CN107885745B - 一种歌曲推荐方法及装置 - Google Patents

Abstract

本发明实施例涉及一种歌曲推荐方法及装置，该方法包括：获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向所述目标用户推荐歌曲；以及，获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为及用户投票算法得到的歌曲的评分；根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；基于所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。由上可见，本发明实施例中，向用户推荐歌曲的精准度高，能够满足用户的个性化需求。

Description

一种歌曲推荐方法及装置

技术领域

本发明涉及计算机领域，尤其涉及一种歌曲推荐方法及装置。

背景技术

近年来，全球数字娱乐业持续发展，在线音乐发展尤为迅速，从2000年起步的中国网络音乐，是中国互联网第二大应用，流行音乐的数量快速增加，累计歌曲量已超过百万。随着网络的普及，歌曲的制作越来越便利，未来一段时间内歌曲量将会呈现指数增长。歌曲海量化累计的同时，音乐用户也表现出明显的个性化音乐偏好。不同的用户偏爱不同的歌曲，即使同一用户不同的时期也会有不同的音乐偏好。如何让用户从海量的歌曲中找到自己喜欢的歌曲，就成为目前所要解决的问题。

针对这一问题，目前的解决方法为基于协同过滤算法，在大数据背景下进行协同推荐，这种歌曲推荐方法精准度不高，难以满足用户的个性化需求。

发明内容

本发明实施例提供了一种歌曲推荐方法及装置，精准度高，能够满足用户的个性化需求。

一方面，提供了一种歌曲推荐方法，该方法包括：获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向所述目标用户推荐歌曲；以及，获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为及用户投票算法得到的歌曲的评分；根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；基于所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。

另一方面，提供了一种歌曲推荐装置，该装置包括：获取单元，用于获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；推荐单元，用于根据所述获取单元获取的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向所述目标用户推荐歌曲；所述获取单元，还用于获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为及用户投票算法得到的歌曲的评分；所述推荐单元，还用于根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；基于所述获取单元获取的所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。

相较于现有技术，本发明实施例中，通过两种不同的方式相结合向用户推荐歌曲，一种方式中，根据目标用户的历史偏好以及歌曲相似模型，向目标用户推荐歌曲；另一种方式中，基于多个用户的播歌行为及用户投票算法以及目标用户的历史找歌行为数据，向目标用户推荐歌曲。由上可见，本发明实施例中，不仅考虑了目标用户的历史偏好，而且基于其他用户的听歌数据进行协同推荐，从而推荐的歌曲更符合目标用户的个性化需求，精准度高。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。

图1为本发明实施例提供的一种歌曲推荐方法流程图；

图2为本发明实施例提供的一种找歌偏好模型建立方法流程图；

图3为本发明实施例提供的一种歌曲推荐装置结构图；

图4为本发明实施例提供的另一种歌曲推荐装置结构图；

图5为本发明实施例提供的另一种歌曲推荐装置结构图；

图6为本发明实施例提供的另一种歌曲推荐装置结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图和实施例，对本发明实施例中的技术方案进行清楚地描述。

当本发明实施例提及“第一”、“第二”等序数词时，除非根据上下文其确实表达顺序之意，应当理解为仅仅起区分的作用。

图1为本发明实施例提供的一种歌曲推荐方法流程图，该方法可以由歌曲播放软件的服务器执行，该方法包括：

步骤101，获取目标用户在预设天数内听过的每首歌曲的历史偏好评分。

其中，服务器可以定时解析包括目标用户在内的每个用户的音乐盒播歌日志，对每个用户的音乐盒播歌日志进行分析，从而确定该用户的历史听歌偏好。本发明实施例中，可以将确定用户的历史听歌偏好称为建立听歌偏好模型。

下面以其中一个用户为例，说明如何确定该用户的历史听歌偏好。

首先，定时解析目标用户的音乐盒播歌日志，获取目标用户在当日内收听的每首歌曲对应的听歌行为数据和听歌来源数据；然后根据听歌行为数据对应的权重以及听歌来源数据对应的权重，确定目标用户在当日内收听的每首歌曲对应的当日用户偏好评分；再合并当前日期之前预设天数内的目标用户收听的每首歌曲对应的当日用户偏好评分，得到目标用户在预设天数内听过的每首歌曲的历史偏好评分。

