CN105808720B - 一种基于收听序列和元数据的上下文感知音乐推荐方法 - Google Patents

一种基于收听序列和元数据的上下文感知音乐推荐方法 Download PDF

Info

Publication number
CN105808720B
CN105808720B CN201610128317.2A CN201610128317A CN105808720B CN 105808720 B CN105808720 B CN 105808720B CN 201610128317 A CN201610128317 A CN 201610128317A CN 105808720 B CN105808720 B CN 105808720B
Authority
CN
China
Prior art keywords
music
user
sequence
listens
record
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
Application number
CN201610128317.2A
Other languages
English (en)
Other versions
CN105808720A (zh
Inventor
邓水光
王东京
杨宇佳
李莹
吴健
尹建伟
吴朝晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201610128317.2A priority Critical patent/CN105808720B/zh
Publication of CN105808720A publication Critical patent/CN105808720A/zh
Application granted granted Critical
Publication of CN105808720B publication Critical patent/CN105808720B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/63—Querying
    • G06F16/635—Filtering based on additional data, e.g. user or group profiles
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于收听序列和元数据的上下文感知音乐推荐方法，包括：S1基于音乐收听序列和音乐元数据的音乐特征的提取；S2用户全局兴趣和收听上下文兴趣的提取；S3上下文感知的音乐推荐。本发明利用神经网络模型从用户的音乐收听序列和音乐元数据中提取音乐的特征，再从用户的完整收听序列和近期收听序列中提取用户的全局兴趣特征收听上下文兴趣，最后在推荐的时候综合考虑用户的全局兴趣和当前收听上下文兴趣，从而能够让推荐的音乐符合用户的实时需求和偏好，从而减少用户的搜索成本并提高用户的满意度。

