CN103279533A - 一种社交关系推荐方法及系统 - Google Patents

Abstract

一种社交关系推荐方法及系统，所述方法包括：社交关系推荐系统获取用户的音乐行为数据，根据所述音乐行为数据统计用户对各音乐标签的喜好程度值，根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度，并根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。此外，社交关系推荐系统还可以根据用户关系链数据和/或用户交互数据统计得到用户间的亲密度，并根据用户间的音乐相似度和亲密度进行用户推荐。采用本发明的社交关系推荐方法及系统，用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索，提升了互联网社交音乐服务中社交关系的建立效率，减少了用户建立社交关系的时间成本。

Description

一种社交关系推荐方法及系统

技术领域

本发明涉及信息技术领域，尤其涉及一种社交关系推荐方法及系统。 

背景技术

社交音乐服务是一种融合音乐和社交网络功能的互联网服务。社交音乐服务用户在使用这一类型的服务时，通常需要寻找与自己具有一定关系或者具有某种相同音乐爱好的其他用户，并与其构建社交关系，以便从其他用户处得到他们的音乐内容，或向其传播自己喜欢的音乐内容。 

现有的互联网社交音乐服务，通常采用用户搜索其它用户的姓名、性别和年龄等特征，或是提交自己喜欢的歌手、歌曲、歌曲类型等数据，然后从用户提交的数据中选取与其拥有相似数据的其他用户的方式来进行社交关系的探索与推荐。 

采用现有技术的上述方式进行社交关系的探索与推荐时，由于大多数普通音乐用户往往无法准确地描述并提交自己希望构建社交关系的其他用户的姓名及音乐爱好等信息，导致用户从社交音乐服务系统所选取并推荐的用户群中选择自己希望建立音乐社交关系的用户时需要付出很高的选择成本，用户很难从社交音乐服务系统所推荐的用户群中发现或者探索到其希望建立社交关系的其他用户，浪费了互联网社交音乐服务用户的大量时间成本以及其它相关资源。 

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种可以为用户提供更为准确、有效的用户信息，以便使用户可以高效和准确地建立音乐社交关系的社交关系推荐方法及系统。 

为了解决上述问题，本发明提供一种社交关系推荐方法，该方法包括： 

A：社交关系推荐系统获取用户的音乐行为数据；所述音乐行为数据中包含：执行音乐行为的用户所对应的用户信息，所执行的音乐行为所对应的音乐数据；所述音乐数据中包含：音乐标识符，音乐标签； 

B：社交关系推荐系统根据所述音乐行为数据统计用户对各音乐标签的喜好程度值； 

C：社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度； 

D：社交关系推荐系统根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。 

此外，所述步骤D分为如下子步骤： 

D1：社交关系推荐系统根据用户间的音乐相似度，或根据用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度； 

D2：社交关系推荐系统根据计算得到的用户推荐度为所述当前用户进行用户推荐； 

其中，所述用户间的亲密度根据用户间的关系度，和/或用户间的交互度获得；所述用户间的关系度根据社交关系推荐系统获取的用户关系链数据统计得到；所述用户间的交互度根据社交关系推荐系统获取的用户交互数据统计得到。 

此外，所述步骤D1中，将任意用户i和用户j间的音乐相似度记作S_ij，将用户j相对于用户i的亲密度记作I_ij(t)，采用如下公式之一计算用户j相对于用户i的用户推荐度A_ij(dt)： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)；或 

A_ij(dt)＝S_ij×I_ij(dt)；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Genderi_j；或 

A_ij(dt)＝S_ij×I_ij(dt)×Gender_ij；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Age_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Age_ij； 

其中，α₈>0，α₉≥0； 

${\mathrm{Age}}_{\mathrm{ij}}=\frac{\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)}{\sqrt{{\mathrm{Age}}_i\·{\mathrm{Age}}_j}},$ 或 ${\mathrm{Age}}_{\mathrm{ij}}=\frac{1}{\max ({\mathrm{Age}}_i,{\mathrm{Age}}_j)-\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)};$

Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

此外，将任意用户j相对于用户i的关系度记作R_ij，在时间dt内用户j与用户i间的交互度记作C_ij(dt)，采用如下公式之一计算用户j相对于用户i的亲密度I_ij(dt)： 

I_ij(dt)＝α₆·R_ij+α₇·C_ij(dt)；或 

I_ij(dt)＝R_ijC_ij(dt)；或 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\sqrt{R_{\mathrm{ij}}{C}_{\mathrm{ij}}\left(\mathrm{dt}\right)};$ 或 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\frac{R_{\mathrm{ij}}+C_{\mathrm{ij}}\left(\mathrm{dt}\right)}{2};$ 或 

其中，所述α₆，α₇大于或等于0，且α₆，α₇不全为0。 

此外，可使用如下公式统计所述关系度R_ij： 

其中，a和b大于0。 

此外，将时间dt内用户i向用户j发起的交流的总数记作UniC_ij(dt)，将时间dt内用户j向用户i发起的交流的总数记作UniC_ji(dt)，则使用如下公式之一统计所述交互度C_ij(dt)： 

C_ij(dt)=UniC_ij(dt)+UniC_ji(dt)；或 

C_ij(dt)=min(UniC_ij(dt),UniC_ji(dt))。 

此外，所述音乐行为数据中还包含音乐行为所对应的行为类型； 

所述行为类型包含以下行为中的一种或多种：收听、收藏、分享、评论和评分； 

步骤B中，社交关系推荐系统采用如下子步骤统计用户对各音乐标签的喜好程度值： 

B1：根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计：用户i对音乐标签t的收听喜好程度值F_Listen_it，用户i对音乐标签t的收藏喜好程度值F_Collect_it，用户i对音乐标签t的分享喜好程度值F_Share_it，用户i对音乐标签t的评论喜好程度值F_Comment_it，用户i对音乐标签t的评分喜好程度值F_Score_it中的一个或多个； 

B2：采用如下公式之一计算用户i对音乐标签t的喜好程度值l_it： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it

+α₄·F_Comment_it+α₅·F_Score_it)； 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0；或 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it+α₄·F_Comment_it

+α₅·F_Score_it)/(α₁+α₂+α₃+α₄+α₅) 

