CN107967280B - 一种标签推荐歌曲的方法及系统 - Google Patents

一种标签推荐歌曲的方法及系统 Download PDF

Info

Publication number
CN107967280B
CN107967280B CN201610913629.4A CN201610913629A CN107967280B CN 107967280 B CN107967280 B CN 107967280B CN 201610913629 A CN201610913629 A CN 201610913629A CN 107967280 B CN107967280 B CN 107967280B
Authority
CN
China
Prior art keywords
song
preference
songs
target user
score
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
CN201610913629.4A
Other languages
English (en)
Other versions
CN107967280A (zh
Inventor
高玉敏
王志鹏
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.)
Beijing Kuwo Technology Co Ltd
Original Assignee
Beijing Kuwo Technology Co Ltd
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 Beijing Kuwo Technology Co Ltd filed Critical Beijing Kuwo Technology Co Ltd
Priority to CN201610913629.4A priority Critical patent/CN107967280B/zh
Publication of CN107967280A publication Critical patent/CN107967280A/zh
Application granted granted Critical
Publication of CN107967280B publication Critical patent/CN107967280B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

本发明实施例涉及一种标签推荐歌曲的方法及装置，该方法包括：根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；根据所述听歌偏好模型以及歌曲标签和所述好歌库中歌曲的对应关系，获得标签偏好；根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。由上可见，本发明实施例中，利用好歌库可以提高向用户推荐歌曲的质量，推荐歌曲的精准度高，能够满足用户的个性化需求。

