CN106168958B - 一种音频信息的推荐方法以及服务器 - Google Patents

Abstract

本发明实施例公开了一种音频信息的推荐方法，包括：接收移动终端发送的音频信息推荐请求；若存在音频信息集合，则根据音频信息推荐请求从音频信息集合中获取第一音频信息，并获取第一音频信息的源音频模型分值；若第一音频信息的源音频模型分值小于第一阈值门限，则根据第一音频信息确定第二音频信息；若第二音频信息的源创作模型分值小于第二阈值门限，则将第二音频信息确定为目标音频信息，并推荐目标音频信息。本发明实施例还提供一种服务器。本发明实施例不单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

Description

一种音频信息的推荐方法以及服务器

技术领域

本发明涉及互联网技术领域，尤其涉及一种音频信息的推荐方法以及服务器。

背景技术

随着越来越多的用户喜爱音乐，于是在移动终端上安装音乐播放器已经成为了一种潮流。大部分的音乐播放器可以根据用户的操作来下载音乐、收藏音乐、切换音乐以及完整收听整个音乐。

目前，音乐播放器推荐歌曲的主要方式是基于用户的收藏以及歌曲之间的相似性，例如用户收藏了歌曲A，音乐播放器就会推荐相似歌曲B，具体请参阅图1，图1为现有技术中歌曲推荐的流程示意图，如图所示，在步骤101中，服务器先获取用户推荐列表以及在步骤102中获取歌曲间相似性数据，然后在步骤103中判断是否存在收藏歌曲，如果是，则进入步骤105，即根据收藏歌曲的歌曲间相似性数据进行歌曲推荐，如果否，则进入步骤104，即获取精选池中的歌曲，最后在步骤106中随机在精选池中抽取歌曲进行推荐。

然而，现有的音乐播放器推荐歌曲时，主要基于歌曲之间的相似性，例如用户收藏了歌曲A，那么音乐播放器就会推荐相似歌曲B，但是在实际应用中，仅仅根据歌曲间的相似性进行推荐，使得推荐内容较为单一，且某些收藏歌曲并不适合进行拓展推荐，使得在推荐歌曲时考虑的不够全面，导致推荐结果不佳。

发明内容

本发明实施例提供了一种音频信息的推荐方法以及服务器，不再单单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

有鉴于此，本发明第一方面提供一种音频信息的推荐方法，包括：

接收移动终端发送的音频信息推荐请求；

若存在音频信息集合，则根据所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

若所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

若所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

第二方面，本方面实施例还提供一种服务器，包括：

第一接收模块，用于接收移动终端发送的音频信息推荐请求；

第一获取模块，用于若存在音频信息集合，则根据所述第一接收模块接收的所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

第二获取模块，用于若所述第一获取模块获取的所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

推荐模块，用于若所述第二获取模块获取的所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

第三方面，本方面实施例还提供一种服务器，包括：输入装置、输出装置、存储器和处理器；

所述处理器用于执行所述存储器中的程序，具体包括如下步骤：

控制所述输入装置接收移动终端发送的音频信息推荐请求；

若存在音频信息集合，则根据所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

若所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

若所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例中，提供了一种音频信息的推荐方法，具体为，首先服务器接收移动终端发送的音频信息推荐请求，若服务器检测到存在音频信息集合，则根据音频信息推荐请求获取第一音频信息，并获取第一音频信息的源音频模型分值，若第一音频信息的源音频模型分值小于第一阈值门限，则服务器根据第一音频信息进而确定第二音频信息，且若第二音频信息的源创作模型分值小于第二阈值门限，则服务器可以将第二音频信息确定为目标音频信息，并推荐该目标音频信息。服务器通过上述方式进行音频信息的推荐，不再单单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

附图说明

图1为现有技术中歌曲推荐的流程示意图；

图2为本发明实施例中音频信息的推荐系统的架构图；

图3为本发明实施例中音频信息推荐的界面示意图；

图4为本发明实施例中音频信息播放的界面示意图；

图5为本发明实施例中音频信息的推荐方法一个实施例示意图；

图6为应用场景中确定源音频模型分值的一个流程示意图；

图7为应用场景中确定源创作模型分值的一个流程示意图；

图8为应用场景中确定语种模型分值的一个流程示意图；

图9为本发明实施例中音频信息的推荐方法一个流程示意图；

图10为本发明实施例中服务器一个实施例示意图；

图11为本发明实施例中服务器另一个实施例示意图；

图12为本发明实施例中服务器另一个实施例示意图；

图13为本发明实施例中服务器另一个实施例示意图；

图14为本发明实施例中服务器另一个实施例示意图；

图15为本发明实施例中服务器另一个实施例示意图；

图16为本发明实施例中服务器另一个实施例示意图；

图17为本发明实施例中服务器一个结构示意图。

具体实施方式

本发明实施例提供了一种音频信息的推荐方法以及服务器，不再单单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应理解，本发明实施例中音频信息的推荐方法应用于音频信息的推荐系统中，请参阅图2，图2为本发明实施例中音频信息的推荐系统的架构图，如图所示，用户在移动终端上安装音乐播放应用程序，该音乐播放应用程序可以向用户推荐歌曲，推荐歌曲的操作源于服务器根据用户听歌的喜好来选择的，服务器采用进化型在线学习模型，为了加强音乐播放应用程序中个性化电台的推荐，该模型根据用户的各项操作，在线学习并更新用户的歌曲、歌手以及语种偏好，实时影响下一批推荐歌曲的计算结果，以进化整个推荐系统，最终达到提升歌曲推荐满意度的目标。

其中，服务器既可以利用简并行过程(英文全称：Simplified Parallel Process，英文缩写：spp)服务采用进化型在线学习模型计算推荐结果，即用户每次听完歌都会进行计算，实时性较高，同样也可以利用流式数据框架(英文全称：Spark Streaming)，只在计算推荐结果之前，将该用户近期的听歌记录提交给Spark Streaming进行统一的离线计算，并根据离线计算的结果调整推荐结果。为了便于说明，下面将以采用进化型在线学习模型计算推荐结果为例进行介绍。

需要说明的是，本发明方案中的移动终端可以是智能手机、平板电脑、个人数字助理(英文全称：Personal Digital Assistant，英文缩写：PDA)或者车载电脑等，此处不应理解为对本发明的限定。

用户在移动终端上通过音乐播放应用程序收听推荐的歌曲，其推荐歌曲的界面可参阅图3，图3为本发明实施例中音频信息推荐的界面示意图，如图所示，用户“Kevin”进入音乐播放应用程序界面中的“我的”界面，该界面将显示“个性电台”，“个性电台”是音乐播放应用程序为用户推荐的音乐。用户“Kevin”可以收听由“个性电台”推荐的歌曲“ThisIsn’t the End”。

开始播放歌曲“This Isn’t the End”时，用户“Kevin”可点击进入该歌曲的播放界面，具体请参阅图4，图4为本发明实施例中音频信息播放的界面示意图，如图所示，图中显示的是用户“Kevin”在点击进入“个性电台”，在“个性电台”的界面上正显示播放的歌曲为“This Isn’t the End”。而界面下方包含有进度条，第一排选项从左至右分别为“切换上一首歌曲”、“暂停或播放”以及“切换下一首歌曲”，第二排从左至右的选项分别为“收藏”、“黑名单”、“下载”和“分享”。

