CN103970873B - 一种音乐推荐方法和系统 - Google Patents
一种音乐推荐方法和系统 Download PDFInfo
- Publication number
- CN103970873B CN103970873B CN201410203035.5A CN201410203035A CN103970873B CN 103970873 B CN103970873 B CN 103970873B CN 201410203035 A CN201410203035 A CN 201410203035A CN 103970873 B CN103970873 B CN 103970873B
- Authority
- CN
- China
- Prior art keywords
- information
- music
- contextual information
- user
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims description 32
- 230000002996 emotional effect Effects 0.000 claims description 27
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000002123 temporal effect Effects 0.000 claims description 23
- 230000036651 mood Effects 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 11
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 208000010340 Sleep Deprivation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
Abstract
本发明公开了一种音乐推荐方法和系统，应用于移动终端，预先获取音乐的上下文信息，该方法包括：获取用户的上下文信息；计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度，将计算得到的匹配度较大的K首音乐推荐给所述用户，其中，K为大于等于1的整数。本发明将用户的上下文信息和音乐的上下文信息进行匹配计算，将匹配度高的音乐推荐给用户，增强了音乐与用户的耦合性，从而提高了音乐推荐精度。
Description
技术领域
本发明涉及智能推荐技术，尤指一种基于移动终端的音乐推荐方法和系统。
背景技术
随着移动通信带宽的增加、终端处理能力的增强、以及传感技术的发展，越来越多的用户通过移动终端来收听音乐。移动用户的听歌喜好通常会随着时间、空间、天气、身体状况不同而变化，传统的音乐推荐系统已不适用于个性化移动网络服务领域。近年来，基于上下文感知的音乐推荐系统通过将上下文信息引入推荐系统，成为一个新兴的研究领域。在研究中发现，把上下文信息融入推荐系统，相当于把传统的“用户-项目”二维评分效用模型扩展为包含多种上下文信息的多维评分效用模型，有利于提高推荐精确度。因此利用移动终端提供的位置、时间、空间、天气等上下文信息，推荐更符合用户偏好、当前心情和周围环境的音乐，具有重要的研究意义。
目前，基于上下文信息的音乐推荐方法通常采用了“多维推荐”转化为“二维推荐”的设计思路，在推荐结果生成之前、生成之后或者生成的过程中，利用当前上下文信息过滤掉与当前上下文信息不匹配的数据，同时采用传统二维推荐技术(包含协同过滤、基于内容的过滤、基于知识的过滤、混合式过滤等)生成推荐结果。因为利用了传统推荐系统的成熟技术，此类方法成为目前应用最广的上下文感知推荐方法。
然而，现有技术在音乐与用户的匹配过程只考虑了用户的上下文信息，缺乏对音乐内容的深层解析，认为所有音乐都是同质的，音乐的不同属性来自用户在不同情境下对音乐具有的不同喜好程度，即由音乐的用户属性对不同音乐进行差异化区分，从而忽略了音乐作为一类多媒体文件，其自身具有的上下文属性。这种推荐方法过于主观，降低了用户与音乐的耦合性，从而对推荐系统的精度有所影响。
发明内容
为了解决上述问题，本发明提出了一种音乐推荐方法和系统，能够进一步提高音乐推荐精度。
为了达到上述目的，本发明提出了一种音乐推荐方法，应用于移动终端，预先获取音乐的上下文信息，该方法包括：
获取用户的上下文信息；
计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度，将计算得到的匹配度较大的K首音乐推荐给所述用户，其中，K为大于等于1的整数。
优选地，所述预先获取音乐的上下文信息包括：
获取所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息；
将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息。
优选地，所述音乐的用户层的上下文信息，或所述音乐的物理层的上下文信息，或所述用户的上下文信息包括：时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。
优选地，所述获取音乐的用户层的上下文信息包括：
实时获取各用户对音乐的访问行为，并生成访问记录；
对生成的访问记录进行统计，根据统计结果获得音乐的用户层的时间信息、空间信息、位置信息、环境信息和天气信息中的一种或多种；
根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和/或情绪信息。