其中，α1，α2，α3，α4，α5，α₆大于或等于0，且α1，α2，α3，α4，α5，α₆不全为0；或 

l_it＝(F_Listen_it×F_Collect_it×F_Share_it×F_Comment_it×F_Score_it)^1/5。 

此外，步骤B1中，分别采用如下公式统计所述F_Listen_it，F_Collect_it，F_Share_it，F_Comment_it，F_Score_it： 

将用户i收听过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收听喜好程度值F_Listen_it为： 

$F\_{\mathrm{Listen}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i收藏过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收藏喜好程度值F_Collect_it为： 

$F\_{\mathrm{Collect}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i分享过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的分享喜好程度值F_Share_it为： 

$F\_{\mathrm{Share}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i评论过的音乐集合记作A_i={A₁,A₂,…,A_n}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评论喜好程度值F_Comment_it为： 

$F\_{\mathrm{Comment}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i评分过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评分喜好程度值F_Score_it为： 

$F\_{\mathrm{Score}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}{\mathrm{Score}}_m,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}.\right.$

此外，步骤C中，采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right);$ 或 

$S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right)}{n};$ 或 

或 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{X}_t,$ 其中：

其中，上述n为音乐标签的总数。 

此外，步骤C中，令L_i＝{L_i1,L_i2,...L_in}，其中，则采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right);$ 或 

$S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right)}{n};$ 或 

或 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{X}_t,$ 其中，

其中，上述n为音乐标签的总数。 

此外，所述步骤D2中，社交关系推荐系统采用如下方式为所述当前用户进行用户推荐：将所述当前用户记作用户a，将用户j相对于用户a的用户 推荐度记作A_aj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则社交关系推荐系统将A_aj(dt)值最高的一位或多位用户推荐给用户a，和/或社交关系推荐系统将A_aj(dt)值最低的一位或多位用户推荐给用户a；或者， 

将所述当前用户记作用户a，用户a选定的目标用户记作用户b，将用户j相对于用户b的用户推荐度记作A_bj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则社交关系推荐系统将A_bj(dt)值最高的一位或多位用户推荐给用户a，和/或社交关系推荐系统将A_bj(dt)值最低的一位或多位用户推荐给用户a。 

此外，本发明提供一种社交关系推荐系统，该系统包含：相似度计算模块，用户推荐模块；其中： 

所述相似度计算模块用于获取用户的音乐行为数据，根据所述音乐行为数据统计用户对各音乐标签的喜好程度值，根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度，并将计算得到的用户间的音乐相似度数据输出至所述用户推荐模块； 

所述用户推荐模块用于根据接收到的所述用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐； 

所述音乐行为数据中包含：执行音乐行为的用户所对应的用户信息，所执行的音乐行为所对应的音乐数据；所述音乐数据中包含：音乐标识符，音乐标签。 

此外，所述用户推荐模块采用如下方式进行所述用户推荐：所述用户推荐模块根据接收到的所述用户间的音乐相似度数据计算用户间的用户推荐度，并根据计算得到的用户推荐度为所述当前用户进行用户推荐；或 

所述系统中还包含：社交网络数据抓取模块，亲密度计算模块； 

所述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据，并将其输出至所述亲密度计算模块； 

所述亲密度计算模块用于根据接收到的所述用户关系链数据统计用户间的关系度，和/或根据接收到的用户交互数据统计用户间的交互度； 

所述亲密度计算模块还用于根据统计得到的所述用户间的关系度、和/ 或用户间的交互度获得用户间的亲密度，并将其输出至所述用户推荐模块； 

所述用户推荐模块采用如下方式进行所述用户推荐：所述用户推荐模块根据接收到的所述用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度，并根据计算得到的用户推荐度为所述当前用户进行用户推荐。 

此外，将任意用户i和用户j间的音乐相似度记作S_ij，将用户j相对于用户i的亲密度记作I_ij(t)，所述用户推荐模块采用如下公式之一计算用户j相对于用户i的用户推荐度A_ij(dt)： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)；或 

A_ij(dt)＝S_ij×I_ij(dt)；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Gender_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Gender_ij；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Age_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Age_ij； 

其中，α₈>0，α₉≥0； 

${\mathrm{Age}}_{\mathrm{ij}}=\frac{\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)}{\sqrt{{\mathrm{Age}}_i\·{\mathrm{Age}}_j}},$ 或 ${\mathrm{Age}}_{\mathrm{ij}}=\frac{1}{\max ({\mathrm{Age}}_i,{\mathrm{Age}}_j)-\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)};$

Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

此外，将任意用户j相对于用户i的关系度记作R_ij，在时间dt内用户j与用户i间的交互度记作C_ij(dt)，所述亲密度计算模块采用如下公式之一计算用户j相对于用户i的亲密度I_ij(dt)： 

I_ij(dt)＝α₆·R_ij+α₇·C_ij(dt)；或 

I_ij(dt)＝R_ijC_ij(dt)；或 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\sqrt{R_{\mathrm{ij}}{C}_{\mathrm{ij}}\left(\mathrm{dt}\right)};$ 或 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\frac{R_{\mathrm{ij}}+C_{\mathrm{ij}}\left(\mathrm{dt}\right)}{2};$ 或 

其中，所述α₆，α₇大于或等于0，且α₆，α₇不全为0。 

此外，所述亲密度计算模块使用如下公式统计所述关系度R_ij： 

其中，a和b大于0。 

此外，将时间dt内用户i向用户j发起的交流的总数记作UniC_ij(dt)，将时间dt内用户j向用户i发起的交流的总数记作UniC_ji(dt)，则所述亲密度计算模块使用如下公式之一统计所述交互度C_ij(dt)： 

C_ij(dt)=UniC_ij(dt)+UniC_ji(dt)；或 

C_ij(dt)=min(UniC_ij(dt),UniC_ji(dt))。 

此外，所述音乐行为数据中还包含音乐行为所对应的行为类型； 

所述行为类型包含以下行为中的一种或多种：收听、收藏、分享、评论和评分； 

所述相似度计算模块采用如下方式统计用户对各音乐标签的喜好程度值： 

所述相似度计算模块根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计：用户i对音乐标签t的收听喜好程度值F_Listen_it，用户i对音乐标签t的收藏喜好程度值F_Collect_it，用户i对音乐标签t的分享喜好程度值F_Share_it，用户i对音乐标签t的评论喜好程度值F_Comment_it，用户i对音乐标签t的评分喜好程度值F_Score_it中的一个或多个；并采用如下公式之一计算用户i对音乐标签t的喜好程度值l_it： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it