Description

一种标签推荐歌曲的方法及系统
技术领域
本发明涉及计算机领域，尤其涉及一种标签推荐歌曲的方法及系统。
背景技术
近年来，随着互联网技术的不断发展，越来越多的人选择通过互联网找歌听歌，在线音乐发展迅速。而随着全球娱乐业的持续发展，歌曲风格呈现多样化，同时歌曲数量也快速增长，为了使音乐用户在庞大的歌曲数据库中快速找到喜欢的歌曲，各大音乐网站或APP软件通常使用标签推荐歌曲。
音乐用户对歌曲的偏好，表现出明显的个性化差异，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。但常规的标签推荐主要推荐标签下的热歌，没有考虑用户听歌的时效性及兴趣变化，存在推荐歌曲与用户音乐偏好之间匹配度不够高的问题，降低了用户的听歌体验，导致用户对推荐歌曲的满意度降低。因此，如何让用户从庞大的歌曲数据库中找到自己喜欢的歌曲，就成为目前所要解决的问题。
发明内容
本发明实施例提供了一种标签推荐歌曲的方法及系统，考虑用户的歌曲播放偏好迁移，引入好歌库向用户推荐歌曲，不但精准度高，而且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，包括：根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；根据所述听歌偏好模型以及歌曲标签和所述好歌库中歌曲的对应关系，获得标签偏好；根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
优选地，所述听歌偏好模型包括第一预设期限偏好模型和第二预设期限偏好模型，所述第一预设期限偏好模型和所述第二预设期限偏好模型通过以下步骤建立：解析所述目标用户的歌曲播放日志，获取所述目标用户当日的歌曲播放行为和歌曲来源；根据所述歌曲播放行为对应的权重以及所述歌曲来源对应的权重，统计所述目标用户的当日歌曲偏好；合并第一预设期限内所述目标用户的当日歌曲偏好，得到所述第一预设期限偏好模型；以及，合并第二预设期限内所述目标用户的当日歌曲偏好，得到所述第二预设期限偏好模型。
进一步优选地，所述方法还包括：根据所述目标用户在第一预设期限内播放的每首歌曲的播放量对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第一预设期限偏好模型；以及，根据所述目标用户在第二预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第二预设期限偏好模型。
优选地，所述歌曲评分模型的公式如下：
Figure BDA0001134214180000021
基于目标用户的歌曲播放行为，用户在播放歌曲过程中，完整听完歌曲理解为对该歌曲投赞成票，切换歌曲理解为对该歌曲投反对票。其中，
Figure BDA0001134214180000022
为(赞成票数/投票总数)，n为投票总数，z1-a/2为置信度。
优选地，所述根据所述听歌偏好模型以及歌曲标签和所述好歌库中的歌曲的对应关系，获得标签偏好，包括以下步骤：通过所述听歌偏好模型获得歌曲的第一评分；根据歌曲标签和所述好歌库中歌曲的对应关系，将所述歌曲的第一评分累加到歌曲对应的标签上，获得标签偏好。
优选地，所述根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲，包括以下步骤：通过标签偏好得到所述好歌库中歌曲对应标签的分值；以及，通过歌曲评分模型得到所述好歌库中歌曲的第二评分；所述标签的分值与该标签下歌曲的第二评分相乘，确定所述好歌库中歌曲的分值；按照所述歌曲分值排序向目标用户推荐歌曲。
另一方面，提供了一种标签推荐歌曲的系统，包括：建立模块，用于根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；统计模块，用于通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；获取模块，用于根据所述听歌偏好模型以及歌曲标签和所述好歌库中的歌曲的对应关系，获得标签偏好；推荐模块，用于根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
优选地，所述建立模块，具体用于解析所述目标用户的歌曲播放日志，获取所述目标用户当日的歌曲播放行为和歌曲来源；根据所述歌曲播放行为对应的权重以及所述歌曲来源对应的权重，统计所述目标用户的当日歌曲偏好；合并第一预设期限内所述目标用户的当日歌曲偏好，得到所述第一预设期限偏好模型；以及，合并第二预设期限内所述目标用户的当日歌曲偏好，得到所述第二预设期限偏好模型。
进一步优选地，所述建立模块，还用于根据所述目标用户在第一预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第一预设期限偏好模型；以及，根据所述目标用户在第二预设期限内播放的每首歌曲的播放量对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第二预设期限偏好模型。
优选地，所述歌曲评分模型的公式如下：
Figure BDA0001134214180000041
基于目标用户的歌曲播放行为，用户在播放歌曲过程中，完整听完歌曲理解为对该歌曲投赞成票，切换歌曲理解为对该歌曲投反对票。其中，
Figure BDA0001134214180000042
为(赞成票数/投票总数)，n为投票总数，z1-a/2为置信度。
优选地，所述统计模块，具体用于通过所述听歌偏好模型获得歌曲的第一评分；根据歌曲标签和所述好歌库中歌曲的对应关系，将所述歌曲的第一评分累加到歌曲对应的标签上，获得标签偏好。
优选地，所述推荐模块，具体用于通过标签偏好得到所述好歌库中歌曲对应标签的分值；以及通过歌曲评分模型得到所述好歌库中歌曲的第二评分；所述标签的分值与该标签下歌曲的第二评分相乘，确定所述好歌库中歌曲的分值；按照所述歌曲分值排序向目标用户推荐歌曲。