本发明实施例中，还可以根据目标用户在预设天数内听过的每首歌曲的播歌量对每首歌曲的历史偏好评分进行热度降权和归一化处理，得到处理后的目标用户在预设天数内听过的每首歌曲的历史偏好评分，以便降低热度高的歌曲的历史偏好评分，从而后续向目标用户推荐的歌曲中优先推荐热度低的歌曲，尽量体现目标用户的个性化偏好。

步骤102，根据目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向目标用户推荐歌曲。

本发明实施例中，在步骤102之前还可以包括确定歌曲相似模型的过程，先根据包括目标用户在内的多个用户的红心列表中的歌曲集合，确定曲库中的任意两首歌曲之间的相似度，其中，红心列表中的歌曲集合为用户标记出的自己喜欢的歌曲集合。

本领域人员可以了解，上述红心列表的名称是基于一种具体的应用场景，用户将自己喜欢的歌曲标记一个红心，该应用场景仅为举例说明，并不用于对本发明应用场景的限定，实际中，用户标记自己喜欢的歌曲的形式可以为红心，也可以为星号，或者小红旗等。

步骤103，获取曲库中每首歌曲的第二评分，第二评分为基于多个用户的播歌行为及用户投票算法得到的歌曲的评分。

其中，在步骤103之前，还可以包括确定曲库中每首歌曲的第二评分的过程，确定曲库中每首歌曲的第二评分可以称为建立歌曲评分模型。具体地，可以基于多个用户的播歌行为及用户投票算法，得到曲库中每首歌曲的第二评分；其中，用户完整听歌理解为用户对该歌曲投赞成票，用户切歌理解为用户对该歌曲投反对票。

步骤104，根据目标用户的历史找歌行为数据，确定目标用户的兴趣标签。

其中，步骤104的过程可以称为建立找歌偏好模型。具体地，先获取目标用户的搜索路径数据、筛选路径数据和新歌速递路径数据，然后根据路径权重，确定目标用户的找歌兴趣路径，再根据目标用户的找歌兴趣路径，确定目标用户的兴趣标签。

步骤105，基于兴趣标签下的每首歌曲的第二评分排序向目标用户推荐歌曲。

本发明实施例中，可以分别设定步骤102向目标用户推荐歌曲的数目和步骤105向目标用户推荐歌曲的数目，当推荐的歌曲数目较多时，可以采取周期性变换的方式，例如，若步骤102和步骤105共向用户推荐20首歌曲，则可以先向用户展现10首歌曲，预设时间后再展现另外10首歌曲。

本发明实施例中，对各步骤的执行顺序不做具体限定，例如，可以按照步骤101、步骤102、步骤103、步骤104、步骤105的顺序执行，也可以按照步骤103、步骤104、步骤105、步骤101、步骤102的顺序执行，还可以同时执行步骤101和步骤103。

相较于现有技术，本发明实施例中，通过两种不同的方式相结合向用户推荐歌曲，一种方式中，根据目标用户的历史偏好以及歌曲相似模型，向目标用户推荐歌曲；另一种方式中，基于多个用户的播歌行为及用户投票算法以及目标用户的历史找歌行为数据，向目标用户推荐歌曲。由上可见，本发明实施例中，不仅考虑了目标用户的历史偏好，而且基于其他用户的听歌数据进行协同推荐，从而推荐的歌曲更符合目标用户的个性化需求，精准度高。

下面通过具体的示例对本发明实施例建立历史听歌偏好模型、歌曲相似模型、歌曲评分模型及找歌偏好模型的过程分别进行说明。

一、建立历史听歌偏好模型

为了反映用户的动态行为及听歌偏好迁移，偏好模型可以分为短期偏好和长期偏好。其中，短期偏好通常为时间短于一周的偏好，例如，7天或3天的偏好，长期偏好通常为时间长于一个月的偏好，例如，6个月的偏好。