需要说明的是，在实际应用中，不同音乐播放应用程序的界面显示会有所差异，此处仅为一个示意，并不应理解为对本发明方案的限定。

下面将从服务器的角度，对本发明中音频信息的推荐方法进行介绍，请参阅图5，本发明实施例中音频信息的推荐方法一个实施例包括：

201、接收移动终端发送的音频信息推荐请求；

本实施例中，服务器接收用户通过移动终端发送的音频信息推荐请求，其中，该音频信息推荐请求主要用于用户向服务器请求推荐音频信息。其中，这些音频信息可以体现为歌曲。

具体地，音频信息推荐请求可以为用户打开音乐播放应用程序后，通过成功登录账户来自动发起音频信息推荐请求，也可以是用户通过选择音乐播放应用程序中的音乐推荐来手动发起音频信息推荐请求。

202、若存在音频信息集合，则根据音频信息推荐请求从音频信息集合中获取第一音频信息，并获取第一音频信息的源音频模型分值；

本实施例中，服务器在接收到音频信息推荐请求后，首先会检测当前用户使用的移动终端上所安装的音乐播放应用程序中，是否存在音频信息集合，音频信息集合包括了用户已收藏的歌曲，用户已下载的歌曲，用户已标记为“喜欢”的歌曲，以及用户已分享的歌曲等。

具体地，在移动终端上安装的音乐播放应用程序可以向服务器上传用户收藏的音频信息，使得服务器获取已收藏的歌曲，又或者是服务器通过检测音频信息中是否携带标识来确定哪些音频信息是用户收藏的，在实际应用中，还可能存在其他的检测方式，此处不做限定。

若存在音频信息集合，那么服务器将根据接收到的音频信息推荐请求，从该音频信息集合中随机选择一个音频信息作为第一音频信息。

服务器获取第一音频信息后，也可以根据预先得到的进化型在线学习源音频模型，计算出第一音频信息的源音频模型分值。其中，进化型在线学习源音频模型是服务器根据该用户历史收听记录训练得到的，而源音频模型分值就是音频信息在进化型在线学习源音频模型中的分值。

203、若第一音频信息的源音频模型分值小于第一阈值门限，则根据第一音频信息确定第二音频信息，并获取第二音频信息的源创作模型分值；

本实施例中，服务器判断第一音频信息的源音频模型分值是否小于第一阈值门限，如果是，则可以根据第一音频信息与预先获取的歌曲间相似性数据，可以找到与第一音频信息相似的歌曲，并随机从中选择一个音频信息作为第二音频信息。

如果第一音频信息的源音频模型分值大于第一阈值门限，则从用户收藏的歌曲中再次获取下一个音频信息，并继续对下一个音频信息进行第一阈值门限的判断。

需要说明的是，当第一音频信息的源音频模型分值等于第一阈值门限时，既可以归于小于第一阈值门限，又可以归于大于第一阈值门限，需要预先确定该规则，此处不做限定。

与此同时，服务器还将根据进化型在线学习源创作模型获取第二音频信息的源创作模型分值，其中，进化型在线学习源创作模型是服务器根据该用户历史收听记录训练得到的，用户历史收听记录中也包括了用户听过的演艺歌手的记录，源创作模型分值就是第二音频信息的演艺歌手在进化型在线学习模型中的分值。

而确定第二音频信息的方法可以是基于元数据和基于内容两个方面入手，除了从表征音乐流派上研究音乐相似外，还可以考虑音乐活跃度因素，对与流派和活跃度相关的特征进行了多层次的分析和筛选。

204、若第二音频信息的源创作模型分值小于第二阈值门限，则将第二音频信息确定为目标音频信息，并推荐目标音频信息。

本实施例中，服务器进而判断第二音频信息的源创作模型分值是否小于第二阈值门限，如果小于第二阈值门限，则可以将第二音频信息确定为目标音频信息，并向用户推荐该目标音频信息。

如果第二音频信息的源创作模型分值大于第二阈值门限，则从用户收藏的歌曲中再次获取下一个音频信息，并先对下一个音频信息进行第一阈值门限的判断，在确定小于第一阈值门限后，继续进行第二阈值门限的判断。

需要说明的是，当第二音频信息的源创作模型分值等于第二阈值门限时，既可以归于小于第二阈值门限，又可以归于大于第二阈值门限，需要预先确定该规则，此处不做限定。

其中，如果将第二音频信息作为目标音频信息推荐给用户，则可以将第一音频信息确定为是第二音频信息的源歌曲，例如，歌曲A和歌曲B的相似性数据接近，若用户收藏了歌曲A，音乐播放应用程序推荐了歌曲B给用户，此时，歌曲A就是歌曲B的源歌曲。

本发明实施例中，提供了一种音频信息的推荐方法，具体为，首先服务器接收移动终端发送的音频信息推荐请求，若服务器检测到存在音频信息集合，则根据音频信息推荐请求获取第一音频信息，并获取第一音频信息的源音频模型分值，若第一音频信息的源音频模型分值小于第一阈值门限，则服务器根据第一音频信息进而确定第二音频信息，且若第二音频信息的源创作模型分值小于第二阈值门限，则服务器可以将第二音频信息确定为目标音频信息，并推荐该目标音频信息。服务器通过上述方式进行音频信息的推荐，不再单单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

可选地，在上述图5对应的实施例的基础上，本发明实施例提供的音频信息的推荐方法第一个可选实施例中，推荐目标音频信息之后，还可以包括：

接收用户对当前正在播放的目标音频信息首次触发的音频处理指令；

根据目标音频信息首次触发的音频处理指令，获取用户对第一音频信息的收听率；

若第一音频信息的收听率小于第一预设值，则将第一音频信息的源音频模型分值进行加分处理；

若第一音频信息的收听率大于第二预设值，则对第一音频信息的源音频模型分值进行减分处理，第一预设值小于第二预设值。

本实施例中，服务器在推荐目标音频信息之后，服务器将接收用户对当前正在播放的目标音频信息首次触发的音频处理指令，其中，音频处理指令包括了用户对该目标音频信息的收藏、下载、完整收听或者切歌，切歌就是用户在听完这首歌之前，跳至下一首歌曲。

服务器根据目标音频信息对应的音频处理指令，调整第一音频信息的源音频模型分值，比如，用户对目标音频信息进行了收藏或者下载，可以减少第一音频信息的源音频模型分值，如果用户对目标音频信息进行切歌，则可以增加第一音频信息的源音频模型分值，在实际应用中，还可以根据所有收听过目标音频信息的用户对该目标音频信息的完整收听率来调整第一音频信息的源音频模型分值。

其中，完整收听率＝完整收听过X歌曲的人数/听过X歌曲的总人数

具体地，很多情况下，用户可以在一个音频信息播放的过程中，对其进行收藏、下载、完整收听或者切歌等操作，这一类对同一个音频信息播放过程中所做的操作称为流水操作。而本发明中，只以用户对目标音频信息做出的第一次操作视为有效的操作，例如，一个音频信息会有多条操作上报，用户可以先收藏，再切歌，这样就会上报两次操作，于是本发明中只以收藏的操作为准，并进行记录，而后续的操作将不对目标音频信息对应的源歌曲产生影响。服务器可以记录下目标音频信息的身份识别号(英文全称：identification，英文缩写：ID)，后续则无需重复记录该目标音频信息的ID对应的操作。