相对于现有技术，本发明实施例中，一方面，根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型，引入不同预设期限的用户播放歌曲行为，考虑到用户的歌曲播放的偏好迁移，更能反映用户的兴趣；另一方面，引入好歌库，通过统计目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库。从好歌库中向目标用户推荐歌曲。由上可见，本发明实施例中，不仅利用好歌库保证了推荐歌曲的质量，并且通过偏好模型更能体现用户的偏好迁移，提高了推荐歌曲与用户需求之间的相关度，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标签推荐歌曲的方法流程图；
图2为本发明实施例提供的一种听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标签推荐歌曲的系统结构图。
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标签推荐歌曲的方法流程图，该方法可以由歌曲播放软件的服务器执行，如图1所示，该方法包括：
步骤101，根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型。
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歌曲播放日志，对每个用户的歌曲播放日志进行分析，从而建立该用户的听歌偏好模型，在本实施例中，可以将建立听歌偏好模型称之为确定用户的历史听歌偏好。
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歌曲播放日志，获取目标用户在当日内播放的每首歌曲对应的播放行为和歌曲来源；然后根据歌曲播放行为对应的权重以及歌曲来源对应的权重，统计所述目标用户当日歌曲偏好，即确定所述目标用户在当日内播放的每首歌曲对应的当日偏好评分；再合并预设期限内的目标用户当日歌曲偏好，得到目标用户在预设期限内播放的每首歌曲的历史听歌偏好，即建立目标用户在预设期限内的听歌偏好模型。
本发明实施例中，还可以根据目标用户在预设期限内播放的每首歌曲的播歌量，对每首歌曲的歌曲偏好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期限的历史偏好，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歌曲时，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，通过统计目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库。
其中，在歌曲归入好歌库之前，还需要确定歌曲数据库中每首歌曲的歌曲评分，确定歌曲数据库中每首歌曲的歌曲评分可以称为建立歌曲评分模型。具体地，通过统计目标用户预设期限内的歌曲播放日志，获得目标用户在预设期限内的歌曲播放行为，然后基于用户投票算法，获得歌曲评分模型。最后根据歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库，需要说明的是，本实施例过程，即将歌曲评分问题转化为投票问题，其中，基于用户目标的歌曲播放行为，用户在播放歌曲的过程中，完整听完歌曲理解为对该歌曲投赞成票，切换歌曲理解为对该歌曲投反对票。
步骤103，根据听歌偏好模型以及歌曲标签和好歌库中歌曲的对应关系，获得标签偏好。
其中，步骤S103的过程可以称之为建立标签偏好模型。具体地，首先可以通过听歌偏好模型获得歌曲的第一评分，然后根据歌曲标签和好歌库中的歌曲的对应关系，将歌曲的第一评分累加到对应的标签上，获得标签偏好，获得标签偏好可以称之为获得标签的分值，可以体现目标用户偏好什么标签类型下的歌曲。
步骤104，根据标签偏好和歌曲评分模型确定好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
其中，步骤104的过程可以称之为建立歌曲推荐模型。具体地，通过标签偏好可以获得好歌曲中歌曲对应标签的分值，然后通过歌曲评分模型得到好歌库中歌曲的第二评分，基于标签的分值和第二评分确定好歌库中歌曲的分值，例如，通过将标签的分值与该标签下歌曲的第二评分相乘，得到好歌库中歌曲的分值，即获得目标用户对好歌库中歌曲的评分，过滤掉目标用户的历史听歌，按好歌库中歌曲的歌曲分值排序向目标用户推荐好歌库中的歌曲。在实际推荐过程中，为提高歌曲推荐的精准度，优选地，取标签的分值排列前三的标签。
需要说明的是，本发明实施例中，对个步骤的执行顺序不做具体限定，可以按照步骤101、步骤102、步骤103、步骤104的顺序执行，也可以在使用过程中，根据实际情况，按照其他顺序执行。
下面通过具体的示例对本发明实施例建立听歌偏好模型、歌曲评分模型好歌库、标签偏好模型的过程分别进行说明。
一、建立听歌偏好模型
为了反映用户的动态行为及听歌偏好迁移，听歌偏好模型可以分为第一预期偏好模型和第二预期偏好模型，分别对应短期内用户的听歌偏好和长期内用户的听歌偏好，也可以将其称之为短期偏好模型和长期偏好模型。其中，短期偏好通常为时间短于一周的偏好，例如，3天或7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。
图2为本发明实施例提供的一种听歌偏好模型建立方法流程图，如图2所述，建立方法基于以下三步：
步骤201，统计用户当日歌曲偏好。
解析歌曲播歌日志，基于预设规则利用大数据统计确定用户一日歌曲偏好。把用户歌曲播放行为及歌曲来源赋予不同的权重，确定用户歌曲评分。其中，用户的歌曲播放行为包括播放、下载、收藏、搜索、完整收听等。歌曲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》进行收听。
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
we i ght：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1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1
需要说明的是，本领域技术人员可以了解，表1中的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可以采用其他形式，比如星号，或者小红旗等。