优选地，计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度包括：
计算所述用户的上下文信息和所述音乐的上下文信息各维度的KL距离；
将计算得到的各维度的KL距离进行加权平均得到所述用户的上下文信息和所述音乐的上下文信息之间的匹配度。
本发明还提出了一种音乐推荐系统，至少包括移动终端和服务；
所述移动终端至少包括：
第一获取模块，用于获取用户的上下文信息，将获得的上下文信息发送给服务器；
推荐模块，用于将来自服务器的K首音乐推荐给所述用户；
所述服务器至少包括：
存储模块，用于保存预先获取的音乐的上下文信息；
计算模块，用于计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度；
发送模块，用于将计算得到的匹配度较大的K首音乐发送给所述移动终端，其中，K为大于等于1的整数；所述服务器还包括：第二获取模块，用于预先获取音乐的上下文信息；
或者所述音乐推荐系统还包括：
获取装置，用于预先获取音乐的上下文信息。
优选地，所述第二获取模块或所述获取装置具体用于：
获取所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息；将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息。
优选地，所述音乐的用户层的上下文信息，或所述音乐的物理层的上下文信息，或所述用户的上下文信息包括：时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。
优选地，所述第二获取模块或所述获取装置具体用于：
实时获取各用户对音乐的访问行为，并生成访问记录；对生成的访问记录进行统计，根据统计结果获得音乐的用户层的时间信息、空间信息、位置信息、环境信息和天气信息中的一种或多种；根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和/或情绪信息。
优选地，所述计算模块，具体用于：
计算所述用户的上下文信息和所述音乐的上下文信息各维度的KL距离；将计算得到的各维度的KL距离进行加权平均得到所述用户的上下文信息和所述音乐的上下文信息之间的匹配度。
与现有技术相比，本发明包括：获取用户的上下文信息；计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度，将计算得到的匹配度较大的K首音乐推荐给所述用户，其中，K为大于等于1的整数。通过本发明的方案，将用户的上下文信息和音乐的上下文信息进行匹配计算，将匹配度高的音乐推荐给用户，增强了音乐与用户的耦合性，从而提高了音乐推荐精度。
附图说明
下面对本发明实施例中的附图进行说明，实施例中的附图是用于对本发明的进一步理解，与说明书一起用于解释本发明，并不构成对本发明保护范围的限制。
图1为本发明的音乐推荐方法的流程图；
图2为本发明的预先获取音乐的上下文信息的方法流程图；
图3为本发明的获取音乐的用户层的上下文信息的方法流程图；
图4为本发明的音乐推荐系统的结构组成示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合附图对本发明作进一步的描述，并不能用来限制本发明的保护范围。
参见图1，本发明提出了一种音乐推荐方法，应用于移动终端，该方法预先获取音乐的上下文信息。
该方法包括：
步骤100、获取用户的上下文信息。
本步骤中，如表1所示，用户的上下文信息包括时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。用户的上下文信息的维度划分必须与音乐的上下文信息的维度划分保持一致。
表1用户的上下文信息表
用户的时间信息是指用户当前处于时间的各子维度(如工作日上下班、午休、深夜、周末等)的频率。
用户的空间信息是指用户当前处于空间的各子维度(如室内、室外、周围人多、周围人少等)的概率。
用户的位置信息是指用户当前处于位置的各子维度(如地铁上、公交上、办公室、家、娱乐场所等)的概率。
用户的环境信息是指用户当前处于环境的各子维度(如安静、正常音量、吵闹、喧嚣等)的概率。
用户的天气信息是指用户当前处于天气的各子维度(如阴、晴、雨、霾等)的概率。
用户的状态信息是指用户当前处于状态的各子维度(如闲暇、无聊、忙碌、不紧不慢等)的概率。
用户的情绪信息是指用户当前处于情绪的各子维度(如愉悦、兴奋、悲伤、难过等)的概率。
在步骤100中，用户的上下文信息可以利用移动终端的传感器技术以及接收到的信令数据获得，具体可以采用现有的方法获得，不能用于限定本发明的保护范围。例如，通过移动终端的温度、重力、压力等传感器可以获取用户的状态(运动或静止等)、身体状况(健康或睡眠不足等)、情绪(愉悦或难过等)、环境(安静或喧嚣等)等信息；通过信令监测系统采集到的信令数据可以获取用户的位置信息(地铁或商场等)、天气信息(阴、晴、雨、霾等)、行为信息(浏览网页、看视频等)。
表1中，虽然目标用户的上下文信息是一个条件概率值，但是在某些上下文维度下这些上下文信息只是几个条件概率的组合。比如时间维度下，目标用户只可能在一个时间区间内，即以全1的概率属于某一种情况，其他情况下的概率为0。比如位置信息，如果定位到用户在西单大街的某个位置，则有可能场所包括定位附件的商场、地铁、公园、餐厅等。这种情况下，用户的位置信息的各子维度的概率分布可能是70％(商场)、10％(地铁)、5％(公园)、15％(餐厅)。