Description

一种基于收听序列和元数据的上下文感知音乐推荐方法
技术领域
本发明属于数据挖掘及推荐技术领域，具体涉及一种基于收听序列和元数据的上下文感知音乐推荐方法。
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。在很多场景下，用户的收听上下文往往会主导用户的需求，例如用户的全局偏好包括摇滚乐和纯音乐，但是用户在晚上休息的时候，会更喜欢后者。
发明内容
针对现有技术所存在的上述技术问题，本发明提供了一种基于收听序列和元数据的上下文感知音乐推荐方法，能够让推荐的音乐符合用户的实时需求和偏好。
一种基于收听序列和元数据的上下文感知音乐推荐方法，包括如下步骤：
(1)收集用户的完整音乐收听序列及其基本信息；所述的完整音乐收听序列包含用户历史对于音乐的每条收听记录，所述的基本信息包括完整音乐收听序列中每条收听记录所对应音乐的演唱者(或演奏者)以及所属专辑；
(2)根据所有用户的完整音乐收听序列及其基本信息，建立以下目标函数L：
其中：A表示所有用户组成的用户集群，Au表示用户集群A中的第u个用户，Hu表示用户Au的完整音乐收听序列，表示完整音乐收听序列Hu中的第i条收听记录，表示收听记录的上下文记录即包括收听记录的前c条以及后c条收听记录，表示上下文记录及完整音乐收听记录Hu下观测到收听记录的概率，c为大于0的自然数，i和u均为自然数且1≤i≤m，1≤u≤n，m为完整音乐收听序列Hu中收听记录的总数量，n为用户集群A中用户的总数量；β为预设的权重系数，M表示所有音乐组成的乐库，mj和ml分别表示乐库M中的第j首音乐和第l首音乐，s(mj,ml)为音乐mj与音乐ml的元数据相似度函数，j和l均为自然数且1≤j≤k，1≤l≤k，k为乐库M中音乐的总数量；
(3)对上述目标函数L进行最大化求解，以求得乐库M中每首音乐的特征向量；进而对用户完整音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的全局音乐收听兴趣向量；
(4)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的上下文音乐收听兴趣向量；
(5)根据每首音乐的特征向量以及用户的全局音乐收听兴趣向量和上下文音乐收听兴趣向量，计算出用户对于每首音乐的兴趣值；进而根据兴趣值对乐库M中的所有音乐从大到小排序，并提取兴趣值最大的若干首音乐推荐给用户。
所述概率的表达式如下：
其中：为收听记录所对应音乐的特征向量，为上下文记录以及完整音乐收听记录Hu中各条收听记录所对应音乐的平均特征向量，T表示转置，vj为音乐mj的特征向量。
所述元数据相似度函数s(mj,ml)的表达式如下：
其中：vj和vl分别为音乐mj和音乐ml的特征向量，p(mj)和a(mj)分别表示音乐mj的演唱者和所属专辑，p(ml)和a(ml)分别表示音乐ml的演唱者和所属专辑，T表示转置。
所述的步骤(5)中通过以下公式计算用户对于每首音乐的兴趣值：
其中：为用户Au对于音乐mj的兴趣值，vj为音乐mj的特征向量，为用户Au的全局音乐收听兴趣向量，为用户Au的上下文音乐收听兴趣向量，表示特征向量vj与全局音乐收听兴趣向量的余弦相似度，表示特征向量vj与上下文音乐收听兴趣向量的余弦相似度。
本发明首次利用神经网络模型从用户的完整收听序列以及音乐的元数据中获取音乐的特征，表示为音乐的特征向量，为音乐特征提取困难的问题提供了一种可靠的解决方法；本发明分别根据用户的完整收听序列和最近收听序列中的音乐的特征向量获取用户的全局兴趣和上下文收听兴趣，为用户的兴趣提取和建模困难的问题(尤其是收听上下文的兴趣)提供了一种可行的思路；综合考虑用户全局兴趣和收听上下文兴趣的推荐方法，本发明能够使得推荐的音乐更符合目标用户当前的偏好，从而减少用户的搜索成本并提高用户的满意度。
附图说明
图1为本发明音乐推荐方法的系统架构示意图。
图2为本发明音乐推荐方法中的用户音乐偏好预测流程示意图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明基于收听上下文感知的音乐推荐方法包括以下步骤：
(1)获取用户的完整的音乐收听序列及每首音乐的元数据，收听序列中的每条记录包括音乐ID、播放时间、播放设备，而元数据包括音乐的演唱者(演奏者)和所属专辑。
(2)利用神经网络模型处理所有用户的完整收听序列和元数据，将每首音乐表示为特征向量。该神经网络模型的目标函数公式为：
其中，表示上下文记录以及用户Au的完整音乐收听记录Hu下观测到收听记录的概率，定义为：
其中，为收听记录所对应音乐的特征向量，为上下文记录以及完整音乐收听记录Hu中各条收听记录所对应音乐的平均特征向量。另外，s(mj,ml)为音乐mj与音乐ml的元数据相似度函数，定义为：
其中，vj和vl分别为音乐mj和音乐ml的特征向量，p(mj)和a(mj)分别表示音乐mj的演唱者和所属专辑，如果音乐mj和ml属于同一个音乐家并属于同一个专辑，则他们的元数据相似度为exp(vj T·vl)，如果音乐mj和ml属于同一个音乐家或属于同一个专辑，则他们的元数据相似度为0.5·exp(vj T·vl)，否则它们的元数据相似度为0。
(3)通过最大化目标函数L即可得到每首音乐的特征向量vj。其中，具有相似收听上下文(序列中在目标音乐的前面和后面的音乐)的音乐具有相似的特征向量。此处可根据对效率和准确度的要求指定向量的维度，从而获得合适的特征向量(利用高维度特征向量的推荐结果更准确，而低维度特征向量的计算效率更高)。
(4)获取用户的完整音乐收听序列，进而对完整音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的全局音乐收听兴趣向量，具有相似收听序列的用户具有相似的收听兴趣向量。
(5)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的上下文音乐收听兴趣向量。
(6)根据用户的全局兴趣向量和收听上下文兴趣向量，计算目标用户Au对音乐mj的兴趣值计算公式如下：
其中：为用户Au的全局音乐收听兴趣向量，为用户Au的上下文音乐收听兴趣向量，表示特征向量vj与全局音乐收听兴趣向量的余弦相似度，表示特征向量vj与上下文音乐收听兴趣向量的余弦相似度。
(7)利用上步的计算结果对所有音乐进行排序，把前N个推荐给目标用户u，排序的计算公式如下：
图1所示了本实施方式基于收听序列和元数据的上下文感知的音乐推荐方法的架构。该推荐方法分为两个主要模块：预处理模块和预测模块。预处理模块中，首先获取用户的所有收听记录(完整收听序列)和所有音乐的元数据；再利用神经网络模型从用户的完整收听序列和元数据中提取音乐的特征向量。在预测模块中，首先从目标用户的完整收听序列和近期收听序列中获取用户的全局音乐兴趣和收听上下文音乐兴趣；然后根据用户的全局兴趣和收听上下文兴趣给用户推荐推荐适合其当前收听上下文的音乐。图2所示了用户偏好预测的详细步骤，其首先获取用户的完整收听序列和近期收听序列，并从中提取用户的全局兴趣和收听上下文兴趣，最后利用用户的全局兴趣和收听上下文兴趣，计算目标用户Au对音乐mj的兴趣。
上述的对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (1)