服务器调整第一音频信息的源音频模型分值具体可以采用如下方式实现：

服务器首先根据目标音频信息确定第一音频信息，然后根据目标音频信息对应的音频处理指令，获取当前收听该目标音频文件的用户对第一音频信息的收听率，即通过音频处理指令得知用户对目标音频信息做了什么样的操作，该操作直接影响了第一音频信息的收听率大小。如果，当前收听目标音频信息的用户对目标音频文件做了切换操作，则目标音频信息对应的第一音频信息收听率将减少，反之，如果当前收听目标音频信息的用户对目标音频信息进行收藏、分享或者下载，那么第一音频信息收听率也得到提升。

如果第一音频信息的收听率小于第一预设值，则对第一音频信息的源音频模型分值进行加分处理，反之，如果第一音频信息的收听率大于第二预设值，则对第一音频信息的源音频模型分值进行减分处理，而且第一预设值小于第二预设值。当第一音频信息的收听率大于或等于第一预设值，且小于或等于第二预设值时，则可以不对第一音频信息的源音频模型分值进行处理。

具体地，假设第一音频信息的收听率为58％，第一预设值为10％，则第一音频信息的收听率大于第一预设值，于是需要对第一音频信息的源音频模型分值进行减分处理。可以采用如下公式进行计算：

y＝-0.137-0.332*完整收听次数+0.093*切歌次数-0.892*收藏次数

其中，y表示第一音频信息的源音频模型分值所加的分值；

完整收听次数为用户在一段设定时间内的完整收听第一音频信息的次数，该用户为当前收听目标音频文件的用户；

切歌次数为该用户在这段设定时间内将第一音频信息切换至其他音频信息的次数；

收藏次数为该用户在这段设定时间内收藏第一音频信息的次数。

可以理解的是，设定的时间通常可以是以天数为单位的一段时间。

本发明实施例中，服务器推荐目标音频信息之后，还可以接收用户对当前正在播放的目标音频信息首次触发的音频处理指令，并根据目标音频信息首次触发的音频处理指令，获取用户对第一音频信息的收听率，如果第一音频信息的收听率小于第一预设值，则将第一音频信息的源音频模型分值进行加分处理，反之，如果第一音频信息的收听率大于第二预设值，则对第一音频信息的源音频模型分值进行减分处理。通过上述方式，服务器可以根据用户收听目标音频信息的操作来实时调整源歌曲的源音频模型分值，当源音频模型分值超过一定阈值时，在下一批歌曲推荐的时候将排除源歌曲，以此提升方案的实时性，另外，服务器无需根据用户多次对同一目标音频信息发出的音频处理指令进行处理，而是只记录最初的一个音频处理指令即可，从而节省了服务器的计算资源。

可选地，在上述图5对应的实施例的基础上，本发明实施例提供的音频信息的推荐方法第二个可选实施例中，接收移动终端发送的音频信息推荐请求之后，还可以包括：

若不存在音频信息集合，则从精选池集合中获取预置数量的音频信息；

按照语种模型分值的占比，从预置数量的音频信息确定并推荐第三音频信息。

本实施例中，服务器接收到移动终端发送的音频信息推荐请求之后，将检测用户当前使用的移动终端中所安装的音乐播放应用程序内，是否存在音频信息集合，即检测用户是否收藏了歌曲。

如果不存在音频信息集合，则服务器会根据语种模型分值的占比，从精选池中获取预置数量的音频信息，然后按照一定的比例从预置数量的音频信息中选择第三音频信息进行推荐。其中，精选池是冷启动或者降级用户因为无法采用算法计算推荐歌曲，只能采用编辑选好的精选歌曲进行推荐。冷启动是指新用户进入音乐播放应用程序时，因为没有可以计算的数据，无法做算法推荐。降级用户则是指部分用户虽然有收藏歌曲，但是收藏的数量较少，且收藏的歌曲的相似歌曲已经做了推荐，算法无法计算更多的推荐歌曲，则这类用户会进行降级。

具体地，例如精选池中有两种语言的歌曲，分别为中文歌曲和英文歌曲，其中，假设根据用户的历史行为计算得到中文歌曲的语种模型分值为80分，英文歌曲的语种模型分值为20分，就会按4:1的中英比例从精选池中获取预置数量的音频信息，可以是4首中文歌曲和1首英文歌曲，然后随机从中选取一首歌曲进行推送，由此，也就是选中中文歌曲的概率是选中英文歌曲概率的四倍，在根据语种模型分值的占比根据选取了一首歌曲之后，服务器还将进一步考虑源创作模型分值是否小于第二阈值门限，如果小于第二阈值门限，则推荐这首歌曲，如果大于第二阈值门限，则需要重新根据语种模型分值的占比选取一首歌曲。

需要说明的是，预置数量的音频信息可以根据实际情况来选择，此处的4首中文歌曲和1首英文歌曲仅为一个示意，并不应理解为对本发明的限定。

每当用户每听五首歌，服务器都会根据用户分别对这五首歌的操作来更新语种模型分值，如果用户在听某首歌曲时做了切换操作，那么该歌曲对应的语种模型得分将减去10分，如果对该歌曲做了收藏、下载或者分享的操作，则将该歌曲对应的预置模型得分加上10分，例如，用户切了一首中文歌，但是收藏了两首英文歌，则中文歌曲的语种模型分值为70分，英文歌曲的语种模型分值为40分，于是用户在下次接收推荐歌曲的时候比例会更新为中英比7：4，。

可以理解的是，用户在歌曲进行切换、收藏、下载或者分享的操作时，会对歌曲的语种模型分值产生变化，而变化的语种模型分值可以根据不同的情况进行设定，本实施例中的“加10分”或“减10分”仅为一个示意，不应理解为对本发明的限定。

需要说明的是，通常情况下每次可以计算用户收听的五个音频信息的语种模型分值，从而实时调整语种模型分值的占比，在实际应用中，也可能计算其他个数的音频信息来调整语种模型分值的占比，此处不作限定。

本发明实施例中，服务器接收移动终端发送的音频信息推荐请求之后，若不存在音频信息集合，则从精选池集合中获取预置数量的音频信息，按照语种模型分值的占比，从预置数量的音频信息中确定并推荐第三音频信息。通过上述方式，针对用户没有收藏歌曲的情况如何推荐目标音频信息的方法也做了介绍，以此增强了方案的灵活性和可行性，同时，还考虑到了语种模型分值，由于用户对推荐歌曲的语种也是很敏感的，本方案会动态根据用户对不同语种的反馈，及时发现用户喜欢的语种，并反映在推荐的歌曲中，从而提升了方案的实用性。

可选地，在上述图5对应的第二个实施例的基础上，本发明实施例提供的音频信息的推荐方法第三个可选实施例中，还可以包括：

若进行加分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内；

或，

若进行减分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内。

本实施例中，无论服务器对第一音频信息的源音频模型分值进行了加分处理，或者是对第一音频信息的源音频模型分值进行了减分处理，又或者是未对第一音频信息的源音频模型分值进行任何处理，都需要服务器再次检测其源音频模型分值是否大于第一阈值门限。如果没有对第一音频信息的源音频模型分值进行加分或者减分的处理，那么在获取第一音频信息的源音频模型分值后，即可先判断该源音频模型分值是否大于第一阈值门限，如果大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内，也就是在第一预置时间内不会将第一音频信息作为源歌曲。