步骤202，合并预设期限内的用户当日歌曲偏好。
当确定用户的短期偏好时，可以合并最近3天的用户当日歌曲偏好；当确定用户的长期偏好时，可以合并最近6个月内的用户当日歌曲偏好。
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，体现了用户的偏好迁移。
步骤203，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。
Figure BDA0001134214180000091
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＝l og20(CNT+20)；CNT为音乐盒中这首歌曲的播歌量。
最终建立的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
三、建立好歌库
通过统计目标用户的歌曲播放日志，基于用户投票算法(威尔逊置信区间)获得歌曲评分模型，通过此模型可以得到歌曲评分，即得到了一种歌曲是否好听的评价机制。该歌曲评分模型的公式如下：
Figure BDA0001134214180000092
即这里将歌曲评分问题转化为投票问题，基于目标用户的歌曲播放行为，用户在播放歌曲过程中，完整听完歌曲理解为对该歌曲投赞成票，切换歌曲理解为对该歌曲投反对票。其中，
Figure BDA0001134214180000093
为(赞成票数/投票总数)，n为投票总数，z1-a/2为置信度。
以上述歌曲评分模型可以得到歌曲的第二评分，评分范围为(0,1)，预设一个歌曲评分阙值，高于该歌曲评分阙值的歌曲进入好歌库，例如，取阙值0.7以上的歌曲进入好歌库，后期从好歌库中向目标用户推荐歌曲，保证了推荐歌曲的质量。
四、建立标签偏好模型
好歌库中有很多歌曲标签，每个歌曲标签下对应很多歌曲，同时，每首歌曲可能对应不同的歌曲标签，例如：好歌库中有“华语”、“流行”“情歌”等不同的歌曲标签；“忘情水”属于“华语”标签下的歌曲，同时也属于“流行”和“情歌”标签下的歌曲；而“流行”标签下不但有歌曲“忘情水”，而且有“东风破”等其他流行歌曲。
根据上述标签和歌曲的对应关系，将好歌曲的第二评分累加到每首歌曲对应的标签上，获得标签分值，即得到标签偏好。对于用户的的短期偏好和长期偏好，可以分别得到短期标签偏好和长期标签偏好。
五、建立歌曲推荐模型
取标签的分值排列前三的标签，然后将便签的分值与该标签下歌曲的第二评分相乘，得到好歌库中歌曲的分值，即获得目标用户对歌曲库中歌曲的评分，过滤掉目标用户的历史听歌，即去掉其余标签下的歌曲，然后按照好歌库中歌曲的歌曲分值排序向目标用户推荐好歌库中的歌曲。
相对于现有技术，本发明实施例中，一方面，根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型，引入不同预设期限的用户播放歌曲行为，考虑到用户的歌曲播放的偏好迁移，更能反映用户的兴趣；另一方面，引入好歌库，通过统计目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库，然后从好歌库中向目标用户推荐歌曲。由上可见，本发明实施例中，不仅利用好歌库保证了推荐歌曲的质量，并且通过偏好模型更能体现用户的偏好迁移，提高了推荐歌曲与用户需求之间的相关度，更符合目标用户的个性化需求，精准度高。
图3为本发明实施例提供的一种标签推荐歌曲的系统结构图，该系统用于执行本发明实施例提供的标签推荐歌曲的方法，如图3所示，该系统包括：
建立模块301，用于根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；
统计模块302，用于通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；
获取模块303，用于根据所述建立模块301建立的所述听歌偏好模型以及歌曲标签和所述统计模块302建立的所述好歌库中的歌曲的对应关系，获得标签偏好；
推荐模块304，用于根据所述获取模块303获得的所述标签偏好和所述统计模块302建立的所述歌曲评分模型，确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
其中，所述建立模块301，具体用于解析所述目标用户的歌曲播放日志，获取所述目标用户当日的歌曲播放行为和歌曲来源；根据所述歌曲播放行为对应的权重以及所述歌曲来源对应的权重，统计所述目标用户的当日歌曲偏好；合并第一预设期限内所述目标用户的当日歌曲偏好，得到所述第一预设期限偏好模型；以及，合并第二预设期限内所述目标用户的当日歌曲偏好，得到所述第二预设期限偏好模型。
所述建立模块301，还用于根据所述目标用户在第一预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第一预设期限偏好模型；以及，根据所述目标用户在第二预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第二预设期限偏好模型。
所述统计模块302建立的所述歌曲评分模型的公式如下：
Figure BDA0001134214180000121
基于目标用户的歌曲播放行为，用户在播放歌曲过程中，完整听完歌曲理解为对该歌曲投赞成票，切换歌曲理解为对该歌曲投反对票。其中，
Figure BDA0001134214180000122
为(赞成票数/投票总数)，n为投票总数，z1-a/2为置信度。
所述统计模块302，具体用于通过所述建立模块201建立的所述听歌偏好模型获得歌曲的第一评分；根据歌曲标签和所述好歌库中的歌曲的对应关系，将所述歌曲的第一评分累加到歌曲对应的标签上，获得标签偏好。
所述推荐模块304，具体用于通过所述统计模块302获得的标签偏好得到所述好歌库中歌曲对应标签的分值；以及通过歌曲评分模型得到所述好歌库中歌曲的第二评分；所述标签的分值与该标签下歌曲的第二评分相乘，确定所述好歌库中歌曲的分值；按照所述歌曲分值排序向目标用户推荐歌曲
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)