用户的上下文信息的各子维度的概率分布可采用现有技术来实现(如位置信息的各子维度的概率分布可根据分组无线服务技术(GPRS，General Packet Radio Service)分析得到)，不能用于限定本发明的保护范围。
步骤101、计算用户的上下文信息和音乐的上下文信息之间的匹配度，将计算得到的匹配度较大的K首音乐推荐给用户，其中，K为大于等于1的整数。
本步骤中，计算用户的上下文信息和音乐的上下文信息之间的匹配度包括：
首先，计算用户的上下文信息和音乐的上下文信息各维度的KL距离。
在获取了音乐的上下文信息和用户的上下文信息后，由于音乐的上下文信息或者用户的上下文信息，其数据类型对应的都是一个上下文信息的各子维度下的概率分布，可以采用KL-divergence算法匹配出与用户当前的上下文信息相似的音乐曲目集合。
KL-divergence，俗称KL距离或者KL散度，是关于两个概率分布“差异性”的度量，又称为相对熵、交叉熵。假设P为音乐的上下文信息某一维度下的概率分布，Q为用户上下文信息某一维度下的概率分布，则P和Q之间的KL-divergence定义为：
其中，DKL(P||Q)为ＫＬ距离，P(i)为音乐的上下文信息某一维度下第i子维度的概率值，Q(i)为用户的上下文信息某一维度下第i子维度的概率值。
由公式(1)可见，当两个概率分布完全相同时，即任意P(i)Q(i)时，其相对熵为0；P和Q之间的概率分布越相近，则它们之间的KL距离的绝对值就越小，相似程度就越高。例如针对情绪上下文信息，在情绪维度下划分有五个类别，音乐A的情绪信息对应的五个类别的概率分别是0.1，0.1，0.2，0.3，0.3，用户B的情绪信息对应的五个类别概率分别是0.1，0.2，0.2，0.3，0.2，那么按照公式(1)，用户B与音乐A在情绪上下文维度的两个分布的的KL距离为：
其次，将计算得到的各维度的KL距离进行加权平均得到用户的上下文信息和音乐的上下文信息之间的匹配度。
设音乐或用户的上下文信息的总维度数量为N，每一维度的权重系数为Vj，根据公式(1)计算出每个上下文信息的维度下，用户B的上下文信息与音乐A的上下文信息的KL距离后，可根据公式(2)计算用户B和音乐A的上下文信息的匹配度SA||B，即：
且满足
步骤101中，可以将K首音乐中匹配度较大的音乐优先推荐给用户。
本步骤中，也可以结合用户的历史喜好将K首音乐中用户评分值较高的音乐优先推荐给用户。具体包括：
查找出用户对K首音乐的访问记录，获取用户对K首音乐的评分值；如果访问记录中存在没有评分的音乐，则可以采用现有的方法(如基于内容的推荐方法、基于项目的推荐方法、或协同滤波推荐方法等)根据已评分的音乐推测出用户对未评分的音乐的评分值；然后对K首音乐按用户评分值从高到低的顺序进行推荐。
参见图2，预先获取音乐的上下文信息的方法包括：
步骤200、获取音乐的用户层的上下文信息和音乐的物理层的上下文信息。
本步骤中，如表2所示，音乐的用户层的上下文信息包括时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息等中的一种或多种。
表2音乐的用户层的上下文信息
用户层的时间信息是指在时间的各子维度(如工作日上下班、午休、深夜、周末等)上，该音乐被访问的频率。比如，音乐A总共被访问了K次，在工作日上下班的时间段内被访问的次数为h次，则该音乐A的“时间信息”维度的“工作日上下班”子维度对应的取值为h/K。
用户层的空间信息是指在空间的各子维度(如室内、室外、周围人多、周围人少等)上，该音乐被访问的频率。比如，音乐A总共被访问了K次，在室内被访问的次数为h次，则该音乐A的“空间信息”维度的“室内”子维度对应的取值为h/K。
用户层的位置信息是指在位置的各子维度(如地铁上、公交上、办公室、家、娱乐场所等)上，该音乐被访问的频率。比如，音乐A总共被访问了K次，在地铁上被访问的次数为h次，则该音乐A的“位置信息”维度的“地铁上”子维度对应的取值为h/K。
用户层的环境信息是指在环境的各子维度(如安静、正常音量、吵闹、喧嚣等)上，该音乐被访问的频率。比如，音乐A总共被访问了K次，在安静的环境下被访问的次数为h次，则该音乐A的“环境信息”维度的“安静”子维度对应的取值为h/K。
用户层的天气信息是指在天气的各子维度(如阴、晴、雨、霾等)上，该音乐被访问的频率。比如，音乐A总共被访问了K次，在晴天里被访问的次数为h次，则该音乐A的“天气信息”维度的“晴天”子维度对应的取值为h/K。
用户层的状态信息是指在状态的各子维度(如闲暇、无聊、忙碌、不紧不慢等)上访问该音乐被的概率。比如，用户在闲暇时听音乐A的概率为p，则音乐A的“状态信息”维度的“闲暇”子维度对应的取值为p。
用户层的情绪信息是指在用户处于情绪的各子维度(如愉悦、兴奋、悲伤、难过等)时访问该音乐的概率。比如，用户在愉悦的情绪下听音乐A的概率为p，则该音乐A的“情绪信息”维度的“愉悦”子维度对应的取值为p。
步骤200中，参见图3，获取音乐的用户层的上下文信息包括：
步骤300、实时获取各用户对音乐的访问行为，并生成访问记录。
本步骤中，可以采用网络爬虫技术(如分布式网络爬虫技术)获取各用户对音乐的访问行为。
采用网络爬虫技术抓取出用户访问音乐时的试听行为、下载行为、评分行为、标签(即对音乐的分类行为)，以及访问音乐时的时间、空间、位置、环境、天气等中的一个或多个，并生成一个用户的访问记录，如表3所示。
表3访问记录
步骤301、对生成的访问记录进行统计，根据统计结果得到音乐的用户层的时间信息、空间信息、位置信息、环境信息、天气信息。
本步骤中，获得访问记录后，对各访问记录进行统计。
本步骤中，对于时间信息、空间信息、位置信息、环境信息、天气信息等容易量化统计的维度，可以直接采用上述的概率统计方法来实现。
