CN105426382A - 一种基于Personal Rank的情绪上下文感知的音乐推荐方法 - Google Patents

Abstract

本发明涉及一种在音乐推荐中结合用户情感状态来提高音乐推荐效果的方法，该方法主要是利用用户在微博上发布的微博数据包括普通微博和音乐分享微博,并以此来获取用户的收听记录以及对应的情绪上下文的关联数据，并利用图模型表示该关联数据；在推荐的时候考虑用户当前的情感状态以，利用Personal？Rank方法在图模型上遍历，从而能够让推荐出符合用户当前偏好的音乐。

Description

一种基于Personal Rank的情绪上下文感知的音乐推荐方法

技术领域

本发明涉及情感挖掘与推荐系统领域，主要是设计一种基于PersonalRank的情绪上下文感知的音乐推荐方法。

背景技术

情感挖掘是通过一些方法获取特定用户的情感状态，直接通过医学传感器获取用户情绪的方法实现复杂，不具有普适性。另外一种比较常见的方式是通过自然语言处理的方法来分析用户产生的数据或者阅读的文本数据(包括微博、新闻、博客等)来获取用户当前的情感状态。相比于用户阅读的文本，用户所发布文本中情感信息更为丰富，而且现在移动互联网的流行及移动设备的广泛普及更加方便了这种方式获取用户数据的渠道。类似的方法在舆情分析分析等领域应用较为广泛。

随着互联网应用的发展，推荐系统并且在工业界以及学术界越来越受到大家的关注，也取得巨大的成功。传统单一维度的推荐系统已经不能满足用户个性化的需求，而上下文相关的推荐系统不仅能够较好的帮助用户解决信息过载的问题，而且能够利用用户的上下文信息更加准确的预测用户的需求。在音乐推荐领域，情绪上下文对用户的音乐偏好的影响尤为明显。然而在基于情绪上下文的音乐推荐系统的设计中，对用户情感上下文的提取、建模以及与推荐系统的结合的策略的研究工作相对较少。

发明内容

针对传统音乐推荐系统的缺点，本发明提出了一种在音乐推荐算法中加入用户情感上下文的方法，具体包括如下内容：

一种基于PersonalRank的情绪上下文感知的音乐推荐方法，包括以下步骤：

10.基于情感词典的包含情绪上下文的音乐记录的提取；

20.包含情绪上下文的音乐记录的建模；

30.基于PersonalRank的情绪上下文感知的音乐推荐。

进一步的，步骤10包括：

101.利用已有的情感词典、同义词词典、微博词汇构建一个全面情感词典，所述全面情感词典中的情绪分为7类，分别是快乐、喜好、哀伤、惊、恐惧、愤怒、憎恶；

102.把用户的微博分为两类，分别是音乐分享微博和普通微博，其中音乐分享微博包含音乐的基本信息，普通微博为用户分享所见、所闻、所感的文本；

103.采用分词系统将所述普通微博转化为“中文词-频率”的键值对，其中的情感词汇的出现频率，将微博文本表示为情感向量；

104.从所述音乐分享微博中提取音乐和对应的分享时间，得到用户的“音乐-时间”记录；

105.把用户分享音乐m的时间点t之前一段时间内的所有微博的情感向量相加，并归一化，作为用户分享/收听音乐m的情绪上下文向量，最终得到“用户-音乐-情绪上下文向量”的关联数据。

进一步的，步骤20包括：

201.根据“用户-音乐-情绪上下文向量”的关联数据构建情绪感知二分图，所述情绪感知二分图中的节点包括三种：用户节点、音乐节点、情绪节点，不同节点之间的边表示“用户-音乐-情绪上下文向量”的关联数据；