1.一种基于收听序列和元数据的上下文感知音乐推荐方法，包括如下步骤：
(1)收集用户的完整音乐收听序列及其基本信息；所述的完整音乐收听序列包含用户历史对于音乐的每条收听记录，所述的基本信息包括完整音乐收听序列中每条收听记录所对应音乐的演唱者以及所属专辑；
(2)根据所有用户的完整音乐收听序列及其基本信息，建立以下目标函数L：
其中：A表示所有用户组成的用户集群，Au表示用户集群A中的第u个用户，Hu表示用户Au的完整音乐收听序列，表示完整音乐收听序列Hu中的第i条收听记录，表示收听记录的上下文记录即包括收听记录的前c条以及后c条收听记录，表示上下文记录及完整音乐收听记录Hu下观测到收听记录的概率，c为大于0的自然数，i和u均为自然数且1≤i≤m，1≤u≤n，m为完整音乐收听序列Hu中收听记录的总数量，n为用户集群A中用户的总数量；β为预设的权重系数，M表示所有音乐组成的乐库，mj和ml分别表示乐库M中的第j首音乐和第l首音乐，s(mj,ml)为音乐mj与音乐ml的元数据相似度函数，j和l均为自然数且1≤j≤k，1≤l≤k，k为乐库M中音乐的总数量；
所述概率的表达式如下：
所述元数据相似度函数s(mj,ml)的表达式如下：
其中：为收听记录所对应音乐的特征向量，为上下文记录以及完整音乐收听记录Hu中各条收听记录所对应音乐的平均特征向量，T表示转置，vj和vl分别为音乐mj和音乐ml的特征向量，p(mj)和a(mj)分别表示音乐mj的演唱者和所属专辑，p(ml)和a(ml)分别表示音乐ml的演唱者和所属专辑，T表示转置；
(3)对上述目标函数L进行最大化求解，以求得乐库M中每首音乐的特征向量；进而对用户完整音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的全局音乐收听兴趣向量；
(4)从用户完整音乐收听序列中提取当前时刻之前一段时间内的收听记录组成近期音乐收听序列；进而对近期音乐收听序列中各条收听记录所对应音乐的特征向量求平均，得到用户的上下文音乐收听兴趣向量；
(5)根据每首音乐的特征向量以及用户的全局音乐收听兴趣向量和上下文音乐收听兴趣向量，通过以下公式计算出用户对于每首音乐的兴趣值；进而根据兴趣值对乐库M中的所有音乐从大到小排序，并提取兴趣值最大的若干首音乐推荐给用户；
其中：为用户Au对于音乐mj的兴趣值，为用户Au的全局音乐收听兴趣向量，为用户Au的上下文音乐收听兴趣向量，表示特征向量vj与全局音乐收听兴趣向量的余弦相似度，表示特征向量vj与上下文音乐收听兴趣向量的余弦相似度。
CN201610128317.2A 2016-03-07 2016-03-07 一种基于收听序列和元数据的上下文感知音乐推荐方法 Active CN105808720B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610128317.2A CN105808720B (zh) 2016-03-07 2016-03-07 一种基于收听序列和元数据的上下文感知音乐推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610128317.2A CN105808720B (zh) 2016-03-07 2016-03-07 一种基于收听序列和元数据的上下文感知音乐推荐方法

Publications (2)

Publication Number Publication Date
CN105808720A CN105808720A (zh) 2016-07-27
CN105808720B true CN105808720B (zh) 2018-11-20