步骤302、根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和情绪信息。
本步骤中，对于状态信息、或情绪信息等因人而异、难以量化的维度，可以通过模型的方法(如贝叶斯推理模型、支持向量机(SVM，Support Vector Machine)、混合高斯模型(GMM，Gaussian Mixture Model)、神经网络中的一种或多种方法的组合)，根据用户对音乐的打标签(如对音乐的分类)、评分等行为推理出用户习惯于在怎样的情绪或状态下访问该音乐，其推理的结果以概率的形式表示。
例如，以GMM为例，采用概率分布的技术，将多维特征归一化，训练音乐的情绪信息。具体包括参数训练、特征匹配和性能测试。
(1)参数训练：GMM的主要步骤和思想是在对所有用户的访问记录进行训练的时候从表2中提取出所有用户访问音乐时的上下文信息，从而生成所有用户访问音乐时的上下文特征矢量，然后使用最大期望算法(EM算法，Expectation-maximization algorithm)估计情绪信息各子维度的概率分布。
(2)特征匹配：将用户访问音乐时的上下文信息与分类模型的上下文特征矢量进行匹配，将匹配度最大的上下文特征矢量对应的各子维度的概率分布作为用户访问音乐时的上下文信息时情绪信息的各子维度的概率分布。假设情绪信息维度总共包括：害怕、生气、悲伤、惊喜、愉悦和厌恶六类情感，则特征匹配的输出可能是害怕5％，生气1％，悲伤2％，惊喜30％，愉悦60％，厌恶2％。
(3)性能测试：通过反馈分类结果用以模型的训练。
本步骤中，如表4所示，音乐的物理层的上下文信息包括时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息等，音乐的物理层的上下文信息的维度划分与表2保持一致。
表4音乐的物理层的上下文信息
音乐的物理层的上下文信息包括时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息等。
其中，物理层的时间信息是指音乐特征在时间的各子维度(如工作日上下班、午休、深夜、周末等)上分布的概率。
物理层的空间信息是指音乐特征在空间的各子维度(如室内、室外、周围人多、周围人少等)上分布的概率。
物理层的位置信息是指音乐特征在位置的各子维度(如地铁上、公交上、办公室、家、娱乐场所等)上分布的概率。
物理层的环境信息是指在环境的各子维度(如安静、正常音量、吵闹、喧嚣等)上分布的概率。
物理层的天气信息是指音乐特征在天气的各子维度(如阴、晴、雨、霾等)上分布的频率。
物理层的状态信息是指音乐特征在状态的各子维度(如闲暇、无聊、忙碌、不紧不慢等)上分布的频率。
物理层的情绪信息是指音乐特征在情绪的各子维度(如愉悦、兴奋、悲伤、难过等)上分布的频率。
本步骤中，可以采用国际上有专门的音乐特征提取系统(如分析与综合的音乐检索系统(MARSYAS系统，Music Analysis and synthesis of retrieval system)、听觉心理分析电脑程序(Psysound，psychoanalysis of sound)等)获取物理层的上下文信息，具体的获得方法属于现有技术，不能用于限定本发明的保护范围，这里不再累赘。
步骤201、将音乐的用户层的上下文信息和音乐的物理层的上下文信息进行加权平均得到音乐的上下文信息。
本步骤中，根据权重系数，将音乐的上下文信息在满足归一化条件的前提下按照公式(3)进行融合表示：
其中D和E为经验系数。D和E可以根据经验或仿真、实验获得。本推荐系统会定期或不定期通过用户的反馈信息(如用户对推荐的音乐的一个评价，如对推荐的歌曲是否喜欢、收听推荐的音乐的过程中是否切换音乐的播放、认为推荐的音乐的分类是否与预期相符等，具体可采用现有技术来实现，不能用于限定本发明的保护范围)进行更新，以提高音乐上下文信息的提取精度。
本步骤中，可以采用矩阵填充算法计算音乐的上下文信息的未知数据，即根据音乐的上下文信息中的已知数据，推测其未知数据。音乐的上下文信息中，由于可划分的音乐的上下文信息的维度m<<音乐的总数量n，可见音乐的上下文信息是一个低秩的稀疏矩阵，因此可以采用矩阵填充算法进行求解。一般来讲，满足条件的矩阵有无穷多个，但是当要恢复的矩阵是低秩矩阵时，可以通过优化的方法来精确恢复，在一定约束条件下，可以对不同稀疏值甚至极大稀疏值的矩阵进行精确求解。
例如，假设M∈Rm×n为所要恢复的矩阵，{Mij,(i,j)∈Ω}为矩阵M中已知的矩阵元素的集合，rank(M)r,r＞＞m。
对矩阵M进行恢复，可以先将矩阵M的恢复问题转化为矩阵秩的最小化的求解问题，即：
其中，为恢复矩阵的秩，矩阵为矩阵M恢复后的矩阵。
设PΩ(M)表示在子集Ω上的投影映射，即：
那么，公式(4)可改写为：
公式(6)中希望找到一个矩阵使得矩阵M中的已知数据和用户的访问记录尽可能的一致，同时具有比较低的秩。然而矩阵的秩是一个非凸、不连续的范数，因而公式(6)对于秩的优化问题，是一个非确定多项式难题，对于大规模的矩阵，秩最小化方法几乎是不可解的。受到压缩感知理论的启发，目前国际上最前沿的做法是将迹范数或核范数最小化方法应用于矩阵填充问题中。
定义矩阵的迹范数(trace norm)为矩阵的所有奇异值σi(M)之和，即有：
类比0范数与1范数的关系，可以认为矩阵的秩相当于矩阵的奇异值σi(M)的0范数；矩阵的迹范数相当于的1范数。因此，如果矩阵足够稀疏，则可参照向量的稀疏表示，利用矩阵的迹范数代替矩阵的秩。那么，公式(6)可改写为：
由于迹范数是凸的，公式(8)是一个凸优化问题，故而必有唯一的最优解。针对公式(8)，目前有现成的多项式时间算法可以求解，具体可以采用现有的奇异值阈值(Singular Value Thresholding)算法进行求解，并不用于限定本发明的保护范围。