需要说明的是，当第一音频信息的源音频模型分值等于第一阈值门限时，可以根据用户预设的规则来决定是否需要在第一预置时间内从音频信息集合中过滤第一音频信息，此处可认为源音频模型分值等于第一阈值门限时，仍能够根据第一音频信息确定第二音频信息，不对第一音频信息做屏蔽处理。

具体地，假设第一阈值门限为50，如果进行加分处理后的第一音频信息的源音频模型分值为60，则第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间段，将第一音频信息从音频信息集合中做过滤处理，其中，第一预置时间段具体可以是小时数或者天数，例如M天，M为大于或等于1的正数，通常情况可以设置为2或者3，实际应用中还可以是其他值，此处不做限定。

如果进行减分处理后的第一音频信息的源音频模型分值为40，第一音频信息的源音频模型分值小于第一阈值门限，则不对第一音频信息进行屏蔽，并且可以直接输出第一音频信息的源音频模型分值。

本发明实施例中，服务器还可对进行分值处理后的第一音频信息的源音频模型分值进行判断，若进行加分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内，或者，若进行减分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内。通过上述方式可以对大于第一阈值的第一音频信息进行一段时间的屏蔽，也就是说，对于收听率较低的第一音频信息而言，可以减小甚至暂停对其的处理，从而节省服务器的计算资源，并提升服务器的计算能力。

为便于理解，下面以一个具体应用场景对本发明中一种音频信息的推荐方法进行详细描述，请参阅图6，图6为应用场景中确定源音频模型分值的一个流程示意图，具体为：

步骤301中，用户甲选择在手机上安装一款音乐播放应用程序，该音乐播放应用程序具有个性化电台的功能，即为用户推荐他们可能喜欢的音乐。本应用场景中，当用户预先收藏了歌曲，于是用于音乐推荐的服务器，将开始对源歌曲的源音频模型分值进行确定，在得到源音频模型分值后再做后续的判断，后续的操作将在图7对应的应用场景中进行说明，本应用场景主要介绍如何确定源音频模型分值。

步骤302中，服务器先将源歌曲的源音频模型分值进行初始化处理，初始化后的源音频模型分值为0。

步骤303中，服务器判断用户甲对当前音乐播放应用程序正在播放的歌曲A所进行的操作，是否为上一次对其进行过的类似操作，若存在类似操作，则进入步骤317，没有类似操作，则进入步骤304，类似操作可以是收藏、下载、分享和切歌等，对一首歌可以有多个操作，此处仅记录下第一次的操作所对应歌曲A的ID。

步骤304中，服务器获取到当前音乐播放应用程序正在播放的歌曲A的ID后，可以通过歌曲之间的相似性数据，找到该歌曲的源歌曲B的ID。

步骤305中，进而开始判断用户的行为。

步骤306中，如果在步骤305中，判断得到用户甲将当前播放的歌曲A拖放至“垃圾桶”，那么可以将这首歌曲的源歌曲B的ID直接拉入黑名单。

步骤307中，如果用户甲在步骤305中选择继续听歌，那么需要判断用户甲的收听情况，可以根据收听情况对源歌曲的源音频模型分值进行确定。

根据逻辑回归模型训练用户甲历史行为数据，可以得到一个用于计算源歌曲的源音频模型分值公式：

a＝-0.137-0.332*完整收听次数+0.093*切歌次数-0.892*收藏次数

步骤308中，假设用户甲对当前播放的歌曲A进行了不同的操作，其中，在用户甲的历史记录中完整收听了歌曲A 10次，切换歌曲A2次，收藏歌曲A 3次，于是计算得到y为-5.947，即计算得到源歌曲B的源音频模型分值为-5.947。

步骤309中，如果服务器检测到当前播放歌曲A的收听率，在用户甲的历史记录中大于0.8，同样可以采用源音频模型分值公式计算得到a值，假设完整收听次歌曲A数为20次，切换歌曲A为2次，收藏歌曲A为0次，于是a为-6.591，即源歌曲B的源音频模型分值-x为-6.591。

步骤310中，记录下-5.947对应的当前播放歌曲ID。

步骤311中，如果服务器检测到当前播放歌曲A的收听率，在用户甲的历史记录中小于0.1，同样可以采用源音频模型分值公式计算得到a值，假设完整收听歌曲A为1次，切换歌曲A为50次，收藏歌曲A为0次，于是a为4.181，即源歌曲B的的源音频模型分值a为4.181。

步骤312中，记录下-6.591对应的当前播放歌曲ID。

步骤313中，判断-5.947、4.181或-6.591是否大于H，H可以是2，若是，则进入步骤314，若否，则进入步骤315。

步骤314中，若计算得到的源音频模型分值大于2，则屏蔽源歌曲M天，其中，M可以是1天。

步骤315中，完成对源音频模型分值的确定。

步骤316中，完成对源音频模型分值的确定。

步骤317中，完成对源音频模型分值的确定。

可选地，在上述图5对应的实施例基础上，本发明实施例提供的音频信息的推荐方法第四个可选实施例中，推荐目标音频信息之后，还可以包括：

确定目标音频信息对应的创作对象；

获取创作对象所创作的音频信息的收听率；

若创作对象所创作的音频信息的收听率小于第三预设值，则将创作对象的源创作模型分值进行加分处理；

若创作对象所创作的音频信息的收听率小于第四预设值，则将创作对象的源创作模型分值进行减分处理，第三预设值小于第四预设值。

本实施例中，服务器推荐了目标音频信息之后，还接收用户通过移动终端触发的对目标音频信息对应的音频处理指令，其中，目标音频信息对应的音频处理指令包括了用户对该目标音频信息的收藏、下载、完整收听或者切歌。

服务器判断目标音频信息对应的音频处理指令是否与上一条记录的目标音频信息对应的音频处理指令相同，也就是服务器判断用户对目标音频信息发出的音频处理指令是否已经出现过，服务器只记录用对目标音频信息的发起的第一个音频处理指令。

服务器通过接收到的目标音频信息的音频处理指令，来确定目标音频信息对应的创作对象，其中，创作对象具体可以是指歌手。进而服务器获取收到推荐的用户在历史操作中，对这位创作对象的所创作的音频信息的收听率，其中，在计算创作对象的所创作的音频信息的收听率时，也可以考虑用户对当前播放的目标音频信息的第一个音频处理指令所带来的影响。

如果创作对象所创作的音频信息的收听率小于第三预设值，则对创作对象的源创作模型分值进行加分处理，反之，如果创作对象所创作的音频信息的收听率大于第四预设值，则对创作对象的源创作模型分值进行减分处理，而且第三预设值小于第四预设值。当创作对象所创作的音频信息的收听率大于或等于第三预设值，且小于或等于第四预设值时，则可以不对创作对象的源创作模型分值进行处理。

通常情况下，音频信息都具有对应的创作对象，可以通过不同的创作对象来获取不同音频信息的源创作模型分值，

本发明实施例中，服务器推荐目标音频信息之后，还可以确定目标音频信息对应的创作对象，然后获取创作对象所创作的音频信息的收听率，若创作对象所创作的音频信息的收听率小于第三预设值，则将创作对象的源创作模型分值进行加分处理，若创作对象所创作的音频信息的收听率小于第四预设值，则将创作对象的源创作模型分值进行减分处理。通过上述方式，服务器可以对创作对象的源创作模型分值进行实时的动态调整，使得每次给用户推荐歌曲时，都能够合理的确定不同音频信息对应的源创作模型分值，以使服务器根据不同用户对不同歌手的偏好来推荐歌曲，从而提升了方案的实用性。