建立方法基于以下三步：a.统计用户当日偏好；b.合并预设时间内的用户当日偏好；c.热度衰减并归一化。

a.统计用户当日偏好。解析音乐盒播歌日志，基于预设规则利用大数据统计确定用户一日歌曲偏好。把用户听歌行为及听歌来源赋予不同的权重，确定用户歌曲评分。其中，用户的听歌行为包括播放、下载、收藏、搜索、完整收听等。听歌来源指的是在音乐播放客户端中用户听这首歌的路径。比如，通过搜索《忘情水》找到歌曲《忘情水》收听。

用户歌曲评分＝歌曲是否完整收听*歌曲来源权重

score＝listen*weight

score:用户歌曲评分

listen：歌曲完整收听为1，其他为0

weight：歌曲来源权重，不同的歌曲来源设置不同的权重，通过歌曲来源体现用户对歌曲的偏好度，歌曲来源与权重的对应关系可以如表一所示。

歌曲来源	权重
		红心列表	80
下载	50
		搜索	30
本地	20
		自建列表	20
默认列表	20
		其他	1.0
电台	0.2
		取消下载	-10

表一

b.合并预设时间内的用户当日偏好。

当确定用户的短期偏好时，可以合并最近3天的用户当日偏好；当确定用户的长期偏好时，可以合并最近6个月内的用户当日偏好。

本发明实施例中，可以考虑时间衰减及热度降权更新用户歌曲评分，即更新用户对歌曲的偏好度。

时间衰减：

Score＝Snow+Shistory*decay_factor

其中，Snow:当日所听歌曲的评分，如果没收听为0；Shistory：历史听歌的得分；以当前日期前一天听歌为例，decay_factor：衰减因子这里使用0.8。历史听歌的日期离当前日期越远衰减因子越小，衰减因子采用幂级数减小的方式，例如，以当前日期前两天听歌为例，decay_factor取0.8²。

本发明实施例中，考虑了用户长短期偏好，突出了用户的近期偏好。

热度衰减并归一化：

基于所听歌曲的播歌量作热度降权，具体可以采用如下公式来实现。

其中，preference:歌曲偏好度；score为基于前述步骤得到的用户歌曲评分，即时间衰减后得到的用户歌曲评分；A：歌曲热度，A＝log₂₀(CNT+20)；CNT为音乐盒中这首歌曲的播歌量。

最终建立的历史听歌偏好模型可以如表2所示。

用户	歌曲	偏好度
			用户A	忘情水	10
用户A	东风破	30

表2

二、建立歌曲相似模型

基于协同的思想，将推荐问题转化为文本处理问题，将用户理解为一篇文档，用户的红心列表歌曲集合理解为词项。深度学习是机器学习中表征学习方法的一类，可以用来在非监督情况下学习特征。这里根据用户的喜欢列表作为输入，使用深度学习模型(word2vec)训练得到歌曲向量。距离采用余弦相似度，得到歌曲相似模型，描述歌曲之间的相似程度数值在(0,1)之间。

同理，可以将用户喜欢列表的歌曲置换为对应的歌手，利用深度学习模型训练得到歌手向量。距离采用余弦相似度，得到歌手相似模型，描述歌手之间的相似度数值在(0,1)之间。

本发明实施例中，可以利用历史听歌偏好模型结合歌曲相似模型和/或歌手相似模型，向用户推荐曲库中用户未听过的歌曲。

三、建立歌曲评分模型

通过用户的播歌行为基于用户投票算法(威尔逊置信区间)得到了一种歌曲是否好听的评价机制。公式如下：

这里将歌曲评分问题转化为投票问题，基于用户播歌日志，用户完整听歌理解为用户对该歌曲投赞成票，用户切歌理解为用户对该歌曲投反对票，p为(赞成票数/投票总数)，z为置信度。

四、建立找歌偏好模型

1、选取用户筛选、搜索、排行榜，歌手分类，新歌速递等入口，作为计算来源；

2、筛选：曲库-排行榜-*榜单-歌曲、曲库->电台-*电台(含首页)、曲库-歌手-*歌手-歌曲、曲库-分类-*类别-歌曲(含首页)，曲库-精选-*类别-歌曲(含首页)共计5条路径。选取歌曲的上级作为兴趣标签。