1.一种标签推荐歌曲的方法，其特征在于，包括：
根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；
通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；
根据所述听歌偏好模型以及歌曲标签和所述好歌库中歌曲的对应关系，获得标签偏好；
根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
2.根据权利要求1所述的方法，其特征在于，所述听歌偏好模型包括第一预设期限偏好模型和第二预设期限偏好模型，所述第一预设期限偏好模型和所述第二预设期限偏好模型通过以下步骤建立：
解析所述目标用户的歌曲播放日志，获取所述目标用户当日的歌曲播放行为和歌曲来源；
根据所述歌曲播放行为对应的权重以及所述歌曲来源对应的权重，统计所述目标用户的当日歌曲偏好；
合并第一预设期限内所述目标用户的当日歌曲偏好，得到所述第一预设期限偏好模型；以及，合并第二预设期限内所述目标用户的当日歌曲偏好，得到所述第二预设期限偏好模型。
3.根据权利要求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第一预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第一预设期限偏好模型；
以及，根据所述目标用户在第二预设期限内播放的每首歌曲的播放量对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第二预设期限偏好模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述听歌偏好模型以及歌曲标签和所述好歌库中的歌曲的对应关系，获得标签偏好，包括以下步骤：
通过所述听歌偏好模型获得歌曲的第一评分；
根据歌曲标签和所述好歌库中的歌曲的对应关系，将所述歌曲的第一评分累加到歌曲对应的标签上，获得标签偏好。
5.根据权利要求1所述的方法，其特征在于，所述根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲，包括以下步骤：
通过标签偏好得到所述好歌库中歌曲对应标签的分值；
以及，通过歌曲评分模型得到所述好歌库中歌曲的第二评分；
所述标签的分值与该标签下歌曲的第二评分相乘，确定所述好歌库中歌曲的分值；
按照所述歌曲分值排序向目标用户推荐歌曲。
6.一种标签推荐歌曲的系统，其特征在于，包括：
建立模块，用于根据目标用户的歌曲播放行为及歌曲来源，建立听歌偏好模型；
统计模块，用于通过统计所述目标用户的歌曲播放日志，基于用户投票算法获得歌曲评分模型，根据所述歌曲评分模型将歌曲评分达到预设阈值的歌曲归入好歌库；
获取模块，用于根据所述听歌偏好模型以及歌曲标签和所述好歌库中的歌曲的对应关系，获得标签偏好；
推荐模块，用于根据所述标签偏好和所述歌曲评分模型确定所述好歌库中歌曲的分值，按照歌曲分值排序向目标用户推荐歌曲。
7.根据权利要求6所述的系统，其特征在于，所述建立模块，具体用于解析所述目标用户的歌曲播放日志，获取所述目标用户当日的歌曲播放行为和歌曲来源；根据所述歌曲播放行为对应的权重以及所述歌曲来源对应的权重，统计所述目标用户的当日歌曲偏好；合并第一预设期限内所述目标用户的当日歌曲偏好，得到所述第一预设期限偏好模型；以及，合并第二预设期限内所述目标用户的当日歌曲偏好，得到所述第二预设期限偏好模型。
8.根据权利要求7所述的系统，其特征在于，所述建立模块，还用于根据所述目标用户在第一预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第一预设期限偏好模型；以及，根据所述目标用户在第二预设期限内播放的每首歌曲的播放量，对每首歌曲的歌曲偏好进行热度降权和归一化处理，得到处理后的第二预设期限偏好模型。
9.根据权利要求7所述的系统，其特征在于，所述统计模块，具体用于通过所述听歌偏好模型获得歌曲的第一评分；根据歌曲标签和所述好歌库中歌曲的对应关系，将所述歌曲的第一评分累加到歌曲对应的标签上，获得标签偏好。
10.根据权利要求7所述的系统，其特征在于，所述推荐模块，具体用于通过标签偏好，得到所述好歌库中歌曲对应标签的分值；以及通过歌曲评分模型得到所述好歌库中歌曲的第二评分；所述标签的分值与该标签下歌曲的第二评分相乘，确定所述好歌库中歌曲的分值；按照所述歌曲分值排序向目标用户推荐歌曲。
CN201610913629.4A 2016-10-19 2016-10-19 一种标签推荐歌曲的方法及系统 Active CN107967280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610913629.4A CN107967280B (zh) 2016-10-19 2016-10-19 一种标签推荐歌曲的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610913629.4A CN107967280B (zh) 2016-10-19 2016-10-19 一种标签推荐歌曲的方法及系统