+α₄·F_Comment_it+α₅·F_Score_it)； 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0；或 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it+α₄·F_Comment_it

+α₅·F_Score_it)/(α₁+α₂+α₃+α₄+α₅)； 

其中，α1，α2，α3，α4，α5，α₆大于或等于0，且α1，α2，α3，α4，α5，α₆不全为0；或 

l_it＝(F_Listen_it×F_Collect_it×F_Share_it×F_Comment_it×F_Score_it)^1/5。 

所述相似度计算模块分别采用如下公式统计所述F_Listen_it，F_Collect_it，F_Share_it，F_Comment_it，F_Score_it： 

将用户i收听过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收听喜好程度值F_Listen_it为： 

$F\_{\mathrm{Listen}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i收藏过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收藏喜好程度值F_Collect_it为： 

$F\_{\mathrm{Collect}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i分享过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的分享喜好程度值F_Share_it为： 

$F\_{\mathrm{Share}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i评论过的音乐集合记作A_i={A₁,A₂,…,A_n}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评论喜好程度值F_Comment_it为： 

$F\_{\mathrm{Comment}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$

将用户i评分过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标 签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评分喜好程度值F_Score_it为： 

$F\_{\mathrm{Score}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}{\mathrm{Score}}_m,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}.\right.$

此外，所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right);$ 或 

$S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right)}{n};$ 或 

或 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{X}_t,$ 其中：

其中，上述n为音乐标签的总数。 

此外，令L_i＝{L_i1,L_i2,...L_in}，其中，则所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right);$ 或 

$S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right)}{n};$ 或 

或 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{X}_t,$ 其中，

其中，上述n为音乐标签的总数。 

此外，所述用户推荐模块可采用如下方式为所述当前用户进行用户推荐： 

将所述当前用户记作用户a，将用户j相对于用户a的用户推荐度记作A_aj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则所述用户推荐模块将A_aj(dt)值最高的一位或多位用户推荐给用户a，和/或所述用户推荐模块将A_aj(dt)值最低的一位或多位用户推荐给用户a；或 

将所述当前用户记作用户a，用户a选定的目标用户记作用户b，将用户j相对于用户b的用户推荐度记作A_bj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则所述用户推荐模块将A_bj(dt)值最高的一位或多位用户推荐给用户a，和/或所述用户推荐模块将A_bj(dt)值最低的一位或多位用户推荐给用户a。 

综上所述，采用本发明的社交关系推荐方法及系统，用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索，提升了互联网社交音乐服务中社交关系的建立效率，降低了用户建立社交关系的时间成本。 

此外，本发明的社交关系推荐方法及系统还可以结合使用现有的通用型社交网络产品所提供的用户关系链数据和用户交互数据辅助进行用户推荐度的计算，帮助用户探索音乐领域的社交关系，既考虑了用户对于音乐内容的共同爱好的需求，又通过已有的好友关系探索好友的好友，在关系的接受成本以及关系的传递性上具有良好的效果。 

附图说明

图1是本发明实施例社交关系推荐系统的结构示意图； 

图2是本发明实施例社交关系推荐方法流程图。 

具体实施方式

本发明的核心是，根据各用户所执行的音乐行为获得各用户对各音乐标签的喜好程度值，并根据各用户对各音乐标签的喜好程度值计算用户间的音乐相似度，进而根据用户间的音乐相似度进行用户推荐（即社交关系推荐）。 

此外，在进行用户推荐时，本发明还可以将用户关系度和/或用户交互度与音乐相似度结合使用，以实现更好的用户推荐效果。 

下面将结合附图和实施例对本发明进行详细描述。 

图1是本发明实施例社交关系推荐系统的结构示意图；如图1所示，本发明的社交关系推荐系统与互联网音乐平台相连，并可以与社交网络相连；社交关系推荐系统还可以通过互联网与用户所使用的用户终端（例如，个人电脑、移动终端等）相连，向用户发送用于进行用户推荐的用户推荐信息。 

本实施例中，社交关系推荐系统包含：相似度计算模块，用户推荐模块；此外，社交关系推荐系统还可以包含：社交网络数据抓取模块，亲密度计算模块；其中： 

相似度计算模块用于获取用户的音乐行为数据，根据音乐行为数据统计用户对各音乐标签的喜好程度值，根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度，并将计算得到的用户间的音乐相似度数据输出至用户推荐模块； 

用户推荐模块用于根据接收到的用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐； 

上述音乐行为数据中可以包含：执行音乐行为的用户所对应的用户信息，所执行的音乐行为所对应的音乐数据；音乐数据中包含：音乐标识符，音乐标签。上述音乐行为数据的更具体的信息详见下文。 

上述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据，并将其输出至亲密度计算模块； 

上述亲密度计算模块用于根据接收到的用户关系链数据统计用户间的关系度，和/或根据接收到的用户交互数据统计用户间的交互度； 

此外，亲密度计算模块还可以根据统计得到的用户间的关系度、和/或用户间的交互度获得用户间的亲密度，并将其输出至用户推荐模块。 

用户推荐模块可以采用如下方式进行用户推荐：用户推荐模块根据接收到的用户间的音乐相似度数据计算用户间的用户推荐度，并根据计算得到的用户推荐度为当前用户进行用户推荐；或用户推荐模块根据接收到的用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度，并根据计算得到的用户推荐度为当前用户进行用户推荐。 

上述音乐相似度的计算方法、用户推荐度的计算方法、用户间的亲密度的计算方法、用户间的关系度的统计方法和用户间的交互度的统计方法在本文对本发明的社交关系推荐方法的具体描述中详述。 

用户推荐模块可以采用如下方式为当前用户进行用户推荐：将当前用户记作用户a，将用户j相对于用户a的用户推荐度记作A_aj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则用户推荐模块将A_aj(dt)值最高的一位或多位用户推荐给用户a，和/或用户推荐模块将A_aj(dt)值最低的一位或多位用户推荐给用户a。 

此外，用户推荐模块还可以采用如下方式为当前用户进行用户推荐：将当前用户记作用户a，用户a选定的目标用户记作用户b，将用户j相对于用户b的用户推荐度记作A_bj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则用户推荐模块将A_bj(dt)值最高的一位或多位用户推荐给用户a，和/或用户推荐模块将A_bj(dt)值最低的一位或多位用户推荐给用户a。 