可选地，在上述图5对应的第四个实施例的基础上，本发明实施例提供的音频信息的推荐方法第五个可选实施例中，还可以包括：

若进行加分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息；

或，

若进行减分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息。

本实施例中，无论服务器对创作对象的源创作模型分值进行了加分处理，或者是对创作对象的源创作模型分值进行了减分处理，又或者是未对创作对象的源创作模型分值进行任何处理，都需要服务器检测其源创作模型分值是否大于第二阈值门限。如果没有对创作对象的源创作模型分值进行加分或者减分的处理，那么在获取创作对象的源创作模型分值后，即可判断该源创作模型分值是否大于第二阈值门限。

需要说明的是，当创作对象的源创作模型分值等于第二阈值门限时，可以根据用户预设的规则来决定是否需要在第二预置时间内从音频信息集合中过滤该创作对象所创作的音频信息，此处可认为创作对象的源创作模型分值等于第一阈值门限时，对该创作对象做屏蔽处理。

假设第二阈值门限为50，如果进行加分处理后的创作对象的源创作模型分值为60，则创作对象的源创作模型分值大于第二阈值门限，则将该创作对象所创作的音频信息屏蔽第二预置时间段。

如果进行减分处理后的创作对象的源创作模型分值为40，创作对象的源创作模型分值小于第二阈值门限，则不对该创作对象所创作的音频信息进行屏蔽，即可以推送该创作对象所创作的音频信息。

可以理解的是，第二预置时间段具体可以是小时数或者天数，例如M天，M为大于或等于1的正数，通常情况可以设置为2或者3，实际应用中还可以是其他值，此处不做限定。

本发明实施例中，服务器还可对进行分值处理后的创作对象的源创作模型分值进行判断，若进行加分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息，或若进行减分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息。通过上述方式可以对源创作模型分值大于第二阈值门限的创作对象所创作的音频信息进行一段时间的屏蔽，也就是说，需求收听率低的创作对象而言，可以减小甚至暂停对其的处理，从而提升服务器的计算能力。

为便于理解，下面以一个具体应用场景对本发明中一种音频信息的推荐方法进行详细描述，请参阅图7，图7为应用场景中确定源创作模型分值的一个流程示意图，具体为：

步骤401中，用户甲选择在手机上安装一款音乐播放应用程序，该音乐播放应用程序具有个性化电台的功能，即为用户推荐他们可能喜欢的音乐。本应用场景中，当用户预先收藏了歌曲，于是用于音乐推荐的服务器，将在源歌曲的源音频模型分值满足条件之后，对与源歌曲关联的另一首歌曲进行源创作模型分值的确定。

步骤402中，服务器先将歌曲的歌手分数，即源创作模型分值进行初始化处理，初始化后的源创作模型分值为0。

步骤403中，服务器判断用户甲对当前音乐播放应用程序正在播放的歌曲A所进行的操作，是否为上一次对其进行过的类似操作，若存在类似操作，则进入步骤417，没有类似操作，则进入步骤404，类似操作可以是收藏、下载、分享和切歌等，对一首歌可以有多个操作，此处仅记录下第一次的操作所对应歌曲A的ID。

步骤404中，，服务器获取到当前音乐播放应用程序正在播放的歌曲A的ID后，进一步获取到歌曲A所对应的歌手ID。

步骤405中，进而开始判断用户的行为。

步骤406中，如果在步骤405中，判断得到用户甲将当前播放的歌曲拖放至“垃圾桶”，那么可以将这首歌曲的歌手ID直接拉入黑名单。

步骤407中，如果用户甲在步骤405中选择继续听歌，那么需要判断用户甲的收听情况，可以根据收听情况对歌曲的源创作模型分值进行确定。

根据逻辑回归模型训练用户甲历史行为数据，可以得到一个用于计算歌曲的源创作模型分值公式：

b＝-0.137-0.332*完整收听次数+0.093*切歌次数-0.892*收藏次数

步骤408中，假设用户甲对当前播放的歌曲进行了收藏、下载或者分享，其中，完整收听了10次，切歌2次，收藏3次，于是计算得到b为-5.947，即歌曲的源创作模型分值为-5.947，其中，完整收听次数、切歌次数和收藏次数并不是针对b值，而是针对用户甲在历史记录中听到的该歌手创作的歌曲所做的操作。

步骤409中，如果服务器检测到当前播放歌曲的收听率用户甲的历史记录中收听率大于0.8，同样可以采用源创作模型分值公式计算得到b值，假设完整收听次数为20次，切歌为2次，收藏为0次，于是b为-6.591，即源歌曲的源音频模型分值-x为-6.591。

步骤410中，记录下-5.947对应的当前播放歌曲ID。

步骤411中，如果服务器检测到当前播放歌曲的收听率用户甲的历史记录中收听率小于0.1，同样可以采用源创作模型分值公式计算得到b值，假设完整收听次数为1次，切歌为50次，收藏为0次，于是b为4.181，即歌曲的源创作模型分值为4.181。

步骤412中，记录下-6.591对应的当前播放歌曲ID。

步骤413中，判断-5.947、4.181和-6.591是否大于H，H可以是2。

步骤414中，若计算得到的源创作模型分值大于2，则屏蔽该歌手的歌曲M天，其中，M可以是1天。

步骤415中，完成对源创作模型分值的确定。

步骤416中，完成对源创作模型分值的确定。

步骤417中，完成对源创作模型分值的确定。

可选地，在上述图6对应的第二个实施例基础上，本发明实施例提供的音频信息的推荐方法第六个可选实施例中，还可以包括：

当检测到当前正在播放的音频信息为首次获取时，则对当前正在播放的音频信息的语种模型分值进行初始化处理。

本实施例中，服务器还需要检测正在播放的音频信息的语种模型分值的获取是否属于首次获取，如果是，则还需要对正在播放的音频信息的语种模型分值进行初始化处理。

通常情况下，对用户收藏的歌曲所对应的初始化源音频模型分值和初始化源创作模型分值设置为0，而对精选池中的各个音频信息的初始化语种模型分值设置为大于0的数值，例如对于中文歌曲的初始化语种模型分值设置为120，而对英文歌曲的初始化语种模型分值设置为40，此处仅为一个示意，并不构成对本发明方案的限定。

本发明实施例中，当服务器检测到当前正在播放的音频信息为首次获取时，则对当前正在播放的音频信息的语种模型分值进行初始化处理。通过上述方式，服务器能够合理地计算出精选池中音频信息的预置模型分值，以此提升方案的实用性。

为便于理解，下面以一个具体应用场景对本发明中一种音频信息的推荐方法进行详细描述，请参阅图8，图8为应用场景中确定语种模型分值的一个流程示意图，具体为：

步骤501中，用户甲选择在手机上安装一款音乐播放应用程序，该音乐播放应用程序具有个性化电台的功能，即为用户推荐他们可能喜欢的音乐。本应用场景中，当用户没有收藏了，于是用于音乐推荐的服务器从精选池中为用户推荐歌曲，需要开始对精选池中歌曲的语种模型分值进行确定。

步骤502中，服务器首先判断用户甲是否是第一次使用个性化电台，如果是，则进入步骤503，如果不是，则进入步骤504.