202.利用加权邻接矩阵M表示所述情绪感知二分图，M中的元素m_ij表示从节点i到节点j的边的权重，如果该边不存在，则其权值为0；

203.对M进行归一化，得到概率转移矩阵P，计算公式如下：

其中：

·m_vv’示从节点v到节点v’的边的权重；

·outnodes[v]表示与节点v直接连接的所有节点。

进一步的，步骤30包括：

301.在概率转移矩阵P上应用PersonalRank算法，计算公式如下，

$\stackrel{\→}{r}={\mathrm{cP}}^T\stackrel{\→}{r}+(1-c)\stackrel{\→}{q}$

其中：

·是所有节点的分数；

·c是衰减系数，通常为0.85；

·P^T是概率转移矩阵P的转置；

·是所有节点的初始分数，其中目标用户及其当前的情绪上下文向量对应的节点分数不为零，其他节点分数都为零；

302.在步骤301中公式的基础上计算所有节点的分数，计算公式如下：

$\stackrel{\→}{r}=(1-c){(1-{\mathrm{cP}}^T)}^{-1}\stackrel{\→}{q}$

303.按照得分高低对所有音乐进行排序，把前N个推荐给当前用户。

本发明的基于PersonalRank的情绪上下文感知的音乐推荐方法，通过构建情感词典，并根据用户的微博获取用户的情绪上下文向量，解决了用户的情绪上下文的提取和建模的困难问题；同时，利用微博用户数据，提取用户的收听记录以及对应的情绪上下文的关联，并利用情绪感知二分图来对关联数据进行建模，有效结合了情绪上下文信息和音乐数据；进一步的，设计了一种基于PersonalRank的情绪上下文感知的音乐推荐方法，能够使推荐的音乐更符合目标用户当前的偏好。

本发明的基于PersonalRank的情绪上下文感知的音乐推荐方法，在网络音乐资源越来越丰富，用户对网络音乐的需求越来越高的大背景下，能够结合目标用户的情绪上下文信息，推荐更符合目标用户的音乐，具有良好的应用价值和广阔的应用前景。

附图说明

图1为本发明的基于PersonalRank的情绪上下文感知的音乐推荐方法的概念图；

图2为本发明的基于PersonalRank的情绪上下文感知的音乐推荐方法的流程图；

图3为本发明的基于PersonalRank的情绪上下文感知的音乐推荐方法的情绪感知二分图。

具体实施方式

为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。

下面结合附图和实施例对本发明作进一步介绍：

图1展示了基于PersonalRank的情绪上下文感知的推荐方法的概念图，首先得到所有用户的历史微博，利用提前构建的情感词典从用户的普通微博中提取用户的情绪上下文向量，同时从用户的音乐分享微博中提取用户的音乐收听的音乐，最终得到“用户-音乐-情绪”的关联数据；然后从目标用户的近期微博中获取其当前的情绪上下文信息，并根据该上下文信息和“用户-音乐-情绪”的关联数据给目标用户推荐合适的音乐。

图2展示了基于PersonalRank的情绪上下文感知的推荐方法的详细流程图。主要分为了三个大的部分。

第一部分是关联数据提取，获取所有用户的普通微博并对其进行分词处理，根据预先构建的情感词典获取用户微博中的情感状态，将其表示为情感向量，并从用户的音乐分享微博中获取用户历史音乐分享(收听)记录，再将二者进行关联，得到“用户-音乐-情绪上下文向量”的关联数据。

第二部分则是关联数据建模，把“用户-音乐-情绪上下文向量”的关联数据表示为情绪感知二分图，所述情绪感知二分图中的节点包括三种：用户节点、音乐节点、情绪节点，分别代表关联数据中的用户、音乐、情绪上下文向量的各个元素，而三种节点之间的边表示该用户在此种情绪上下文下收听了特定的音乐，然后利用加权邻接矩阵M表示所述情绪感知二分图，M中的元素m_ij表示从节点i到节点j的边的权重，如果该边不存在，则其权值为0，最后对M进行归一化，得到概率转移矩阵P，P的计算公式如下：

其中m_vv’示从节点v到节点v’的边的权重，outnodes[v]表示与节点v直接连接的所有节点。

第三部分是音乐推荐，对目标用户的近期微博进行分词，并根据情感词典获取近期微博的情绪作为目标用户当前的情绪上下文信息，然后根据PersonalRank算法在表示为概率转移矩阵P的情绪感知二分图上计算目标用户对不同音乐的偏好得分，计算公式为：