图2是本发明实施例社交关系推荐方法流程图；如图2所示，该方法包含如下步骤： 

步骤201：社交关系推荐系统获取用于计算用户间音乐相似度的音乐行为数据； 

上述音乐行为数据包括用户在使用本社交关系推荐系统的互联网音乐平台上所执行的音乐创作、收听、收藏、分享、评论和评分等音乐行为的相关数据；上述音乐行为数据具体可以包含： 

用户信息，用于对执行音乐行为的用户进行标识和描述的信息，具体包含：用户ID，用户名称，用户个人信息（例如，年龄，性别等）； 

行为类型，用于标识用户所执行的音乐行为的类型，例如：收听、收藏、分享、评论和评分等； 

行为时间：用于表示音乐行为的执行时间； 

音乐数据：用于表示用户所执行的音乐行为的目标音乐内容数据，具体可以包含：音乐类型（例如，单曲，专辑，精选辑），音乐ID（IDentification，标识符），音乐属性信息（例如，歌曲名，歌手名，专辑名，精选辑名），音乐标签（简称标签，由用户定义或由编辑人员提供）等。 

此外，上述音乐行为数据还可以包括用户针对其它互联网音乐平台的音乐产品，在社交网络上所执行的分享、收藏、转发、评论和评分等操作的相关数据；上述音乐行为数据具体包含： 

用户信息，用于标识和描述用户的具体信息，具体包含：用户ID，社交网络名称，用户名称，用户个人信息（例如，年龄，性别等）； 

来源：其它互联网音乐平台的名称； 

行为类型，用于标识用户所执行的音乐行为的类型，例如：收听、收藏、分享、评论和评分等； 

行为时间：用于表示音乐行为的执行时间； 

音乐数据：用于表示用户所执行的音乐行为的目标音乐内容数据，具体可以包含：音乐类型（例如，单曲，专辑，精选辑），音乐ID，音乐属性信息（例如，歌曲名，歌手名，专辑名，精选辑名），音乐标签（简称标签，由用户定义或由编辑人员提供）等。 

步骤202：社交关系推荐系统获取用于计算用户关系度的用户关系链数据； 

社交关系推荐系统至少可以采用以下方式之一获取用户关系链数据： 

方式一：通过通用型社交网络产品的开放平台和开放接口获取 

在通用型社交网络产品（简称产品A），如新浪微博，腾讯微博，人人网等中，均包含用于输出用户关系链数据的开放平台和开放接口。只要在其它社交类型的产品（简称产品B）中接入产品A的开放平台和开放接口，用户就可以使用产品A的账号登陆产品B。此时，产品B就可以使用产品A提供的开放接口，获取到用户关系链数据。 

方式二：在互联网音乐平台中生成并存储的用户关系链数据 

如果使用本社交关系推荐系统的互联网音乐平台为用户提供相互订阅（关注）功能，当用户在互联网音乐平台订阅（关注）其它用户时则产生新的用户关系，社交关系推荐系统可以在需要时获取相应的用户关系链数据。 

本步骤为可选步骤。 

步骤203：社交关系推荐系统获取用于计算用户交互度的用户交互数据； 

社交关系推荐系统至少可以采用以下方式之一获取用户交互数据： 

方式一：通过通用型社交网络产品的开放平台和开放接口获取 

在通用型社交网络产品（简称产品A），如新浪微博，腾讯微博，人人网等中，均包含用于输出用户交互数据的开放平台和开放接口。只要在其它社交类型的产品（简称产品B）中接入产品A的开放平台和开放接口，用户就可以使用产品A的账号登陆产品B。此时，产品B就可以使用产品A提供的开放接口，获取到用户交互数据（交互数据包括站内信，私信，消息，转发，评论等）。 

方式二：在互联网音乐平台中生成并存储的用户交互数据 

如果使用本社交关系推荐系统的互联网音乐平台为用户提供通信、相互评论、留言等功能，当用户在互联网音乐平台进行通信、评论和留言等操作时则生成用户交互数据，社交关系推荐系统可以在需要时获取用户交互数据。 

本步骤为可选步骤。 

步骤204：社交关系推荐系统根据用户的音乐行为数据统计用户对各音乐标签的喜好程度值； 

本步骤具体可细分为如下子步骤： 

204a：根据任一用户（例如用户i）的音乐行为数据统计用户i对任一标签（例如，标签t）的：收听喜好程度值，收藏喜好程度值，分享喜好程度值，评论喜好程度值，评分喜好程度值中的一个或多个； 

本实施例中采用如下公式统计上述值： 

将用户i收听过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m（即Am，以下同）的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的收听喜好程度值F_Listen_it为： 

$F\_{\mathrm{Listen}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array};\right.$ （公式一） 

上述音乐m可以是单曲、专辑或精选辑等（以下同）。 

将用户i收藏过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的收藏喜好程度值F_Collect_it为： 

$F\_{\mathrm{Collect}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}.\right.$ （公式二） 

将用户i分享过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的分享喜好程度值F_Share_it为： 

$F\_{\mathrm{Share}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}.\right.$ （公式三） 

将用户i评论过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的评论喜好程度值F_Comment_it为： 

$F\_{\mathrm{Comment}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}1,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}.\right.$ （公式四） 

将用户i评分过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的评分喜好程度值F_Score_it为： 

$F\_{\mathrm{Score}}_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\Σ}}}\left\{\begin{array}{c}{\mathrm{Score}}_m,(t\∈T_m)\\ 0,(t\∉T_m)\end{array}\right..$ （公式五） 

204b：采用如下公式之一计算用户i对标签t的喜好程度值l_it： 

公式六： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it

+α₄·F_Comment_it+α₅·F_Score_it)； 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0； 

公式七： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it+α₄·F_Comment_it

+α₅·F_Score_it)/(α₁+α₂+α₃+α₄+α₅)； 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0； 