参见图4，本发明还提出了一种音乐推荐系统，至少包括移动终端和服务器；
移动终端至少包括：
第一获取模块，用于获取用户的上下文信息，将获得的上下文信息发送给服务器；
推荐模块，用于将来自服务器的K首音乐推荐给用户；
服务器至少包括：
存储模块，用于保存预先获取的音乐的上下文信息；
计算模块，用于计算用户的上下文信息和音乐的上下文信息之间的匹配度；
发送模块，用于将计算得到的匹配度较大的K首音乐发送给移动终端，其中，K为大于等于1的整数。
本发明的音乐推荐系统中，发送模块，具体用于：
将K首音乐中匹配度较大的音乐优先推荐给用户；
或者将K首音乐中用户评分值较高的音乐优先推荐给用户。
本发明的音乐推荐系统中，服务器还包括：第二获取模块，用于预先获取音乐的上下文信息；
或者音乐推荐系统还包括：
获取装置，用于预先获取音乐的上下文信息。
本发明的音乐推荐系统中，第二获取模块或获取装置具体用于：
获取音乐的用户层的上下文信息和音乐的物理层的上下文信息；将音乐的用户层的上下文信息和音乐的物理层的上下文信息进行加权平均得到音乐的上下文信息。
本发明的音乐推荐系统中，音乐的用户层的上下文信息，或音乐的物理层的上下文信息，或用户的上下文信息包括：时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。
本发明的音乐推荐系统中，第二获取模块或获取装置具体用于：
实时获取各用户对音乐的访问行为，并生成访问记录；对生成的访问记录进行统计，根据统计结果获得音乐的用户层的时间信息、空间信息、位置信息、环境信息和天气信息中的一种或多种；根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和/或情绪信息。
本发明的音乐推荐系统中，计算模块，具体用于：
计算用户的上下文信息和音乐的上下文信息各维度的KL距离；将计算得到的各维度的KL距离进行加权平均得到用户的上下文信息和音乐的上下文信息之间的匹配度。
需要说明的是，以上所述的实施例仅是为了便于本领域的技术人员理解而已，并不用于限制本发明的保护范围，在不脱离本发明的发明构思的前提下，本领域技术人员对本发明所做出的任何显而易见的替换和改进等均在本发明的保护范围之内。
Claims (8)
1.一种音乐推荐方法，其特征在于，应用于移动终端，预先获取音乐的上下文信息，该方法包括：
获取用户的上下文信息；
计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度，将计算得到的匹配度较大的K首音乐推荐给所述用户，其中，K为大于等于1的整数；
其中，所述预先获取音乐的上下文信息包括：
获取所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息；
将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息；
其中，所述音乐的用户层的上下文信息，包括音乐的用户层的时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种；所述音乐的用户层的时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息，是指在时间的各子维度上、在空间的各子维度上、在位置的各子维度上、在环境的各子维度上、在天气的各子维度上、在状态的各子维度上、在用户处于情绪的各子维度时，所述音乐分别被访问的概率；
其中，将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息，包括采用矩阵填充算法计算音乐的上下文信息的未知数据。
2.根据权利要求1所述的音乐推荐方法，其特征在于，所述音乐的物理层的上下文信息或所述用户的上下文信息，包括：时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。
3.根据权利要求2所述的音乐推荐方法，其特征在于，所述获取音乐的用户层的上下文信息包括：
实时获取各用户对音乐的访问行为，并生成访问记录；
对生成的访问记录进行统计，根据统计结果获得音乐的用户层的时间信息、空间信息、位置信息、环境信息和天气信息中的一种或多种；
根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和/或情绪信息。
4.根据权利要求1所述的音乐推荐方法，其特征在于，计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度包括：
计算所述用户的上下文信息和所述音乐的上下文信息各维度的KL距离；
将计算得到的各维度的KL距离进行加权平均得到所述用户的上下文信息和所述音乐的上下文信息之间的匹配度。
5.一种音乐推荐系统，其特征在于，至少包括移动终端和服务；
所述移动终端至少包括：
第一获取模块，用于获取用户的上下文信息，将获得的上下文信息发送给服务器；
推荐模块，用于将来自服务器的K首音乐推荐给所述用户；
所述服务器至少包括：
存储模块，用于保存预先获取的音乐的上下文信息；
计算模块，用于计算所述用户的上下文信息和所述音乐的上下文信息之间的匹配度；
发送模块，用于将计算得到的匹配度较大的K首音乐发送给所述移动终端，其中，K为大于等于1的整数；所述服务器还包括：第二获取模块，用于预先获取音乐的上下文信息；
或者所述音乐推荐系统还包括：
获取装置，用于预先获取音乐的上下文信息；
其中，所述第二获取模块或所述获取装置具体用于：