步骤503中，当用户甲是第一次使用个性化电台时，服务器会初始化语种模型分值，假设当前精选池中仅有两个语种，英文与中文，初始化英文的语种模型分值为120分，中文的语种模型分值为40分。

步骤504中，如果用户甲不是第一次使用个性化电台，服务器判断用户甲对当前音乐播放应用程序正在播放的歌曲所进行的操作，是否为上一次对其进行过的类似操作，若存在类似操作，则进入步骤505，没有类似操作，则进入步骤506，类似操作可以是收藏、下载、分享和切歌等，对一首歌可以有多个操作，此处仅记录下第一次的操作所对应歌曲ID。

步骤505中，完成对语种模型分值的确定。

步骤506中，服务器进一步判断用户甲的操作行为。

步骤507中，如果在步骤506中，用户甲对当前播放的歌曲进行收藏、分享或者下载，则将该歌曲的听歌时长设置为最大值。

步骤508中，如果在步骤506中，用户甲将当前播放的歌曲放入了“垃圾桶”，则将该歌曲的听歌时长设置为0。

步骤509中，如果在步骤506中，用户甲仍在听歌，则服务器进一步判断用户甲当前的收听情况。

步骤510中，如果用户甲对当前播放歌曲的收听率大于或等于0.1，且小于或等于0.8，则完成对语种模型分值的确定。

步骤511中，如果用户甲对当前播放歌曲的收听率大于0.8，则继续判断当前播放的歌曲是否为中文歌或者英文歌，如果是，则进入步骤512，如果不是，则进入步骤513。

步骤512中，若当前播放的歌曲是中文歌曲或者英文歌曲，则为该歌曲的语种模型分值加10分，最高能加到140分为止。

步骤513中，若当前播放的歌曲不是中文歌曲或者英文歌曲，则为该歌曲的语种模型分值加5分，最高加到80分为止。

步骤514中，如果用户甲对当前播放歌曲的收听率小于0.1，则服务器继续判断是否为中文歌曲或者英文歌曲，若是，则进入步骤516，若否，则跳转至步骤515。

步骤515中，如果当前播放的歌曲不是中文歌曲或者英文歌曲，则为该歌曲的语种模型分值减10分，最低减到0分为止。

步骤516中，如果当前播放的歌曲是中文歌曲或者英文歌曲，则判断当前播放歌曲的语种模型分值是否大于35，若是，则进入步骤517，若否，则进入步骤518。

步骤517中，如果当前播放歌曲的语种模型分值大于35，则对该歌曲的语种模型分值减10分。

步骤518中，如果当前播放歌曲的语种模型分值小于或等于35，则对该歌曲的语种模型分值减5分，最小减至10分。

步骤519中，完成对语种模型分值的确定。

为了便于理解，请参阅图9，图9为本发明实施例中音频信息的推荐方法一个流程示意图，下面将针对图9对本发明中的音频信息的推荐方法进行介绍：

步骤601，服务器首先获取音频信息集合，其中，音频信息集合具体可以为用户推荐列表，用户推荐列表中包括了用户的流水数据，例如用户收藏的歌曲以及用户完整收听过的歌曲；

步骤602，服务器在获取用户推荐列表的同时，还可以获取各个歌曲之间的相似性数据，其中相似性数据主要用于确定各个歌曲之间的关联度；

步骤603，在服务器获取到用户推荐列表以及歌曲间相似性数据后，检测在步骤601中获取到的用户推荐列表内是否存在用户已收藏的歌曲，或者用户已下载的歌曲，或者用户已标记为“喜欢”的歌曲，又或者是用户已分享的歌曲等，若是，则进入步骤604，若否，则跳转至步骤608；

步骤604，如果用户收藏过歌曲，则服务器继续检测收藏的歌曲A在模型中的源音频模型分值是否大于第一阈值门限，其中，歌曲A可以是服务器随机从用户收藏歌曲中选取的，如果歌曲A在模型中的源音频模型分值大于第一阈值门限，则转至步骤603，即由服务器从收藏歌曲中重新选择一首歌曲，若歌曲A在模型中的源音频模型分值小于第一阈值门限，则进入步骤605；

步骤605，利用各个歌曲之间的相似性数据确定与歌曲A相似的歌曲B，具体地，通常情况下，先获取各个歌曲与歌曲A的相似性数据，并将相似性数据最大的一首歌曲作为歌曲B，如果出现有多首歌曲与歌曲A之间的相似性数据相等时，则可以随机从中选取一首歌曲作为歌曲B，也可以在这几首相似性数据相等的歌曲中，选择最先检测到相似性数据的歌曲作为歌曲B；

步骤606，服务器进一步检测歌曲B的演艺歌手在模型中的源创作模型分值是否大于第二阈值门限，如果大于第二阈值门限，则转至步骤603，由服务器从收藏歌曲中重新选择一首歌曲，如果小于第二阈值门限，则进入步骤607；

步骤607，推荐歌曲B给用户；

在向用户推荐了歌曲B之后，服务器将继续根据用户对歌曲B的操作来调整歌曲A的源音频模型分值和源创作模型分值，歌曲A的源音频模型分值初始值可设置为0，源创作模型分值的初始值也可设置为0，经过用户操作后，歌曲A的源音频模型分值和源创作模型分值可能会发生变化，服务器需要不断地进行迭代计算并且实时根据用户操作来更新源歌曲的源音频模型分值和源创作模型分值；

步骤608，如果用户没有收藏歌曲，则服务器获取精选池中的歌曲；

步骤609，假设精选池中有中文歌曲、英文歌曲和韩文歌曲，可以根据用户对每个语种歌曲的历史操作确定每个模型的语种模型分值，若中文歌曲为120分，英文歌曲为60分，韩文歌曲为40分，那么不同语种所占的比例为，中文歌曲：英文歌曲：韩文歌曲＝6:3:2；

步骤610，服务器根据不同语种所占的比例，从精选池中先获取预置数量的歌曲，例如获取了22首歌曲，于是在这22首歌曲中，中文歌曲有12首，英文歌曲有6首，韩文歌曲有4首，服务器从22首歌曲中随机选择一首歌曲作为待推荐的歌曲B；

步骤611，服务器进一步检测歌曲B的演艺歌手在模型中的源创作模型分值是否大于第二阈值门限，如果大于第二阈值门限，则转至步骤610，由服务器从收藏歌曲中重新选择一首歌曲，如果小于第二阈值门限，则进入步骤612；

步骤612，推荐歌曲B给用户；

在向用户推荐了歌曲B之后，服务器将继续根据用户对歌曲B的操作来调整语种模型分值，不同语种的语种模型分值初始值可设置为不同的值，经过用户操作后，不同语种的语种模型分值可能会发生变化，服务器需要不断地进行迭代计算并且实时根据用户操作来更新不同语种的语种模型分值。

下面对本发明中的服务器进行详细描述，请参阅图10，本发明实施例中提供了一种服务器，服务器包括：

第一接收模块701A，用于接收移动终端发送的音频信息推荐请求；

第一获取模块701B，用于若存在音频信息集合，则根据所述第一接收模块701A接收的所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