公式八： 

l_it＝(F_Listen_it×F_Collect_it×F_Share_it×F_Comment_it×F_Score_it)^1/5。 

步骤205：社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户对音乐的喜好程度集合； 

将用户i对音乐的喜好程度集合记作L_i＝{L_i1,L_i2,...L_in}，其中，n为音乐标签的总数；则集合L_i中的任一元素L_it的值为： 

$L_{\mathrm{it}}=\frac{l_{\mathrm{it}}}{\underset{m=1}{\overset{n}{\mathrm{\Σ}}}{l}_{\mathrm{im}}},$ （公式九）； 

此外，由公式九可知，用户i对音乐的喜好程度集合中的各元素的值实际上是用户i对各音乐标签的喜好程度值的另一种表示方式。 

本步骤可以省略，即也可以令用户i对音乐的喜好程度集合中的各元素的值L_it＝l_it。 

步骤206：社交关系推荐系统根据用户对各音乐标签的喜好程度值或根 据用户对音乐的喜好程度集合计算不同用户（例如用户i与用户j）间的音乐相似度； 

将用户i与用户j的音乐相似度记作S_ij，音乐标签的总数记作n，则可以使用以下公式之一计算S_ij值： 

公式十： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right)$ 或 $S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right);$

公式十一： 

$S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (l_{\mathrm{it}},l_{\mathrm{jt}})\right)}{n}$ 或 $S_{\mathrm{ij}}=\frac{\underset{t=1}{\overset{n}{\mathrm{\Σ}}}\left(\min (L_{\mathrm{it}},L_{\mathrm{jt}})\right)}{n};$

公式十二： 

或 

公式十三： 

$S_{\mathrm{ij}}=\underset{t=1}{\overset{n}{\mathrm{\Σ}}}{X}_t,$ 其中： 

或 

步骤207：社交关系推荐系统根据用户关系链数据统计用户间的关系度； 

用户j相对于用户i的关系度R_ij可以使用如下公式统计： 

公式十四： 

其中，a和b大于0；通常情况下，可以令a>b，即当U_i单方关注U_j时的R_ij值比U_j单方关注U_i时的R_ij值大。 

本步骤为可选步骤。 

步骤208：社交关系推荐系统根据用户交互数据统计用户间的交互度； 

将时间dt内用户i向用户j发起的交流的总数记作UniC_ij(dt)，将时间dt内用户j向用户i发起的交流的总数记作UniC_ji(dt)，则可按照如下公式之一计算用户i和用户j的交互度C_ij(dt)： 

公式十五： 

C_ij(dt)=UniC_ij(dt)+UniC_ji(dt)； 

即将用户i和用户j之间在时间dt内单向交流次数之和作为用户i和用户j之间在时间dt内的交互度。 

公式十六： 

C_ij(dt)=min(UniC_ij(dt),UniC_ji(dt))； 

即将用户i和用户j之间在时间dt内单向交流次数的最小值作为用户i和用户j之间在时间dt内的交互度。 

上述交流可以是用户间的通信、评论和留言等。 

本步骤为可选步骤。 

步骤209：社交关系推荐系统根据用户间的关系度和/或交互度计算用户间的亲密度； 

将用户j相对于用户i的关系度记作R_ij，用户i和用户j间的用户交互度记作C_ij(dt)，则可使用如下公式之一统计用户j相对于用户i的亲密度I_ij(dt)： 

公式十七： 

I_ij(dt)＝α₆·R_ij+α₇·C_ij(dt)； 

上述α₆，α₇大于或等于0，且α₆，α₇不全为0； 

当α₆=1，且α₇=0时，上述公式变为Ii_j(dt)＝Ri_j； 

当α₆=0，且α₇=1时，上述公式变为I_ij(dt)＝C_ij(dt)。 

公式十八： 

I_ij(dt)＝R_ijC_ij(dt)。 

公式十九： 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\sqrt{R_{\mathrm{ij}}{C}_{\mathrm{ij}}\left(\mathrm{dt}\right)}.$

公式二十： 

$I_{\mathrm{ij}}\left(\mathrm{dt}\right)=\frac{R_{\mathrm{ij}}+C_{\mathrm{ij}}\left(\mathrm{dt}\right)}{2}.$

公式二十一： 

本步骤为可选步骤。 

步骤210：社交关系推荐系统根据音乐相似度，或根据音乐相似度和用户间的亲密度计算用户推荐度； 

将用户i和用户j的音乐相似度记作S_ij，将用户j相对于用户i的亲密度 记作I_ij(t)，则可以使用如下公式之一计算用于将用户j推荐给用户i的用户推荐度A_ij(dt)： 

公式二十二： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)； 

其中，α₈>0，α₉≥0； 

当α₈=1，且α₉=0时，上述公式为：A_ij(dt)＝S_ij，即用户推荐度可以与用户间的音乐相似度相同。 

公式二十三： 

A_ij(dt)＝S_ij×I_ij(dt)。 

除以上计算方法外，还可以将用户个人信息（例如，性别，年龄等）作为计算用户推荐度的参数，如以下公式所示。 

公式二十四： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Gender_ij； 

其中，α₈>0，α₉≥0，

公式二十五： 

A_ij(dt)＝S_ij×I_ij(dt)×Gender_ij； 

其中，

上述λ₁和λ₂的值可由用户或系统根据需要预先设定；例如，将λ₁和λ₂设置为大于或等于0的值，且λ₁<λ₂；或将λ₁和λ₂中的一个设置为负数，另一个设置为正数。 

公式二十六： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Age_ij； 

其中，α₈>0，α₉≥0；

或是  ${\mathrm{Age}}_{\mathrm{ij}}=\frac{1}{\max ({\mathrm{Age}}_i,{\mathrm{Age}}_j)-\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)};$ Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

公式二十七： 

A_ij(dt)＝S_ij×I_ij(dt)×Age_ij； 

其中，α₈>0，α₉≥0；

或是  ${\mathrm{Age}}_{\mathrm{ij}}=\frac{1}{\max ({\mathrm{Age}}_i,{\mathrm{Age}}_j)-\min ({\mathrm{Age}}_i,{\mathrm{Age}}_j)};$ Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

步骤211：需要为当前用户进行用户推荐时，社交关系推荐系统根据其他用户相对于当前用户的推荐度值为当前用户进行用户推荐； 

将当前用户记作用户a，将其他用户（记作用户j）相对于用户a的推荐度记作A_aj(dt)，其中，j=1,2,…N，N为可推荐用户总数，则社交关系推荐系统可以将推荐度A_aj(dt)位于前列（数值由高到低）的X（X≥1）位用户推荐给用户a。例如，社交关系推荐系统可以通过将推荐度A_aj(dt)最高的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。 

此外，为了满足某些用户在建立社交关系时的多元化、异质化的需求，社交关系推荐系统还可以将推荐度A_aj(dt)最低的X'（X'≥1）位用户推荐给用户a。例如，社交关系推荐系统可以通过将推荐度A_aj(dt)最低的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。 

在本步骤中，社交关系推荐系统根据A_aj(dt)值的大小确定待推荐（显示）用户列表中的用户组成，将推荐度A_aj(dt)值最高的、和/或最低的一位或多位用户包含在待推荐（显示）用户列表中推荐（显示）给用户a。 

此外，社交关系推荐系统还可以使用A_aj(dt)值对待推荐（显示）用户列表中的用户的显示顺序进行排序，例如，对于推荐度A_aj(dt)值最高的多位用 户，按照A_aj(dt)值由高到低的顺序依次显示；对于推荐度A_aj(dt)值最低的多位用户，按照A_aj(dt)值由低到高的顺序依次显示。 

步骤212：当前用户选定目标用户时，社交关系推荐系统根据其他用户相对于目标用户的推荐度为当前用户进行用户推荐； 

将当前用户记作用户a，用户a选定的目标用户记作用户b，其他用户（记作用户j）相对于用户b的推荐度记作A_bj(dt)，其中，j=1,2,…N，N为可推荐用户总数，则社交关系推荐系统可以将推荐度A_bj(dt)位于前列（数值由高到低）的X（X≥1）位用户推荐给用户a。例如，当用户a通过点击社交关系推荐系统显示出的用户b的头像或个人信息选定用户b时，社交关系推荐系统可以通过将推荐度A_bj(dt)最高的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。 

此外，为了满足某些用户在建立社交关系时的多元化、异质化的需求，社交关系推荐系统可以将推荐度A_bj(dt)最低的X'（X'≥1）位用户推荐给用户a。例如，当用户a通过点击社交关系推荐系统显示出的用户b的头像或个人信息选定用户b时，社交关系推荐系统可以通过将推荐度A_bj(dt)最低的5位用户的头像和用户个人信息显示给用户a来进行用户推荐。 

当然，社交关系推荐系统在向当前用户推荐（显示）用户时，已经推荐（显示）过的用户可以不再推荐（显示）。 

在本步骤中，社交关系推荐系统根据A_bj(dt)值的大小确定待推荐（显示）用户列表中的用户组成，将推荐度A_bj(dt)值最高的、和/或最低的一位或多位用户包含在待推荐（显示）用户列表中推荐（显示）给用户a。 

本步骤为可选步骤。 

根据本发明的基本原理，本发明的上述实施例还可以进行如下变换： 

（一）除了采用步骤211和步骤212所示的用户推荐（显示）方式以外，社交关系推荐系统还可以根据用户设置采用其它用户推荐（显示）方式，例如： 

首先为当前用户（用户a）显示其好友（例如，单方关注或互相关注的 用户）列表，该列表中的所有用户都是用户a的好友，该列表可以按照A_aj(dt)由高到低的顺序排序；当用户在其好友列表中选定一位用户（记作用户b）时，社交关系推荐系统按照步骤212所示的方式进行用户推荐（显示），即显示推荐度A_bj(dt)值最高或最低的一位或多位用户。 

也就是说，在本发明的其它实施例中，推荐度可以仅用于确定待推荐（显示）用户列表中用户的推荐（显示）顺序，而不用于确定待推荐（显示）用户列表中用户组成。 

上述待推荐（显示）用户列表可以是单方关注用户列表、“粉丝”用户类表、双方关注用户列表等。 

（二）在本发明上述实施例的步骤204中，对不同类型的音乐行为分别计算，得到用户对标签的收听喜好程度值，收藏喜好程度值，分享喜好程度值，评论喜好程度值，评分喜好程度值，然后使用上述不同类型的喜好程度值中的一个或多个计算用户对标签的喜好程度值。 

在本发明的其它实施例中，出于减少数据存储量、降低系统复杂度等考虑，可以不对音乐行为类型进行区分，合并计算用户对标签的喜好程度值，例如： 

将用户i执行过的所有类型的音乐行为的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对标签t的喜好程度值l_it为： 

$l_{\mathrm{it}}=\underset{m=1}{\overset{k}{\mathrm{\&Sigma;}}}\left\{\begin{array}{c}1,(t\&Element;T_m)\\ 0,(t\&NotElement;T_m)\end{array}.\right.$

综上所述，采用本发明的社交关系推荐方法及系统，用户可以使用更为准确、有效的用户推荐信息进行音乐领域社交关系的探索，提升了互联网社交音乐服务中社交关系的建立效率，减少了用户建立社交关系的时间成本。 

此外，本发明的社交关系推荐方法及系统还可以结合使用现有的通用型社交网络产品所提供的用户关系链数据和用户交互数据进行用户推荐度的计算，进一步帮助用户探索音乐领域的社交关系，既考虑了用户对于音乐内容的共同爱好的需求，又通过已有的好友关系探索好友的好友，在关系的接受成本以及关系的传递性上具有良好的效果。 

Claims (24)

1.一种社交关系推荐方法，其特征在于，该方法包括： 

A：社交关系推荐系统获取用户的音乐行为数据；所述音乐行为数据中包含：执行音乐行为的用户所对应的用户信息，所执行的音乐行为所对应的音乐数据；所述音乐数据中包含：音乐标识符，音乐标签； 

B：社交关系推荐系统根据所述音乐行为数据统计用户对各音乐标签的喜好程度值； 

C：社交关系推荐系统根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度； 

D：社交关系推荐系统根据用户间的音乐相似度为准备接受推荐的当前用户进行用户推荐。 

2.如权利要求1所述的方法，其特征在于， 

所述步骤D分为如下子步骤： 

D1：社交关系推荐系统根据用户间的音乐相似度，或根据用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度； 

D2：社交关系推荐系统根据计算得到的用户推荐度为所述当前用户进行用户推荐； 

其中，所述用户间的亲密度根据用户间的关系度，和/或用户间的交互度获得；所述用户间的关系度根据社交关系推荐系统获取的用户关系链数据统计得到；所述用户间的交互度根据社交关系推荐系统获取的用户交互数据统计得到。 

3.如权利要求2所述的方法，其特征在于， 

所述步骤D1中，将任意用户i和用户j间的音乐相似度记作S_ij，将用户j相对于用户i的亲密度记作I_ij(t)，采用如下公式之一计算用户j相对于用户i的用户推荐度A_ij(dt)： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)；或 

A_ij(dt)＝S_ij×I_ij(dt)；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Gender_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Gender_ij；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Age_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Age_ij； 

其中，α₈>0，α₉≥0； 

或

Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

4.如权利要求2所述的方法，其特征在于， 

将任意用户j相对于用户i的关系度记作R_ij，在时间dt内用户j与用户i间的交互度记作C_ij(dt)，采用如下公式之一计算用户j相对于用户i的亲密度I_ij(dt)： 

I_ij(dt)＝α₆·R_ij+α₇·C_ij(dt)；或 

I_ij(dt)＝R_ijC_ij(dt)；或 

或 

或 

其中，所述α₆，α₇大于或等于0，且α₆，α₇不全为0。 

5.如权利要求4所述的方法，其特征在于， 

使用如下公式统计所述关系度R_ij： 

其中，a和b大于0。 

6.如权利要求4所述的方法，其特征在于， 

将时间dt内用户i向用户j发起的交流的总数记作UniC_ij(dt)，将时间dt内用户j向用户i发起的交流的总数记作UniC_ji(dt)，则使用如下公式之一统计所述交互度C_ij(dt)： 

C_ij(dt)=UniC_ij(dt)+UniC_ji(dt)；或 

C_ij(dt)=min(UniC_ij(dt),UniC_ji(dt))。 

7.如权利要求1所述的方法，其特征在于， 

所述音乐行为数据中还包含音乐行为所对应的行为类型； 

所述行为类型包含以下行为中的一种或多种：收听、收藏、分享、评论和评分； 

步骤B中，社交关系推荐系统采用如下子步骤统计用户对各音乐标签的喜好程度值： 

B1：根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计：用户i对音乐标签t的收听喜好程度值F_Listen_it，用户i对音乐标签t的收藏喜好程度值F_Collect_it，用户i对音乐标签t的分享喜好程度值F_Share_it，用户i对音乐标签t的评论喜好程度值F_Comment_it，用户i对音乐标签t的评分喜好程度值F_Score_it中的一个或多个； 

B2：采用如下公式之一计算用户i对音乐标签t的喜好程度值l_it： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it

+α₄·F_Comment_it+α₅·F_Score_it) 

                                               ; 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0；或 

l_it＝(α₁·F_Listen_it+α2·F_Collect_it+α₃·F_Share_it+α₄·F_Comment_it

+α₅·F_Score_it)/(α₁+α₂+α₃+α₄+α₅) 

                                                ; 

其中，α1，α2，α3，α4，α5，α₆大于或等于0，且α1，α2，α3，α4，α5，α₆不全为0；或 

l_it＝(F_Listen_it×F_Collect_it×F_Share_it×F_Comment_it×F_Score_it)^1/5。 

8.如权利要求7所述的方法，其特征在于， 

步骤B1中，分别采用如下公式统计所述F_Listen_it，F_Collect_it，F_Share_it，F_Comment_it，F_Score_it： 

将用户i收听过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收听喜好程度值F_Listen_it为： 

将用户i收藏过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收藏喜好程度值F_Collect_it为： 

将用户i分享过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的分享喜好程度值F_Share_it为： 

将用户i评论过的音乐集合记作A_i={A₁,A₂,…,A_n}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评论喜好程度值F_Comment_it为： 

将用户i评分过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评分喜好程度值 F_Score_it为： 

9.如权利要求7所述的方法，其特征在于， 

步骤C中，采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

或 

或 

或 

其中：

其中，上述n为音乐标签的总数。 

10.如权利要求7所述的方法，其特征在于， 

步骤C中，令L_i＝{L_i1,L_i2,...L_in}，其中，

则采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

或 

或 

或 

其中，

其中，上述n为音乐标签的总数。 

11.如权利要求2所述的方法，其特征在于， 

所述步骤D2中，社交关系推荐系统采用如下方式为所述当前用户进行用户推荐： 

将所述当前用户记作用户a，将用户j相对于用户a的用户推荐度记作A_aj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则社交关系推荐系统将A_aj(dt)值最高的一位或多位用户推荐给用户a，和/或社交关系推荐系统将A_aj(dt)值最低的一位或多位用户推荐给用户a。 

12.如权利要求2或11所述的方法，其特征在于， 

所述步骤D2中，社交关系推荐系统采用如下方式为所述当前用户进行用户推荐： 

将所述当前用户记作用户a，用户a选定的目标用户记作用户b，将用户j相对于用户b的用户推荐度记作A_bj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则社交关系推荐系统将A_bj(dt)值最高的一位或多位用户推荐给用户a，和/或社交关系推荐系统将A_bj(dt)值最低的一位或多位用户推荐给用户a。 

13.一种社交关系推荐系统，其特征在于，该系统包含：相似度计算模块，用户推荐模块；其中： 

所述相似度计算模块用于获取用户的音乐行为数据，根据所述音乐行为 数据统计用户对各音乐标签的喜好程度值，根据用户对各音乐标签的喜好程度值计算用户间的音乐相似度，并将计算得到的用户间的音乐相似度数据输出至所述用户推荐模块； 

所述用户推荐模块用于根据接收到的所述用户间的音乐相似度数据为准备接受推荐的当前用户进行用户推荐； 

所述音乐行为数据中包含：执行音乐行为的用户所对应的用户信息，所执行的音乐行为所对应的音乐数据；所述音乐数据中包含：音乐标识符，音乐标签。 

14.如权利要求13所述的系统，其特征在于， 

所述用户推荐模块采用如下方式进行所述用户推荐：所述用户推荐模块根据接收到的所述用户间的音乐相似度数据计算用户间的用户推荐度，并根据计算得到的用户推荐度为所述当前用户进行用户推荐；或 

所述系统中还包含：社交网络数据抓取模块，亲密度计算模块； 

所述社交网络数据抓取模块用于从社交网络获取用户关系链数据和/或用户交互数据，并将其输出至所述亲密度计算模块； 

所述亲密度计算模块用于根据接收到的所述用户关系链数据统计用户间的关系度，和/或根据接收到的用户交互数据统计用户间的交互度； 

所述亲密度计算模块还用于根据统计得到的所述用户间的关系度、和/或用户间的交互度获得用户间的亲密度，并将其输出至所述用户推荐模块； 

所述用户推荐模块采用如下方式进行所述用户推荐：所述用户推荐模块根据接收到的所述用户间的音乐相似度和用户间的亲密度计算用户间的用户推荐度，并根据计算得到的用户推荐度为所述当前用户进行用户推荐。 

15.如权利要求14所述的系统，其特征在于， 

将任意用户i和用户j间的音乐相似度记作S_ij，将用户j相对于用户i的亲密度记作I_ij(t)，所述用户推荐模块采用如下公式之一计算用户j相对于用户i的用户推荐度A_ij(dt)： 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)；或 

A_ij(dt)＝S_ij×I_ij(dt)；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Gender_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Gender_ij；或 

A_ij(dt)＝α₈·S_ij+α₉·I_ij(dt)+Age_ij；或 

A_ij(dt)＝S_ij×I_ij(dt)×Age_ij； 

其中，α₈>0，α₉≥0； 

或

Age_i表示用户i的年龄，Age_j表示用户j的年龄。 

16.如权利要求14所述的系统，其特征在于， 

将任意用户j相对于用户i的关系度记作R_ij，在时间dt内用户j与用户i间的交互度记作C_ij(dt)，所述亲密度计算模块采用如下公式之一计算用户j相对于用户i的亲密度I_ij(dt)： 

I_ij(dt)＝α₆·R_ij+α₇·C_ij(dt)；或 

I_ij(dt)＝R_ijC_ij(dt)；或 

或 

或 

其中，所述α₆，α₇大于或等于0，且α₆，α₇不全为0。 

17.如权利要求16所述的系统，其特征在于， 

所述亲密度计算模块使用如下公式统计所述关系度R_ij： 

其中，a和b大于0。 

18.如权利要求16所述的系统，其特征在于， 

将时间dt内用户i向用户j发起的交流的总数记作UniC_ij(dt)，将时间dt内用户j向用户i发起的交流的总数记作UniC_ji(dt)，则所述亲密度计算模块使用如下公式之一统计所述交互度C_ij(dt)： 

C_ij(dt)=UniC_ij(dt)+UniC_ji(dt)；或 

C_ij(dt)=min(UniC_ij(dt),UniC_ji(dt))。 

19.如权利要求13所述的系统，其特征在于， 

所述音乐行为数据中还包含音乐行为所对应的行为类型； 

所述行为类型包含以下行为中的一种或多种：收听、收藏、分享、评论和评分； 

所述相似度计算模块采用如下方式统计用户对各音乐标签的喜好程度值： 

所述相似度计算模块根据所述音乐行为数据对任一用户i及任一音乐标签t分别统计：用户i对音乐标签t的收听喜好程度值F_Listen_it，用户i对音乐标签t的收藏喜好程度值F_Collect_it，用户i对音乐标签t的分享喜好程度值F_Share_it，用户i对音乐标签t的评论喜好程度值F_Comment_it，用户i对音乐标签t的评分喜好程度值F_Score_it中的一个或多个；并采用如下公式之一计算用户i对音乐标签t的喜好程度值l_it： 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it

+α₄·F_Comment_it+α₅·F_Score_it) 

                                                  ; 

其中，α₁，α₂，α₃，α₄，α₅大于或等于0，且α₁，α₂，α₃，α₄，α₅不全为0；或 

l_it＝(α₁·F_Listen_it+α₂·F_Collect_it+α₃·F_Share_it+α₄·F_Comment_it

+α₅·F_Score_it)/(α₁+α₂+α₃+α₄+α₅) 

                                                   ; 

其中，α1，α2，α3，α4，α5，α₆大于或等于0，且α1，α2，α3，α4，α5， α₆不全为0；或 

l_it＝(F_Listen_it×F_Collect_it×F_Share_it×F_Comment_it×F_Score_it)^1/5。 

20.如权利要求19所述的系统，其特征在于， 

所述相似度计算模块分别采用如下公式统计所述F_Listen_it，F_Collect_it，F_Share_it，F_Comment_it，F_Score_it： 

将用户i收听过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收听喜好程度值F_Listen_it为： 

将用户i收藏过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的收藏喜好程度值F_Collect_it为： 

将用户i分享过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的分享喜好程度值F_Share_it为： 

将用户i评论过的音乐集合记作A_i={A₁,A₂,…,A_n}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评论喜好程度值F_Comment_it为： 

将用户i评分过的音乐集合记作A_i={A₁,A₂,…,A_k}，将音乐A_m的音乐标签集合记作T_m，其中，m=1,2,…k；则用户i对音乐标签t的评分喜好程度值F_Score_it为： 

21.如权利要求19所述的系统，其特征在于， 

所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

或 

或 

或 

其中：

其中，上述n为音乐标签的总数。 

22.如权利要求19所述的系统，其特征在于， 

令L_i＝{L_i1,L_i2,...L_in}，其中，

则所述相似度计算模块采用如下公式之一计算用户i和用户j间的音乐相似度S_ij： 

或 

或 

或 

其中，

其中，上述n为音乐标签的总数。 

23.如权利要求14所述的系统，其特征在于， 

所述用户推荐模块采用如下方式为所述当前用户进行用户推荐： 

将所述当前用户记作用户a，将用户j相对于用户a的用户推荐度记作A_aj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则所述用户推荐模块将A_aj(dt)值最高的一位或多位用户推荐给用户a，和/或所述用户推荐模块将A_aj(dt)值最低的一位或多位用户推荐给用户a。 

24.如权利要求13所述的系统，其特征在于， 

所述用户推荐模块采用如下方式为所述当前用户进行用户推荐： 

将所述当前用户记作用户a，用户a选定的目标用户记作用户b，将用户j相对于用户b的用户推荐度记作A_bj(dt)，其中，用户j为其他用户，j=1,2,…,N，N为用户总数；则所述用户推荐模块将A_bj(dt)值最高的一位或多位用户推荐给用户a，和/或所述用户推荐模块将A_bj(dt)值最低的一位或多位用户推荐给用户a。 

Images