搜索：选取搜索(query)含有歌手名称(例如，刘德华、张学友饿狼传说)、含有类别名称(伤感)的词，作为兴趣标签。

图2为本发明实施例提供的一种找歌偏好模型建立方法流程图，该方法包括：

步骤201，获取搜索、筛选、新歌速递路径数据。

其中，可以获取预设时间内的搜索、筛选、新歌速递路径数据，例如，上述预设时间为2天。

步骤202，确定兴趣计算的路径集合B。

步骤203，根据路径权重，确定找歌兴趣。

计算公式：找歌兴趣＝路径权重×时间衰减因子。

路径权重分配可以如下：搜索类别＝1，筛选类别＝0.8，新歌＝0.5。

步骤204，输出兴趣集合B1。

即输出兴趣标签的集合。

本发明实施例中，可以利用歌曲评分模型结合找歌偏好模型，向用户推荐曲库中用户未听过的歌曲。

本发明实施例中，推荐结果考虑了用户听歌的长短期偏好，更好的反映了用户听歌兴趣变化。多种策略结合增加了推荐的多样性。歌曲的相关度优于传统的协同推荐。通过相似歌手推歌曲，歌曲更具有辨识度，用户比较认可歌手维度，更符合用户需求。

图3为本发明实施例提供的一种歌曲推荐装置结构图，该装置用于执行本发明实施例提供的歌曲推荐方法，该装置包括：

获取单元301，用于获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；

推荐单元302，用于根据所述获取单元301获取的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向所述目标用户推荐歌曲；

所述获取单元301，还用于获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为及用户投票算法得到的歌曲的评分；

所述推荐单元302，还用于根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；基于所述获取单元301获取的所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。

如图4所示，该装置还可以包括：

偏好确定单元303，用于在所述获取单元301获取目标用户在预设天数内听过的每首歌曲的历史偏好评分之前，定时解析所述目标用户的音乐盒播歌日志，获取所述目标用户在当日内收听的每首歌曲对应的听歌行为数据和听歌来源数据；根据所述听歌行为数据对应的权重以及所述听歌来源数据对应的权重，确定所述目标用户在当日内收听的每首歌曲对应的当日用户偏好评分；合并当前日期之前预设天数内的所述目标用户收听的每首歌曲对应的当日用户偏好评分，得到所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

在一个示例中，偏好确定单元303，还用于根据所述目标用户在预设天数内听过的每首歌曲的播歌量对每首歌曲的历史偏好评分进行热度降权和归一化处理，得到处理后的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

如图5所示，该装置还可以包括：

歌曲相似度确定单元304，用于在所述推荐单元302根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分之前，根据包括所述目标用户在内的多个用户的红心列表中的歌曲集合，确定曲库中的任意两首歌曲之间的相似度，其中，所述红心列表中的歌曲集合为用户标记出的自己喜欢的歌曲集合。

如图6所示，该装置还可以包括：

歌曲评分单元305，用于在所述获取单元301获取曲库中每首歌曲的第二评分之前，基于多个用户的播歌行为及用户投票算法，得到曲库中每首歌曲的第二评分；其中，用户完整听歌理解为用户对该歌曲投赞成票，用户切歌理解为用户对该歌曲投反对票。

在一个示例中，所述推荐单元302，具体用于获取所述目标用户的搜索路径数据、筛选路径数据和新歌速递路径数据；根据路径权重，确定所述目标用户的找歌兴趣路径；根据所述目标用户的找歌兴趣路径，确定所述目标用户的兴趣标签。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此。

Claims (10)

1.一种歌曲推荐方法，其特征在于，所述方法包括：

获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；

根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分；

以及，获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为由用户投票算法得到的歌曲的评分；其中，用户完整听歌理解为用户对该歌曲投赞成票，用户切歌理解为用户对该歌曲投反对票；所述用户投票算法包括威尔逊置信区间；