获取所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息；将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息；
其中，所述音乐的用户层的上下文信息，包括音乐的用户层的时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种；所述音乐的用户层的时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息，是指在时间的各子维度上、在空间的各子维度上、在位置的各子维度上、在环境的各子维度上、在天气的各子维度上、在状态的各子维度上、在用户处于情绪的各子维度时，所述音乐分别被访问的概率；
其中，将所述音乐的用户层的上下文信息和所述音乐的物理层的上下文信息进行加权平均得到所述音乐的上下文信息，包括采用矩阵填充算法计算音乐的上下文信息的未知数据。
6.根据权利要求5所述的音乐推荐系统，其特征在于，所述音乐的物理层的上下文信息或所述用户的上下文信息，包括：时间信息、空间信息、位置信息、环境信息、天气信息、状态信息和情绪信息中的一种或多种。
7.根据权利要求6所述的音乐推荐系统，其特征在于，所述第二获取模块或所述获取装置具体用于：
实时获取各用户对音乐的访问行为，并生成访问记录；对生成的访问记录进行统计，根据统计结果获得音乐的用户层的时间信息、空间信息、位置信息、环境信息和天气信息中的一种或多种；根据各用户的访问记录采用模型的方法获得音乐的用户层的状态信息和/或情绪信息。
8.根据权利要求5所述的音乐推荐系统，其特征在于，所述计算模块，具体用于：
计算所述用户的上下文信息和所述音乐的上下文信息各维度的KL距离；将计算得到的各维度的KL距离进行加权平均得到所述用户的上下文信息和所述音乐的上下文信息之间的匹配度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410203035.5A CN103970873B (zh) | 2014-05-14 | 2014-05-14 | 一种音乐推荐方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410203035.5A CN103970873B (zh) | 2014-05-14 | 2014-05-14 | 一种音乐推荐方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103970873A CN103970873A (zh) | 2014-08-06 |
| CN103970873B true CN103970873B (zh) | 2018-02-13 |
Family
ID=51240370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410203035.5A Active CN103970873B (zh) | 2014-05-14 | 2014-05-14 | 一种音乐推荐方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103970873B (zh) |
Families Citing this family (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104618446A (zh) * | 2014-12-31 | 2015-05-13 | 百度在线网络技术（北京）有限公司 | 一种实现多媒体推送的方法和装置 |
| CN106202073B (zh) * | 2015-04-30 | 2020-02-14 | 中国电信股份有限公司 | 音乐推荐方法及系统 |
| CN106327234A (zh) * | 2015-07-02 | 2017-01-11 | 中兴通讯股份有限公司 | 一种信息推荐方法和装置 |
| CN105426382B (zh) * | 2015-08-27 | 2018-10-26 | 浙江大学 | 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 |
| CN105426381B (zh) * | 2015-08-27 | 2018-10-26 | 浙江大学 | 一种基于微博情绪上下文的音乐推荐方法 |
| CN105335507A (zh) * | 2015-10-29 | 2016-02-17 | 维沃移动通信有限公司 | 一种推送歌曲的方法及装置 |
| CN105608105B (zh) * | 2015-10-30 | 2018-11-13 | 浙江大学 | 一种基于收听上下文的音乐推荐方法 |
| CN105872790A (zh) * | 2015-12-02 | 2016-08-17 | 乐视网信息技术（北京）股份有限公司 | 一种音视频节目推荐的方法及系统 |
| CN106844359A (zh) * | 2015-12-04 | 2017-06-13 | 深圳富泰宏精密工业有限公司 | 服务器及其音乐服务系统及方法 |
| CN106844360A (zh) * | 2015-12-04 | 2017-06-13 | 深圳富泰宏精密工业有限公司 | 电子装置及其音乐播放系统及方法 |
| CN105575400A (zh) * | 2015-12-24 | 2016-05-11 | 广东欧珀移动通信有限公司 | 一种获取歌曲信息的方法、终端、服务器和系统 |