$\stackrel{\→}{r}=(1-c){(1-{\mathrm{cP}}^T)}^{-1}\stackrel{\→}{q},$

其中是所有节点的分数，c是衰减系数，通常为0.85，P^T是概率转移矩阵P的转置，是所有节点的初始分数，其中目标用户及其当前的情绪上下文向量对应的节点分数不为零，其他节点分数都为零，最后根据偏好得分排序并把前N首音乐推荐给目标用户。

图3展示了情绪感知二分图的实例。左边是“用户-音乐-情绪上下文向量”的关联数据，包括A、B、C三个用户，a、b、c、d、e、f六首音乐，E₁、E₂两种情绪；右边是对应的情绪感知二分图，其中的三种节点对应关联数据中的用户、音乐和情绪上下文向量(不同用户的情绪互相独立，因此表示为不同的节点)，而其中的边代表三者之间的关联关系。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (4)

1.一种基于PersonalRank的情绪上下文感知的音乐推荐方法，其特征在于，包括以下步骤：

10.基于情感词典的包含情绪上下文的音乐记录的提取；

20.包含情绪上下文的音乐记录的建模；

30.基于PersonalRank的情绪上下文感知的音乐推荐。

2.根据权利要求1所述的基于PersonalRank的情绪上下文感知的音乐推荐方法，其特征在于，步骤10包括：

101.利用已有的情感词典、同义词词典、微博词汇构建一个全面情感词典，所述全面情感词典中的情绪分为7类，分别是快乐、喜好、哀伤、惊、恐惧、愤怒、憎恶；

102.把用户的微博分为两类，分别是音乐分享微博和普通微博，其中音乐分享微博包含音乐的基本信息，普通微博为用户分享所见、所闻、所感的文本；

103.采用分词系统将所述普通微博转化为“中文词-频率”的键值对，其中的情感词汇的出现频率，将微博文本表示为情感向量；

104.从所述音乐分享微博中提取音乐和对应的分享时间，得到用户的“音乐-时间”记录；

105.把用户分享音乐m的时间点t之前一段时间内的所有微博的情感向量相加，并归一化，作为用户分享/收听音乐m的情绪上下文向量，最终得到“用户-音乐-情绪上下文向量”的关联数据。

3.根据权利要求2所述的基于PersonalRank的情绪上下文感知的音乐推荐方法，其特征在于，步骤20包括：

201.根据“用户-音乐-情绪上下文向量”的关联数据构建情绪感知二分图，所述情绪感知二分图中的节点包括三种：用户节点、音乐节点、情绪节点，不同节点之间的边表示“用户-音乐-情绪上下文向量”的关联数据；

202.利用加权邻接矩阵M表示所述情绪感知二分图，M中的元素m_ij表示从节点i到节点j的边的权重，如果该边不存在，则其权值为0；

203.对M进行归一化，得到概率转移矩阵P，计算公式如下：

其中：

·m_vv’示从节点v到节点v’的边的权重；

·outnodes[v]表示与节点v直接连接的所有节点。

4.根据权利要求3所述的基于PersonalRank的情绪上下文感知的音乐推荐方法，其特征在于，步骤30包括：

301.在概率转移矩阵P上应用PersonalRank算法，计算公式如下，

$\stackrel{\→}{r}={\mathrm{cP}}^T\stackrel{\→}{r}+(1-c)\stackrel{\→}{q}$

其中：

·是所有节点的分数；

·c是衰减系数，通常为0.85；

·P^T是概率转移矩阵P的转置；

·是所有节点的初始分数，其中目标用户及其当前的情绪上下文向量对应的节点分数不为零，其他节点分数都为零；

302.在步骤301中公式的基础上计算所有节点的分数，计算公式如下：

$\stackrel{\→}{r}=(1-c){(1-{\mathrm{cP}}^T)}^{-1}\stackrel{\→}{q}$

303.按照得分高低对所有音乐进行排序，把前N个推荐给当前用户。