Publications (2)

Publication Number Publication Date
CN107967280A CN107967280A (zh) 2018-04-27
CN107967280B true CN107967280B (zh) 2020-06-12

Family

ID=61996995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610913629.4A Active CN107967280B (zh) 2016-10-19 2016-10-19 一种标签推荐歌曲的方法及系统

Country Status (1)

Country Link
CN (1) CN107967280B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008369A (zh) * 2018-12-26 2019-07-12 阿里巴巴集团控股有限公司 信息处理方法及其装置、电子设备、计算机可读介质
CN109885719A (zh) * 2019-01-24 2019-06-14 广州小鹏汽车科技有限公司 一种歌曲推荐方法、系统、终端及存储介质
CN111026908B (zh) * 2019-12-10 2023-09-08 腾讯科技（深圳）有限公司 歌曲标签确定方法、装置、计算机设备以及存储介质
CN111258695B (zh) * 2020-01-15 2023-11-17 广东小天才科技有限公司 电话手表的表盘推荐方法、表盘推荐装置及终端设备
CN111241405A (zh) * 2020-01-15 2020-06-05 广东小天才科技有限公司 用户画像的标签获取方法、标签获取装置及终端设备
CN112836082B (zh) * 2021-02-08 2023-01-10 咪咕音乐有限公司 生成歌单的方法、装置、电子设备及存储介质
CN118312639B (zh) * 2024-06-05 2024-08-23 河源职业技术学院 一种用于多媒体教学的音频管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402625A (zh) * 2011-12-28 2012-04-04 深圳市五巨科技有限公司 一种音乐推荐的方法及系统
CN102982042A (zh) * 2011-09-07 2013-03-20 中国移动通信集团公司 一种个性化内容推荐方法、平台以及系统
CN103544188A (zh) * 2012-07-17 2014-01-29 中国移动通信集团广东有限公司 移动互联网内容的用户偏好推送方法与装置
CN103544212A (zh) * 2013-09-09 2014-01-29 Tcl集团股份有限公司 一种内容推荐方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982042A (zh) * 2011-09-07 2013-03-20 中国移动通信集团公司 一种个性化内容推荐方法、平台以及系统
CN102402625A (zh) * 2011-12-28 2012-04-04 深圳市五巨科技有限公司 一种音乐推荐的方法及系统
CN103544188A (zh) * 2012-07-17 2014-01-29 中国移动通信集团广东有限公司 移动互联网内容的用户偏好推送方法与装置
CN103544212A (zh) * 2013-09-09 2014-01-29 Tcl集团股份有限公司 一种内容推荐方法及系统

Also Published As

Publication number Publication date
CN107967280A (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
CN107967280B (zh) 一种标签推荐歌曲的方法及系统
CN108073568B (zh) 关键词提取方法和装置
CN106953887B (zh) 一种细粒度电台音频内容个性化组织推荐方法
CN108021568B (zh) 一种歌单推荐方法及装置
CN104281622B (zh) 一种社交媒体中的信息推荐方法和装置
CN108255840B (zh) 一种歌曲的推荐方法和系统
CN110909205B (zh) 一种视频封面确定方法、装置、电子设备及可读存储介质
WO2019233360A1 (zh) 一种基于深度学习的音域平衡方法、装置及系统
CN107885745A (zh) 一种歌曲推荐方法及装置
CN111126495B (zh) 模型训练方法、信息预测方法、装置、存储介质及设备
CN109545185B (zh) 交互系统评价方法、评价系统、服务器及计算机可读介质
CN108629047B (zh) 一种歌曲清单生成方法及终端设备
CN103455411B (zh) 日志分类模型的建立、行为日志分类方法及装置
CN110990685A (zh) 基于声纹的语音搜索方法、设备、存储介质及装置
CN109992781B (zh) 文本特征的处理方法、装置和存储介质
CN109615009B (zh) 一种学习内容推荐方法及电子设备
CN111444380B (zh) 音乐搜索排序方法、装置、设备和存储介质
US20130318021A1 (en) Information processing apparatus, information processing method, and program
CN109308332A (zh) 一种目标用户获取方法、装置和服务器
CN116151235A (zh) 文章生成方法、文章生成模型训练方法及相关设备
CN110019556B (zh) 一种话题新闻获取方法、装置及其设备
CN117972206A (zh) 一种基于人工智能的内容推荐系统、电子设备及存储介质
CN112052686B (zh) 一种用户交互式教育的语音学习资源推送方法
CN113515663A (zh) 一种评论信息的显示方法、装置、电子设备及存储介质
CN117975942A (zh) 语音识别模型的训练方法、语音识别方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant