比例为c，当c/(n/m)＞4时，前n个用户口味视为用户口味模型；

或者，该用户口味模型取得模块2332将所有的用户口味直接作为用户口味模型。

用户口味模型取得模块2332更进一步实现了从众多用户口味中挑选出更加符合用户操作倾向性，更贴合用户需求的用户口味模型，以提高推荐的准确性。

该推荐过滤模块24，根据该用户口味发现模块23提供的用户口味或者该用户口味模型，从音乐推荐服务器所存储的大量歌曲中，选择符合该用户口味或者该用户口味模型的歌曲，推荐给用户。

基于以上描述，本发明的个性化音乐推荐方法的流程示意图如图1B所示：

步骤101，音乐推荐服务器根据用户终端针对歌曲的操作生成用户行为数据，该用户行为数据至少包括操作时间标签、操作次数标签和歌曲标签；

步骤102，对该用户行为数据进行聚类计算，得到多个结果标签；

步骤103，对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；

步骤104，针对加权处理后的该用户行为数据进行归一化处理；

步骤105，对该多个结果标签进行排列组合，将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

步骤106，音乐推荐服务器根据该用户口味模型，为用户终端推荐歌曲。

图3A所示为本发明的个性化音乐推荐系统的结构示意图，图3B所示为本发明的个性化音乐推荐方法的流程示意图。

在用户口味发现模块23中进一步包括一用户行为数据过滤模块234。对应于在步骤102与103之间执行一依照预定规则对用户行为数据进行删除的步骤(步骤1021)。用于从当前收集的用户行为数据中过滤掉噪声。

步骤1021，对于用户终端针对歌曲的操作方式为播放，且操作次数少于预定次数的歌曲，视为噪声，删除该歌曲对应的用户行为数据，或者，对应该结果标签的歌曲数量少于预定数量，视为噪声，删除对应该结果标签的用户行为数据，或者，由于人不可能同时包括有较大差异的多种口味，当该结果标签中的一个与其他结果标签的相似度小于预定值时(差异较大)，则认为该结果标签是用户的误操作，删除对应该结果标签的用户行为数据，不对其进行后续操作，不将其作为发现用户口味的基础。

另外，步骤102-105每隔第一预定时间循环依次执行。由于用户不定时执行对歌曲的操作，因此，步骤101为不定时执行。步骤102-105每隔特定时间循环执行可以不断收集用户行为数据，通过加权计算从中分析出用户长时间与短时间内的口味变化，并最终体现在自动选取出的用户口味模型中，以提高为用户推荐音乐的准确度。并在用户不定时登陆时，执行步骤106，最终实现推荐。

请参阅图4A、4B所示为本发明的个性化音乐推荐系统的结构示意图。图4C所示为本发明的个性化音乐推荐方法的流程示意图。

音乐推荐服务器2中还可进一步包括一模型训练演进模块25。该模型训练演进模块25用于根据不断累积的用户历史数据，自动对用户口味模型做进一步的精确调整，以无限接近用户的喜好，提高后续音乐推荐与用户需求的匹配度。其对应的步骤执行于步骤105、106之间。

模型训练演进模块25进一步包括权重调整模块251以及模型调整模块252。

权重调整模块251针对当前所生成的该用户行为数据，计算各维度的标签的聚集比例，根据该聚集比例调整该维度的标签在计算相似度时的权重Sn，聚集比例越高，权重值越高(步骤1051)，则在下一次循环执行步骤102、105时，将采用调整后的权重进行计算，则在后续选出的用户口味中进一步突出。

关于聚集比例的计算，其针对每个维度分别进行。以流派维度为例，对预定时间段内的用户行为数据涉及的流派进行累计，发现在此预定时间段内用户行为数据共涉及N种流派，根据经验值n％，计算得到一经验数据N*n％。

对截止到目前每种流派的试听次数进行累计，对试听次数进行排序，提取排序的前N*n％种流派，对前N*n％种流派的试听次数进行加总得到一加总数据，计算该加总数据在总试听数中所占比例，该比例就是流派这一维度的聚集比例。

例如，m为流派这一维度的聚集比例，则该流派维度的权重为Sn＝m/0.2。

模型调整模块252根据历史用户行为数据或用户终端针对音乐推荐服务器推荐的歌曲的反馈操作，依照预定规则调整该用户口味模型(步骤1052)。即，为后续的推荐操作，做更精确的符合用户个人习惯的调整。

步骤1052的预定规则包括：

A、计算不同时间同一用户的用户口味，发现用户是否在不同时间具有不同的用户口味，如果有，在该步骤106中根据时间使用不同的用户口味模型进行推荐；和/或

B、计算用户行为数据中，操作方式为播放，标签为流行的歌曲数占所有操作方式为播放的歌曲总数的比例，作为用户口味模型的流行追随度；和/或

C、计算用户行为数据中，针对步骤106所推荐的全部歌曲，进行播放的操作方式的比例，作为用户口味模型的新事物接受度。

D、该预定规则覆盖了用户在各个方面的收听习惯因素，其他具体规则也在本发明的公开范围之内。

其中，对于预定规则A，本发明划分了不同的时间段，例如7-9点为一时间段，9-18、18-19、19-7各为一时间段。其他时间分段也在本发明的公开范围内。

首先在各个时间段内分别依照上述方法计算用户口味，也就是说，分别收集这四个时间段中的用户行为数据，依照图1B的方法针对这四个时间段分别收集到的用户行为数据，分别进行用户口味的计算。对于计算出的各个时间段的用户口味，两两进行重合度或者相似度计算，如果两个时间段间的重合度或相似度小于门限(例如50％)，视为用户在这两个时间段中的口味差异较大，则认定用户在不同时间段需要采用不同的用户口味模型进行推荐。

即，如果差异较大，则利用每个时间段的用户口味作为用户口味模型，进行推荐。如果差异不大，可利用任一时间段的用户口味作为用户口味模型，进行推荐。使得为用户推荐的歌曲更加符合用户在当时这一时刻的需求。

步骤1051、1052每隔第二预定时间循环执行一次，第二预定时间大于等于第一预定时间。

推荐过滤模块24执行的步骤106可进一步执行以下步骤：

步骤1061，根据该用户口味模型，计算音乐推荐服务器的数据库中所有歌曲与该用户口味模型的相似度；

步骤1062，依照预定的推荐控制策略，从相似度高于预定值的歌曲中选择推荐歌曲。

该推荐控制策略进一步包括：

根据用户终端的访问时间，选择与该访问时间对应的用户口味模型所对应的歌曲；和/或

根据该流行追随度，控制推荐歌曲中流行歌曲的比例；和/或

根据该新事物接受度，控制推荐歌曲中与用户已播放过的歌曲的相似度，该新事物接受度越高，该相似度越低；和/或

根据预设的特殊事件/时间点，推荐对应的歌曲(例如，在国庆节当天或临近几天内，推荐《我爱我的祖国》等歌曲)；和/或

根据预设的歌曲音质要求，推荐符合对应音质要求的歌曲。

该推荐控制策略将结合步骤1052的预定规则中涉及的调整因素，具体选择推荐内容。

另外，该推荐控制策略还包括根据用户终端的设备类型(同一用户每次利用不同用户设备(手机、音响、电脑)登录音乐推荐服务器2时，均提供当前设备型号)，基于用户针对当前设备类型的口味，推荐相关歌曲。

另外，本发明中计算得到的每个用户的用户口味模型还可用于区分用户群以及为一用户寻找好友。当不同用户的用户口味模型的相似度大于预定值时，可将该不同用户划分至同一群，或者，推荐该不同用户互为好友。或者，利用用户口味模型之间的相似度作为用户之间的距离，按照距离进行聚类计算。根据聚类计算的结果划分用户群，或，为用户推荐好友。

基于以上技术方案，本发明实现的技术效果在于，发掘用户口味，并体现出与时间相关联的用户口味，能够体现出口味组合，提高所发掘的用户口味的准确度。并自适应的根据用户对推荐内容的反馈数据调整推荐策略与内容。

上述为本发明的具体实施例，并不用于限定本发明的保护范围，具体保护范围以后续权利要求为准。

Claims (22)

1.一种个性化音乐推荐方法，应用于音乐推荐服务器中，其特征在于，包括如下步骤：

步骤1，音乐推荐服务器根据用户终端针对歌曲的操作生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；

步骤2，对该用户行为数据进行聚类计算，得到多个结果标签；

步骤3，对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；

步骤4，针对加权处理后的该用户行为数据进行归一化处理；

步骤5，对该多个结果标签进行排列组合，将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

步骤6，音乐推荐服务器根据该用户口味模型，为用户终端推荐歌曲；

其中，每隔第一预定时间，循环执行步骤2-5，该步骤2包括对当前已生成的全部用户行为数据进行聚类计算；

步骤5、6之间进一步包括，每隔第二预定时间，第二预定时间大于等于第一预定时间，循环执行以下步骤：

针对该用户行为数据，计算各维度的标签的聚集比例，根据该聚集比例调整该维度的标签在计算相似度时的权重，聚集比例越高，权重值越高；

根据历史用户行为数据或用户终端针对音乐推荐服务器推荐的歌曲的反馈操作，依照预定规则调整该用户口味模型。

2.如权利要求1所述的方法，其特征在于，该操作次数标签包括正向操作的次数以及反向操作的次数。

3.如权利要求1所述的方法，其特征在于，步骤3的加权处理包括：操作次数*时段权重系数，或者，操作次数*时段权重系数²。

4.如权利要求1所述的方法，其特征在于，步骤2、3之间还包括步骤21，根据预定规则对该用户行为数据进行删除。

5.如权利要求4所述的方法，其特征在于，该预定规则包括：对于用户终端针对歌曲的操作方式为播放，且操作次数少于预定次数的歌曲，删除该歌曲对应的用户行为数据，或者，对应该结果标签的歌曲数量少于预定数量，删除对应该结果标签的用户行为数据，或者，当该结果标签中的一个与其他结果标签的相似度小于预定值时，删除对应该结果标签的用户行为数据。

6.如权利要求1所述的方法，其特征在于，步骤5中根据该计算结果得到用户口味的步骤进一步包括：

对于相似度计算结果超过预定值的排列组合，视为用户口味；或者，

对于相似度计算结果未超过预定值的排列组合，计算不同排列组合在同一维度下的不同结果标签之间的相似度，对于相似度大于预定值的结果标签进行合并，合并后的结果标签执行该步骤5，如多维相似度计算结果超过预定值，将该合并后的结果标签所在的排列组合视为用户口味。

7.如权利要求1或6所述的方法，其特征在于，该步骤5的从该用户口味中选取用户口味模型的步骤进一步包括：

判断对应一该用户口味的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该用户口味视为用户口味模型；或者

依次判断对应该用户口味中同一维度标签的每种结果标签对应的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该结果标签视为用户口味模型；或者

对于全部m个用户口味，进一步对每个该用户口味依照其对应的歌曲数进行排序，排序的前n个用户口味所对应的歌曲总数占总歌曲数的比例为c，当c/(n/m)>4时，前n个用户口味视为用户口味模型；或者

将全部用户口味直接视为用户口味模型。

8.如权利要求1所述的方法，其特征在于，该相似度计算采用余弦相似度算法或用户协同过滤算法，该聚类算法也采用余弦相似度算法。

9.如权利要求1所述的方法，其特征在于，该根据该聚集比例调整该维度的标签在计算相似度时的权重的步骤进一步包括：

该权重为：聚集比例/0.2。

10.如权利要求1所述的方法，其特征在于，该根据历史用户行为数据或用户终端针对音乐推荐服务器推荐的歌曲的反馈操作，依照预定规则调整该用户口味模型的步骤进一步包括：

计算不同时间同一用户的用户口味，发现用户是否在不同时间具有不同的用户口味，如果有在该步骤6中根据时间使用不同的用户口味模型进行推荐；和/或

计算用户行为数据中，操作方式为播放，标签为流行的歌曲数占所有操作方式为播放的歌曲总数的比例，作为流行追随度；和/或

计算用户行为数据中，针对步骤6所推荐的全部歌曲，已进行过播放的歌曲占全部歌曲的比例，作为新事物接受度。

11.如权利要求10所述的方法，其特征在于，该步骤6进一步包括：

根据该用户口味模型，计算数据库中所有歌曲与该用户口味模型的相似度；

依照预定的推荐控制策略，从相似度高于预定值的歌曲中选择推荐歌曲。

12.如权利要求10所述的方法，其特征在于，该依照预定的推荐控制策略，从相似度高于预定值的歌曲中选择推荐歌曲的步骤进一步包括：

根据用户终端的访问时间，选择与该访问时间对应的用户口味模型所对应的歌曲；和/或

根据该流行追随度，控制推荐歌曲中流行歌曲的比例；和/或

根据该新事物接受度，控制推荐歌曲中与用户已播放过的歌曲的相似度，该新事物接受度越高，该相似度越低；和/或

根据预设的特殊事件或时间点，推荐对应的歌曲；和/或

根据预设的歌曲音质要求，推荐符合对应音质要求的歌曲；和/或

根据用户终端的型号，依据与该用户终端型号相关的用户口味模型进行推荐。

13.一种个性化音乐推荐服务系统，包括音乐推荐服务器与至少一用户终端，其特征在于，该系统包括：

用户数据存储管理模块，用于根据用户终端针对歌曲进行的操作生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；

相似度计算模块，用于对该用户行为数据进行聚类计算，得到多个结果标签；

加权处理模块，用于对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；

归一化模块，用于针对加权处理后的该用户行为数据进行归一化处理；

用户口味模型选择模块，用于对该多个结果标签进行排列组合，将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

权重调整模块，用于针对该用户行为数据，计算各维度的标签的聚集比例，根据该聚集比例调整该维度的标签在相似度计算模块中计算相似度时的权重，聚集比例越高，权重值越高；

模型调整模块，用于根据历史用户行为数据或用户终端针对音乐推荐服务器推荐的歌曲的反馈操作，根据预定规则调整该用户口味模型；

推荐过滤模块，用于根据该用户口味模型，为用户终端推荐歌曲。

14.如权利要求13所述的系统，其特征在于，该操作次数标签包括正向操作的次数以及反向操作的次数。

15.如权利要求13所述的系统，其特征在于，该用户口味发现模块的加权处理包括：操作次数*时段权重系数，或者，操作次数*时段权重系数²。

16.如权利要求13所述的系统，其特征在于，该用户口味发现模块还包括一用户行为数据过滤模块，该用户行为数据过滤模块根据预定规则对该用户行为数据进行删除，该预定规则包括：对于用户终端针对歌曲的操作方式为播放，且操作次数少于预定次数的歌曲，删除该歌曲对应的用户行为数据，或者，对应该结果标签的歌曲数量少于预定数量，删除对应该结果标签的用户行为数据，或者，当该结果标签中的一个与其他结果标签的相似度小于预定值时，删除对应该结果标签的用户行为数据。

17.如权利要求13所述的系统，其特征在于，该用户口味模型选择模块还包括一用户口味取得模块，用于从调用该相似度计算模块将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算后的结果中取得对应的用户口味；

其中，对于相似度计算结果超过预定值的排列组合，视为用户口味；或者，

对于相似度计算结果未超过预定值的排列组合，计算不同排列组合在同一维度下的不同结果标签之间的相似度，对于相似度大于预定值的结果标签进行合并，将合并后的结果标签发送至该用户口味模型选择模块，如多维相似度计算结果超过预定值，将该合并后的结果标签所在的排列组合视为用户口味。

18.如权利要求13或17所述的系统，其特征在于，该用户口味模型选择模块还包括一用户口味模型取得模块，用于从用户口味中选取用户口味模型；

其中，判断对应该用户口味的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该用户口味视为用户口味模型；或者

依次判断对应该用户口味中同一维度标签的每种结果标签对应的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该结果标签视为用户口味模型；或者

对于全部m个用户口味，进一步对每个该用户口味依照其对应的歌曲数进行排序，排序的前n个用户口味所对应的歌曲总数占总歌曲数的比例为c，当c/(n/m)>4时，前n个用户口味视为用户口味模型；或者

将全部用户口味直接视为用户口味模型。

19.如权利要求13所述的系统，其特征在于，该相似度计算采用余弦相似度算法或用户协同过滤算法，该聚类算法也采用余弦相似度算法。

20.如权利要求13所述的系统，其特征在于，该预定规则包括：

该权重调整模块计算不同时间同一用户的用户口味，发现用户是否在不同时间具有不同的用户口味，如果有，在该推荐过滤模块中根据时间使用不同的用户口味模型进行推荐；和/或

该权重调整模块计算用户行为数据中，操作方式为播放，标签为流行的歌曲数占所有操作方式为播放的歌曲总数的比例，作为流行追随度；和/或

该权重调整模块计算用户行为数据中，针对该推荐过滤模块所推荐的全部歌曲，已进行过播放的歌曲占全部歌曲的比例，作为新事物接受度。

21.如权利要求20所述的系统，其特征在于，该推荐过滤模块调用该相似度计算模块计算数据库中所有歌曲与该用户口味模型的相似度，并依照预定的推荐控制策略，从相似度高于预定值的歌曲中选择推荐歌曲。

22.如权利要求20所述的系统，其特征在于，该预定的推荐控制策略进一步包括：

根据用户终端的访问时间，选择与该访问时间对应的用户口味模型所对应的歌曲；和/或

根据该流行追随度，控制推荐歌曲中流行歌曲的比例；和/或

根据该新事物接受度，控制推荐歌曲中与用户已播放的歌曲的相似度，该新事物接受度越高，该相似度越低；和/或

根据预设的特殊事件或时间点，推荐对应的歌曲；和/或

根据预设的歌曲音质要求，推荐符合对应音质要求的歌曲；和/或

根据用户终端的型号，依据与该用户终端型号相关的用户口味模型进行推荐。