Family

ID=56466878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610128317.2A Active CN105808720B (zh) 2016-03-07 2016-03-07 一种基于收听序列和元数据的上下文感知音乐推荐方法

Country Status (1)

Country Link
CN (1) CN105808720B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108261766A (zh) * 2018-01-18 2018-07-10 珠海金山网络游戏科技有限公司 基于偏好的游戏商品推荐方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102265273A (zh) * 2008-12-23 2011-11-30 阿克塞尔斯普林格数字电视指导有限责任公司 用于推荐器系统的自适应隐式学习
CN103559197A (zh) * 2013-09-23 2014-02-05 浙江大学 基于上下文预过滤的实时音乐推荐方法
CN103870529A (zh) * 2012-12-13 2014-06-18 现代自动车株式会社 用于车辆的音乐推荐系统和方法
CN103970873A (zh) * 2014-05-14 2014-08-06 中国联合网络通信集团有限公司 一种音乐推荐方法和系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110295843A1 (en) * 2010-05-26 2011-12-01 Apple Inc. Dynamic generation of contextually aware playlists

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102265273A (zh) * 2008-12-23 2011-11-30 阿克塞尔斯普林格数字电视指导有限责任公司 用于推荐器系统的自适应隐式学习
CN103870529A (zh) * 2012-12-13 2014-06-18 现代自动车株式会社 用于车辆的音乐推荐系统和方法
CN103559197A (zh) * 2013-09-23 2014-02-05 浙江大学 基于上下文预过滤的实时音乐推荐方法
CN103970873A (zh) * 2014-05-14 2014-08-06 中国联合网络通信集团有限公司 一种音乐推荐方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Exploring user emotion in microblogs for music recommendation;Shuiguang Deng 等;《EXPERT SYSTEMS WITH APPLICATIONS》;20151215;第42卷(第23期);9284-9293 *
Learning Music Embedding with Metadata for Context Aware Recommendation;Dongjing Wang 等;《THE 2016 ACM International Conference on Multimedia Retrieval (ICMR)》;20160609;1-6 *
上下文感知推荐系统;王立才 等;《软件学报》;20110908;第23卷(第1期);1-20 *

Also Published As

Publication number Publication date
CN105808720A (zh) 2016-07-27

Similar Documents

Publication Publication Date Title
US11328013B2 (en) Generating theme-based videos
CN102654859B (zh) 一种歌曲推荐方法及系统
CN102654860B (zh) 一种个性化音乐推荐方法及系统
CN103970873B (zh) 一种音乐推荐方法和系统
US20090259606A1 (en) Diversified, self-organizing map system and method
CN110134820B (zh) 一种基于特征递增的混合型个性化音乐推荐方法
CN102402625A (zh) 一种音乐推荐的方法及系统
CN103942328B (zh) 一种视频检索方法及视频装置
CN106951527B (zh) 一种歌曲推荐方法及装置
CN103761263A (zh) 向用户推荐信息的方法
CN105608105B (zh) 一种基于收听上下文的音乐推荐方法
CN105677850B (zh) 一种基于神经网络模型的上下文感知音乐推荐方法
CN105426550A (zh) 一种基于用户质量模型的协同过滤标签推荐方法及系统
CN106294358A (zh) 一种信息的检索方法及系统
Knees et al. Music retrieval and recommendation: A tutorial overview
CN106055570A (zh) 一种基于音频数据的视频检索的装置及其视频检索方法
CN104090902B (zh) 音频标签设置方法及装置
CN106021430A (zh) 基于Lucence自定义词库的全文检索匹配方法及系统
CN108984711A (zh) 一种基于分层嵌入的个性化app推荐方法
CN106528653B (zh) 一种基于图嵌入模型的上下文感知音乐推荐方法
CN101303694A (zh) 融合不同模态信息实现媒体间交叉检索的方法
CN105808720B (zh) 一种基于收听序列和元数据的上下文感知音乐推荐方法
CN109992694A (zh) 一种音乐智能推荐方法及系统
JP2012168986A (ja) 選択されたコンテンツアイテムをユーザーに提供する方法
CN108717445A (zh) 一种基于历史数据的在线社交平台用户兴趣推荐方法

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