第二获取模块701C，用于若所述第一获取模块701B获取的所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

推荐模块701D，用于若所述第二获取模块701C获取的所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

本实施例中，第一接收模块701A接收移动终端发送的音频信息推荐请求，若存在音频信息集合，则第一获取模块701B根据所述第一接收模块701A接收的所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值，若所述第一获取模块701B获取的所述第一音频信息的源音频模型分值小于第一阈值门限，则第二获取模块701C根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值，若所述第二获取模块701C获取的所述第二音频信息的源创作模型分值小于第二阈值门限，则推荐模块701D将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

本发明实施例中，提供了一种音频信息的推荐方法，具体为，首先服务器接收移动终端发送的音频信息推荐请求，若服务器检测到存在音频信息集合，则根据音频信息推荐请求获取第一音频信息，并获取第一音频信息的源音频模型分值，若第一音频信息的源音频模型分值小于第一阈值门限，则服务器根据第一音频信息进而确定第二音频信息，且若第二音频信息的源创作模型分值小于第二阈值门限，则服务器可以将第二音频信息确定为目标音频信息，并推荐该目标音频信息。服务器通过上述方式进行音频信息的推荐，不再单单考虑音频信息之间的相似性，而是考虑音频信息之间的源音频模型分值和源创作模型分值是否都满足阈值门限，即增加了其他的权重值作为音频信息推荐的关键，从而使得推荐结果更佳。

可选地，在上述图10所对应的实施例的基础上，请参阅图11，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第二接收模块702A，用于所述推荐模块701D推荐所述目标音频信息之后，接收用户对所述目标音频信息首次触发的音频处理指令；

第三获取模块702B，用于根据所述第二接收模块702A接收的所述目标音频信息首次触发的音频处理指令，获取用户对所述第一音频信息的收听率；

第一加分模块702C，用于若所述第三获取模块702B获取的所述第一音频信息的收听率小于第一预设值，则将所述第一音频信息的源音频模型分值进行加分处理；

第一减分模块702D，用于若所述第三获取模块702B获取的所述第一音频信息的收听率大于第二预设值，则对所述第一音频信息的源音频模型分值进行减分处理，所述第一预设值小于所述第二预设值。

本发明实施例中，服务器推荐目标音频信息之后，还可以接收用户对当前正在播放的目标音频信息首次触发的音频处理指令，并根据目标音频信息首次触发的音频处理指令，获取用户对第一音频信息的收听率，如果第一音频信息的收听率小于第一预设值，则将第一音频信息的源音频模型分值进行加分处理，反之，如果第一音频信息的收听率大于第二预设值，则对第一音频信息的源音频模型分值进行减分处理。通过上述方式，服务器可以根据用户收听目标音频信息的操作来实时调整源歌曲的源音频模型分值，当源音频模型分值超过一定阈值时，在下一批歌曲推荐的时候将排除源歌曲，以此提升方案的实时性，另外，服务器无需根据用户多次对同一目标音频信息发出的音频处理指令进行处理，而是只记录最初的一个音频处理指令即可，从而节省了服务器的计算资源。

可选地，在上述图10所对应的实施例的基础上，请参阅图12，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第四获取模块703A，用于所述第一接收模块701A接收移动终端发送的音频信息推荐请求之后，若不存在所述音频信息集合，则从精选池集合中获取预置数量的音频信息；

第一确定模块703B，用于按照语种模型分值的占比，从所述第四获取模块703A获取的所述预置数量的音频信息中确定并推荐第三音频信息。

本发明实施例中，服务器接收移动终端发送的音频信息推荐请求之后，若不存在音频信息集合，则从精选池集合中获取预置数量的音频信息，按照语种模型分值的占比，从预置数量的音频信息中确定并推荐第三音频信息。通过上述方式，针对用户没有收藏歌曲的情况如何推荐目标音频信息的方法也做了介绍，以此增强了方案的灵活性和可行性，同时，还考虑到了语种模型分值，由于用户对推荐歌曲的语种也是很敏感的，本方案会动态根据用户对不同语种的反馈，及时发现用户喜欢的语种，并反映在推荐的歌曲中，从而提升了方案的实用性。

可选地，在上述图11所对应的实施例的基础上，请参阅图13，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第一处理模块704A，用于若所述第一加分模块702C进行加分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内；

或，

第二处理模块704B，用于若所述第一减分模块702D进行减分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内。

本发明实施例中，服务器还可对进行分值处理后的第一音频信息的源音频模型分值进行判断，若进行加分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内，或者，若进行减分处理后的第一音频信息的源音频模型分值大于第一阈值门限，则在第一预置时间内将第一音频信息的源音频模型分值保持在大于第一阈值门限的范围内。通过上述方式可以对大于第一阈值的第一音频信息进行一段时间的屏蔽，也就是说，对于收听率较低的第一音频信息而言，可以减小甚至暂停对其的处理，从而节省服务器的计算资源，并提升服务器的计算能力。

可选地，在上述图10所对应的实施例的基础上，请参阅图14，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第二确定模块705A，用于所述推荐模块701D推荐所述目标音频信息之后，确定所述目标音频信息对应的创作对象；

第五获取模块705B，用于获取所述第二确定模块705A确定的所述创作对象所创作的音频信息的收听率；

第二加分模块705C，用于若所述第五获取模块705B获取所述创作对象所创作的音频信息的收听率小于第三预设值，则将所述创作对象的源创作模型分值进行加分处理；

第二减分模块705D，用于若所述第五获取模块705B获取所述创作对象所创作的音频信息的收听率大于第四预设值，则将所述创作对象的源创作模型分值进行减分处理，所述第三预设值小于所述第四预设值。

本发明实施例中，服务器推荐目标音频信息之后，还可以确定目标音频信息对应的创作对象，然后获取创作对象所创作的音频信息的收听率，若创作对象所创作的音频信息的收听率小于第三预设值，则将创作对象的源创作模型分值进行加分处理，若创作对象所创作的音频信息的收听率小于第四预设值，则将创作对象的源创作模型分值进行减分处理。通过上述方式，服务器可以对创作对象的源创作模型分值进行实时的动态调整，使得每次给用户推荐歌曲时，都能够合理的确定不同音频信息对应的源创作模型分值，以使服务器根据不同用户对不同歌手的偏好来推荐歌曲，从而提升了方案的实用性。

可选地，在上述图14所对应的实施例的基础上，请参阅图15，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第三处理模块706A，用于若所述第二加分模块705C进行加分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在第二预置时间段内不推荐所述创作对象所创作的音频信息；

或，

第四处理模块706B，用于若所述第二减分模块705D进行减分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在所述第二预置时间段内不推荐所述创作对象所创作的音频信息。

本发明实施例中，服务器还可对进行分值处理后的创作对象的源创作模型分值进行判断，若进行加分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息，或若进行减分处理后的创作对象的源创作模型分值大于第二阈值门限，则在第二预置时间段内不推荐创作对象所创作的音频信息。通过上述方式可以对源创作模型分值大于第二阈值门限的创作对象所创作的音频信息进行一段时间的屏蔽，也就是说，需求收听率低的创作对象而言，可以减小甚至暂停对其的处理，从而提升服务器的计算能力。