| CN105677850B (zh) * | 2016-01-07 | 2019-03-26 | 浙江大学 | 一种基于神经网络模型的上下文感知音乐推荐方法 |
| CN105718566B (zh) * | 2016-01-20 | 2020-04-07 | 中山大学 | 一种智能音乐推荐系统 |
| CN105808720B (zh) * | 2016-03-07 | 2018-11-20 | 浙江大学 | 一种基于收听序列和元数据的上下文感知音乐推荐方法 |
| CN105893489A (zh) * | 2016-03-29 | 2016-08-24 | 乐视控股（北京）有限公司 | 一种多媒体推荐方法和装置 |
| CN105930429A (zh) * | 2016-04-19 | 2016-09-07 | 乐视控股（北京）有限公司 | 一种音乐推荐的方法及装置 |
| CN105975496A (zh) * | 2016-04-26 | 2016-09-28 | 清华大学 | 一种基于上下文感知的音乐推荐方法及装置 |
| CN106126591B (zh) * | 2016-06-16 | 2019-09-20 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 音乐数据推荐方法与系统 |
| CN107025251B (zh) * | 2016-07-29 | 2021-07-20 | 杭州网易云音乐科技有限公司 | 一种数据推送方法及装置 |
| CN106371795A (zh) * | 2016-08-29 | 2017-02-01 | 乐视控股（北京）有限公司 | 一种音乐切换方法及装置 |
| CN106339492B (zh) * | 2016-08-31 | 2019-05-24 | 电子科技大学 | 一种基于地理位置信息的音乐推荐方法 |
| CN106528653B (zh) * | 2016-10-17 | 2019-04-23 | 浙江大学 | 一种基于图嵌入模型的上下文感知音乐推荐方法 |
| CN106649843A (zh) * | 2016-12-30 | 2017-05-10 | 上海博泰悦臻电子设备制造有限公司 | 基于车载终端的媒体文件推荐方法、系统、及车载终端 |
| CN106897382A (zh) * | 2017-01-22 | 2017-06-27 | 斑马信息科技有限公司 | 适应性车载内容服务系统和装置及其方法 |
| CN107423352A (zh) * | 2017-05-25 | 2017-12-01 | 杭州回车电子科技有限公司 | 音乐推荐方法及系统 |
| CN108108399B (zh) * | 2017-12-05 | 2020-07-28 | 华南理工大学 | 一种混合高斯建模改进的协同过滤推荐方法 |
| CN108197327B (zh) * | 2018-02-07 | 2020-07-31 | 腾讯音乐娱乐（深圳）有限公司 | 歌曲推荐方法、装置及存储介质 |
| CN108630185A (zh) * | 2018-03-27 | 2018-10-09 | 斑马网络技术有限公司 | 车载娱乐系统及其方法 |
| CN108665347A (zh) * | 2018-05-07 | 2018-10-16 | 平安普惠企业管理有限公司 | 基于用户需求的产品推荐方法、装置、设备及存储介质 |
| CN109213892A (zh) * | 2018-08-20 | 2019-01-15 | 广东小天才科技有限公司 | 一种音频播放方法、装置、设备及存储介质 |
| CN109408707A (zh) * | 2018-09-25 | 2019-03-01 | 深圳市元征科技股份有限公司 | 一种项目推送方法及装置 |
| CN109597914B (zh) * | 2018-11-22 | 2023-07-04 | 深圳市元征科技股份有限公司 | 音乐推送方法、装置、车辆终端及计算机存储介质 |
| CN110197659A (zh) * | 2019-04-29 | 2019-09-03 | 华为技术有限公司 | 基于用户画像的反馈方法、装置及系统 |
| CN110781405B (zh) * | 2019-10-12 | 2020-05-29 | 山东师范大学 | 基于联合卷积矩阵分解的文档上下文感知推荐方法及系统 |
| CN113765954A (zh) * | 2020-06-03 | 2021-12-07 | 本田技研工业(中国)投资有限公司 | 信息推送方法、信息推送系统和服务器 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1991824A (zh) * | 2005-12-30 | 2007-07-04 | 联想(北京)有限公司 | 媒体文件播放系统和方法 |
| US7702683B1 (en) * | 2006-09-18 | 2010-04-20 | Hewlett-Packard Development Company, L.P. | Estimating similarity between two collections of information |
| CN101950577A (zh) * | 2010-09-08 | 2011-01-19 | 惠州Tcl移动通信有限公司 | 根据当前天气状况选择对应类型的音乐播放的方法 |
| CN102156721A (zh) * | 2011-03-29 | 2011-08-17 | 张栋 | 基于标签的互联网视频广告精准投放方法 |