根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；

结合曲库中每首歌曲的第一评分排序和所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。

2.如权利要求1所述的方法，其特征在于，所述获取目标用户在预设天数内听过的每首歌曲的历史偏好评分之前，所述方法还包括：

定时解析所述目标用户的音乐盒播歌日志，获取所述目标用户在当日内收听的每首歌曲对应的听歌行为数据和听歌来源数据；

根据所述听歌行为数据对应的权重以及所述听歌来源数据对应的权重，确定所述目标用户在当日内收听的每首歌曲对应的当日用户偏好评分；

合并当前日期之前预设天数内的所述目标用户收听的每首歌曲对应的当日用户偏好评分，得到所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

根据所述目标用户在预设天数内听过的每首歌曲的播歌量对每首歌曲的历史偏好评分进行热度降权和归一化处理，得到处理后的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

4.如权利要求1所述的方法，其特征在于，所述根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分之前，所述方法还包括：

根据包括所述目标用户在内的多个用户的红心列表中的歌曲集合，确定曲库中的任意两首歌曲之间的相似度，其中，所述红心列表中的歌曲集合为用户标记出的自己喜欢的歌曲集合。

5.如权利要求1至4中任一项所述的方法，其特征在于，所述根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签，包括：

获取所述目标用户的搜索路径数据、筛选路径数据和新歌速递路径数据；

根据路径权重，确定所述目标用户的找歌兴趣路径；

根据所述目标用户的找歌兴趣路径，确定所述目标用户的兴趣标签。

6.一种歌曲推荐装置，其特征在于，所述装置包括：

获取单元，用于获取目标用户在预设天数内听过的每首歌曲的历史偏好评分；

推荐单元，用于根据所述获取单元获取的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分，基于曲库中每首歌曲的第一评分排序向所述目标用户推荐歌曲；

所述获取单元，还用于获取曲库中每首歌曲的第二评分，所述第二评分为基于多个用户的播歌行为由用户投票算法得到的歌曲的评分；其中，用户完整听歌理解为用户对该歌曲投赞成票，用户切歌理解为用户对该歌曲投反对票；所述用户投票算法包括威尔逊置信区间；

所述推荐单元，还用于根据所述目标用户的历史找歌行为数据，确定所述目标用户的兴趣标签；结合曲库中每首歌曲的第一评分排序和所述兴趣标签下的每首歌曲的第二评分排序向所述目标用户推荐歌曲。

7.如权利要求6所述的装置，其特征在于，所述装置还包括：

偏好确定单元，用于在所述获取单元获取目标用户在预设天数内听过的每首歌曲的历史偏好评分之前，定时解析所述目标用户的音乐盒播歌日志，获取所述目标用户在当日内收听的每首歌曲对应的听歌行为数据和听歌来源数据；根据所述听歌行为数据对应的权重以及所述听歌来源数据对应的权重，确定所述目标用户在当日内收听的每首歌曲对应的当日用户偏好评分；合并当前日期之前预设天数内的所述目标用户收听的每首歌曲对应的当日用户偏好评分，得到所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

8.如权利要求7所述的装置，其特征在于，所述偏好确定单元，还用于根据所述目标用户在预设天数内听过的每首歌曲的播歌量对每首歌曲的历史偏好评分进行热度降权和归一化处理，得到处理后的所述目标用户在预设天数内听过的每首歌曲的历史偏好评分。

9.如权利要求8所述的装置，其特征在于，所述装置还包括：

歌曲相似度确定单元，用于在所述推荐单元根据所述目标用户在预设天数内听过的每首歌曲的历史偏好评分以及歌曲相似模型，确定曲库中每首歌曲的第一评分之前，根据包括所述目标用户在内的多个用户的红心列表中的歌曲集合，确定曲库中的任意两首歌曲之间的相似度，其中，所述红心列表中的歌曲集合为用户标记出的自己喜欢的歌曲集合。

10.如权利要求6至9中任一项所述的装置，其特征在于，所述推荐单元，具体用于获取所述目标用户的搜索路径数据、筛选路径数据和新歌速递路径数据；根据路径权重，确定所述目标用户的找歌兴趣路径；根据所述目标用户的找歌兴趣路径，确定所述目标用户的兴趣标签。

Images