可选地，在上述图12所对应的实施例的基础上，请参阅图16，本发明实施例提供的服务器的另一实施例中，

所述服务器70还包括：

第五处理模块707A，用于当检测到当前正在播放的音频信息为首次获取时，则对所述当前正在播放的音频信息的语种模型分值进行初始化处理。

本发明实施例中，当服务器检测到当前正在播放的音频信息为首次获取时，则对当前正在播放的音频信息的语种模型分值进行初始化处理。通过上述方式，服务器能够合理地计算出精选池中音频信息的预置模型分值，以此提升方案的实用性。

图17是本发明实施例提供的一种服务器结构示意图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(英文全称：centralprocessing units，英文缩写：CPU)822(例如，一个或一个以上处理器)和存储器832，一个或一个以上存储应用程序842或数据844的存储介质830(例如一个或一个以上海量存储设备)。其中，存储器832和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器822可以设置为与存储介质830通信，在服务器800上执行存储介质830中的一系列指令操作。

服务器800还可以包括一个或一个以上电源826，一个或一个以上有线或无线网络接口850，一个或一个以上输入输出接口858，和/或，一个或一个以上操作系统841，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

上述实施例中由服务器所执行的步骤可以基于该图17所示的服务器结构。

中央处理器822用于，

接收移动终端发送的音频信息推荐请求；

若存在音频信息集合，则根据所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

若所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

若所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (15)

1.一种音频信息的推荐方法，其特征在于，包括：

接收移动终端发送的音频信息推荐请求；

若存在音频信息集合，则根据所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

若所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息与预先获取的歌曲间相似性数据确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

若所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

2.根据权利要求1所述的方法，其特征在于，所述推荐所述目标音频信息之后，所述方法还包括：

接收用户对所述目标音频信息首次触发的音频处理指令；

根据所述目标音频信息首次触发的音频处理指令，获取用户对所述第一音频信息的收听率；

若所述第一音频信息的收听率小于第一预设值，则将所述第一音频信息的源音频模型分值进行加分处理；

若所述第一音频信息的收听率大于第二预设值，则对所述第一音频信息的源音频模型分值进行减分处理，所述第一预设值小于所述第二预设值。

3.根据权利要求1所述的方法，其特征在于，所述接收移动终端发送的音频信息推荐请求之后，所述方法还包括：

若不存在所述音频信息集合，则从精选池集合中获取预置数量的音频信息；

按照语种模型分值的占比，从所述预置数量的音频信息中确定并推荐第三音频信息。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若进行加分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内；

或，

若进行减分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内。

5.根据权利要求1所述的方法，其特征在于，所述推荐所述目标音频信息之后，所述方法还包括：

确定所述目标音频信息对应的创作对象；

获取所述创作对象所创作的音频信息的收听率；

若所述创作对象所创作的音频信息的收听率小于第三预设值，则将所述创作对象的源创作模型分值进行加分处理；

若所述创作对象所创作的音频信息的收听率大于第四预设值，则将所述创作对象的源创作模型分值进行减分处理，所述第三预设值小于所述第四预设值。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

若进行加分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在第二预置时间段内不推荐所述创作对象所创作的音频信息；

或，

若进行减分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在所述第二预置时间段内不推荐所述创作对象所创作的音频信息。

7.根据权利要求3所述的方法，其特征在于，所述方法还包括：

当检测到当前正在播放的音频信息为首次获取时，则对所述当前正在播放的音频信息的语种模型分值进行初始化处理。

8.一种服务器，其特征在于，包括：

第一接收模块，用于接收移动终端发送的音频信息推荐请求；

第一获取模块，用于若存在音频信息集合，则根据所述第一接收模块接收的所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

第二获取模块，用于若所述第一获取模块获取的所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息与预先获取的歌曲间相似性数据确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

推荐模块，用于若所述第二获取模块获取的所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。

9.根据权利要求8所述的服务器，其特征在于，所述服务器还包括：

第二接收模块，用于所述推荐模块推荐所述目标音频信息之后，接收用户对所述目标音频信息首次触发的音频处理指令；

第三获取模块，用于根据所述第二接收模块接收的所述目标音频信息首次触发的音频处理指令，获取用户对所述第一音频信息的收听率；

第一加分模块，用于若所述第三获取模块获取的所述第一音频信息的收听率小于第一预设值，则将所述第一音频信息的源音频模型分值进行加分处理；

第一减分模块，用于若所述第三获取模块获取的所述第一音频信息的收听率大于第二预设值，则对所述第一音频信息的源音频模型分值进行减分处理，所述第一预设值小于所述第二预设值。

10.根据权利要求8所述的服务器，其特征在于，所述服务器还包括：

第四获取模块，用于所述第一接收模块接收移动终端发送的音频信息推荐请求之后，若不存在所述音频信息集合，则从精选池集合中获取预置数量的音频信息；

第一确定模块，用于按照语种模型分值的占比，从所述第四获取模块获取的所述预置数量的音频信息中确定并推荐第三音频信息。

11.根据权利要求9所述的服务器，其特征在于，所述服务器还包括：

第一处理模块，用于若所述第一加分模块进行加分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内；

或，

第二处理模块，用于若所述第一减分模块进行减分处理后的第一音频信息的源音频模型分值大于所述第一阈值门限，则在第一预置时间内将所述第一音频信息的源音频模型分值保持在大于所述第一阈值门限的范围内。

12.根据权利要求8所述的服务器，其特征在于，所述服务器还包括：

第二确定模块，用于所述推荐模块推荐所述目标音频信息之后，确定所述目标音频信息对应的创作对象；

第五获取模块，用于获取所述第二确定模块确定的所述创作对象所创作的音频信息的收听率；

第二加分模块，用于若所述第五获取模块获取所述创作对象所创作的音频信息的收听率小于第三预设值，则将所述创作对象的源创作模型分值进行加分处理；

第二减分模块，用于若所述第五获取模块获取所述创作对象所创作的音频信息的收听率大于第四预设值，则将所述创作对象的源创作模型分值进行减分处理，所述第三预设值小于所述第四预设值。

13.根据权利要求12所述的服务器，其特征在于，所述服务器还包括：

第三处理模块，用于若所述第二加分模块进行加分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在第二预置时间段内不推荐所述创作对象所创作的音频信息；

或，

第四处理模块，用于若所述第二减分模块进行减分处理后的所述创作对象的源创作模型分值大于所述第二阈值门限，则在所述第二预置时间段内不推荐所述创作对象所创作的音频信息。

14.根据权利要求10所述的服务器，其特征在于，所述服务器还包括：

第五处理模块，用于当检测到当前正在播放的音频信息为首次获取时，则对所述当前正在播放的音频信息的语种模型分值进行初始化处理。

15.一种服务器，其特征在于，包括：输入装置、输出装置、存储器和处理器；

所述处理器用于执行所述存储器中的程序，具体包括如下步骤：

控制所述输入装置接收移动终端发送的音频信息推荐请求；

若存在音频信息集合，则根据所述音频信息推荐请求从所述音频信息集合中获取第一音频信息，并获取所述第一音频信息的源音频模型分值；

若所述第一音频信息的源音频模型分值小于第一阈值门限，则根据所述第一音频信息与预先获取的歌曲间相似性数据确定第二音频信息，并获取所述第二音频信息的源创作模型分值；

若所述第二音频信息的源创作模型分值小于第二阈值门限，则将所述第二音频信息确定为目标音频信息，并推荐所述目标音频信息。