| CN103593468A (zh) * | 2013-11-27 | 2014-02-19 | 北京金和软件股份有限公司 | 一种音频内容推送方法 |
-
2014
- 2014-05-14 CN CN201410203035.5A patent/CN103970873B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1991824A (zh) * | 2005-12-30 | 2007-07-04 | 联想(北京)有限公司 | 媒体文件播放系统和方法 |
| US7702683B1 (en) * | 2006-09-18 | 2010-04-20 | Hewlett-Packard Development Company, L.P. | Estimating similarity between two collections of information |
| CN101950577A (zh) * | 2010-09-08 | 2011-01-19 | 惠州Tcl移动通信有限公司 | 根据当前天气状况选择对应类型的音乐播放的方法 |
| CN102156721A (zh) * | 2011-03-29 | 2011-08-17 | 张栋 | 基于标签的互联网视频广告精准投放方法 |
| CN103593468A (zh) * | 2013-11-27 | 2014-02-19 | 北京金和软件股份有限公司 | 一种音频内容推送方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103970873A (zh) | 2014-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103970873B (zh) | 一种音乐推荐方法和系统 | |
| CN108241728B (zh) | 对自然语言表述的解译的地理映射 | |
| US9165259B2 (en) | Personalized activity stream discovery system, method, and device | |
| CN104899273B (zh) | 一种基于话题和相对熵的网页个性化推荐方法 | |
| US20120254099A1 (en) | Integrated interest and expertise-based discovery system and method | |
| Wu et al. | Research on trend prediction of internet user intention understanding and public intelligence mining based on fractional differential method | |
| CN111259263B (zh) | 一种物品推荐方法、装置、计算机设备及存储介质 | |
| CN105718579A (zh) | 一种基于上网日志挖掘和用户活动识别的信息推送方法 | |
| CN103970866B (zh) | 基于微博文本的微博用户兴趣发现方法及系统 | |
| CN109711925A (zh) | 具有多个辅助域的跨域推荐数据处理方法、跨域推荐系统 | |
| CN105791085A (zh) | 在位置社交网络中基于位置与时间的好友推荐方法 | |
| CN111191099B (zh) | 一种基于社交媒体的用户活动类型识别方法 | |
| CN106776928A (zh) | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 | |
| CN106528812B (zh) | 一种基于usdr模型的云推荐方法 | |
| CN103970891A (zh) | 一种基于情境的用户兴趣信息查询方法 | |
| CN105488213A (zh) | 面向lbs的基于马尔可夫预测算法的个性化推荐方法 | |
| CN107577782A (zh) | 一种基于异质数据的人物相似度刻画方法 | |
| CN109272390A (zh) | 融合评分和标签信息的个性化推荐方法 | |
| CN110275980A (zh) | 一种基于群透视音乐推荐方法 | |
| Shi et al. | Personalized location recommendation using mobile phone usage information | |
| CN103761246B (zh) | 一种基于链接网络的用户领域识别方法及其装置 | |
| Zhao et al. | Prediction of English Scores of College Students Based on Multi-source Data Fusion and Social Behavior Analysis. | |
| CN107194492A (zh) | 一种基于位置社交网络的商家推荐的优化方法 | |
| CN106910013A (zh) | 基于动态表达学习的不实信息检测方法和装置 | |
| Liang | Intelligent Tourism Personalized Recommendation Based on Multi-Fusion of Clustering Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |