CN107977373A

CN107977373A - 一种歌曲的推荐方法

Info

Publication number: CN107977373A
Application number: CN201610921336.0A
Authority: CN
Inventors: 高玉敏; 王志鹏
Original assignee: Beijing Kuwo Technology Co Ltd
Current assignee: Beijing Kuwo Technology Co Ltd
Priority date: 2016-10-21
Filing date: 2016-10-21
Publication date: 2018-05-01
Anticipated expiration: 2036-10-21
Also published as: CN107977373B

Abstract

本发明公开一种歌曲的推荐方法，通过获取用户的歌曲播放日志，并根据歌曲播放日志中的用户信息、歌曲信息，计算每首歌曲的用户偏好度；以及筛选歌曲播放日志中的相似歌曲，并计算相似歌曲的相似度。结合歌曲的用户偏好度以及该歌曲与相似歌曲的相似度，计算歌曲该与其相似歌曲的匹配值，根据匹配值的大小，向用户推荐相应的相似歌曲；通过上述过程利用用户的歌曲播放日志，分析用户的听歌行为，并根据用户的听歌行为建立属于每个用户的偏好歌曲集合，从而实现向特定用户高效地推荐用户喜欢的歌曲。

Description

一种歌曲的推荐方法

技术领域

本发明涉及多媒体技术领域，尤其涉及一种歌曲的推荐方法。

背景技术

传统的推荐歌曲的方法，为获取用户所听歌曲的类型、所属专辑、所属歌手，并向用户推荐相应歌曲类型、歌曲所属专辑或所属歌手的歌曲，而当前音乐推荐方法大多基于协同过滤，该方法有以下不足之处在于，通过协同过滤算法实现的音乐推荐方法，无法及时的反映用户的偏好变化，且歌曲相关性更新较慢，歌曲相关性容易受噪声数据的影响。

发明内容

本发明的目的是提供一种歌曲的推荐方法，根据用户的歌曲播放日志中的听歌行为信息，建立属于每个用户的偏好歌曲集，向每个用户推荐符合用户听歌偏好的相似歌曲。

为实现上述目的，本发明提供了一种歌曲推荐方法。该方法包括以下步骤：

获取用户的歌曲播放日志，所述歌曲播放日志包括歌曲来源、歌曲播放时间、歌曲切换时间和歌曲播放次数；

根据所述歌曲播放日志，计算所述歌曲播放日志中每首歌曲的用户偏好度；

根据所述歌曲播放日志，计算歌曲播放日志中歌曲与所述歌曲的相似歌曲的总相似度；

根据歌曲与所述歌曲的相似歌曲的总相似度，以及所述歌曲的用户偏好度，计算所述歌曲与所述歌曲的相似歌曲的匹配值；

根据所述歌曲与所述歌曲的相似歌曲的匹配值,将所述歌曲的相似歌曲进行排序，以及将排序后的所述歌曲的相似歌曲进行推荐。

优选的，所述根据所述歌曲播放日志，计算所述歌曲播放日志每首歌曲的用户偏好度步骤，包括：

将各种歌曲来源赋予相应的权重，以及根据歌曲播放时间确定歌曲是否完整播放；

根据歌曲来源的权重以及歌曲是否完整播放，计算所述歌曲播放日志中每首歌曲的当日评分；

将所述歌曲当日的评分与所述歌曲上一日的总评分合并，获得所述歌曲当日的总评分；

根据所述歌曲当日的总评分和所述歌曲的歌曲播放次数，计算所述歌曲播放日志中每首歌曲的用户偏好度。

优选的，所述根据歌曲来源的权重以及歌曲是否完整播放，计算所述歌曲播放日志中每首歌曲的当日评分步骤，包括：

通过公式：snow＝listen*weight，计算所述歌曲播放日志中每首歌曲的当日评分，其中，snow为歌曲当日的评分，weight为歌曲来源的权重，listen表示歌曲是否完整播放，当所述歌曲的播放时间不小于所述歌曲真实时长的85％时，认为所述歌曲完整播放，赋予数值1，当所述歌曲的播放时间小于所述歌曲真实时长的85％时，认为这首歌没有完整播放，赋予数值0；完整播放则为1，没有完整播放为0。

优选的，所述将所述歌曲当日的评分与所述歌曲上一日的总评分累加，获得所述歌曲当日的总评分步骤，包括：

通过公式：Score＝Snow+Shistory*decay_factor，计算所述歌曲当日的总评分，其中，Score为所听歌曲当日的总评分，Snow为所听歌曲当日的评分，Shistory为所听歌曲上一日的总评分，decay_factor为第一时间衰减因子。

优选的，所述根据所述歌曲当日的总评分和所述歌曲的歌曲播放次数，计算所述歌曲播放日志中每首歌曲的用户偏好度步骤，包括：

通过公式：计算所述歌曲播放日志中的歌曲的用户偏好度，其中，score为所述歌曲当日的总评分，δ为所述歌曲的热度，δ＝log₂₀(CNT+20)，CNT为所述歌曲的歌曲播放次数。

优选的，所述根据所述歌曲播放日志，计算播放日志中歌曲与所述歌曲的相似歌曲的总相似度步骤，包括：

根据歌曲的歌曲切换时间和歌曲播放次数确定所述歌曲的相似歌曲；

计算所述歌曲与所述歌曲的相似歌曲当日的相似度；

将所述歌曲与所述歌曲的相似歌曲当日的相似度和所述歌曲上一日与所述歌曲的相似歌曲的总相似度合并。

优选的，所述根据歌曲切换时间确定关联歌曲步骤，包括：

当歌曲切换到下一首歌的歌曲切换时间小于第一阈值时，所述下一首歌曲为所述歌曲的关联歌曲；

当所述歌曲的关联歌曲的播放次数等于或大于第二阈值时，所述歌曲的关联歌曲为所述歌曲的相似歌曲。

所述计算所述歌曲与和述歌曲的相似歌曲当日的相似度步骤，包括：

通过公式：simcur＝log₂₀freq，计算所述歌曲与所述歌曲的相似歌曲当日的相似度，其中，simcur为所述歌曲与所述歌曲的相似歌曲当日的相似度，freq为所述歌曲的相似歌曲的播放次数。

优选的，所述将所述歌曲与所述歌曲的相似歌曲当日的相似度与所述歌曲上一日与所述歌曲的相似歌曲的总相似度合并步骤，包括：

通过公式：sim＝simcur+simold*factor，将所述歌曲与所述歌曲的相似歌曲当日的相似度与所述歌曲上一日与所述歌曲的相似歌曲的总相似度合并，其中，sim为所述歌曲与所述歌曲的相似歌曲当日的总相似度，simcur为所述歌曲与所述歌曲的相似歌曲当日的相似度，simold为所述歌曲上一日与所述歌曲的相似歌曲的总相似度，factor为第二时间衰减因子。

优选的，所述根据歌曲与所述歌曲的相似歌曲的总相似度，以及所述歌曲的用户偏好度，计算所述歌曲与所述歌曲的相似歌曲的匹配值步骤，包括：

通过公式：匹配值＝总相似度*偏好度，计算所述歌曲与所述歌曲的相似

歌曲的匹配值，其中，匹配值为所述歌曲与所述歌曲的相似歌曲的匹配值，总相似度为所述歌曲与所述歌曲的相似歌曲的总相似度，偏好度为所述歌曲的用户偏好度。

采用本发明提供的歌曲推荐方法后，由于本发明获取每一个用户的歌曲播放日志，根据歌曲播放日志中记录的用户的听歌行为信息：用户ID、歌曲ID、歌曲来源、歌曲播放时间、歌曲切换时间和歌曲播放次数等，分析用户的偏好，统计出歌曲播放日志中相似的歌曲，结合用户所听歌曲的偏好度和所听歌曲与其相似歌曲的相似度，建立属于用户自己的个性化推荐歌曲集；且根据后期用户听歌行为随时间的改变(例如：已听过的歌再听或不听；新加入一些歌曲等。)，及时统计用户歌曲的偏好度，以及歌曲相似度的改变，进而及时更新用户的个性化推荐歌曲集，进而达到提高歌曲推荐准确度的目的。

此外，基于本发明提供的歌曲推荐方案，通过确定时间周期，例如7天或6个月，进行周期性统计用户的长期偏好(6个月)和短期偏好(7天)，能够更精准反映用户的听歌偏好及迁移，并更新的个性化偏好的歌曲集，从而做到及时跟进用户的偏好，进行歌曲推送。

本发明在计算歌曲与其相似歌曲的相似度时，将歌曲切换时间作为用户和听歌设备的会话，该会话能同时考虑到用户主观行为，是否完整听歌及时间序列三个因素，进而能够降低用户噪声数据的影响；与此同时，本发明在结合所述会话的基础上，结合关联歌曲的播放次数，进一步判断并确定用户的主观想法，从而最终确定能与用户偏好高度匹配的歌曲。

附图说明

图1是本发明提供的歌曲推荐方法的流程图；

图2是本发明实施例计算每首歌曲用户偏好度的流程图；

图3是本发明实施例计算歌曲与其相似歌曲总相似度的流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

图1是本发明提供的歌曲推荐方法的流程图。如图1所示，发明提供的歌曲推荐方法，其具体实施过程为：

S100：获取用户的歌曲播放日志；

具体地，听歌的用户很多，每一个用户听歌数量也不等，因此所述获取用户的歌曲播放日志，指的是获取每一个用户所听歌曲以及每首歌曲的信息，包括：用户ID、歌曲ID、歌曲来源、歌曲播放时间、歌曲切换时间，以及歌曲播放次数等；其中，用户ID指用户标识；歌曲ID指歌曲标识；歌曲来源指包括红心列表(指将标记为喜欢的歌曲集)、下载以及已下载列表、搜索、本地歌曲、自建列表、默认列表和电台歌曲列表；歌曲播放时间指用户听歌时歌曲播放的时间，歌曲有可能完整播放，有可能没有完整播放；歌曲切换时间指用户在听歌时，从一首歌切换到下一首歌的时间间隔；歌曲播放次数：指截至当日，同一首歌被用户听的总次数。

图2是本发明实施例计算每首歌曲用户偏好度的流程图。如图2所示，

S200：根据用户的歌曲播放日志，计算所述歌曲播放日志中每首歌曲的用户偏好度；

用户对每首歌的偏好度都不尽相同，且随着时间的推移，用户对歌曲的偏好度会发生改变。因此，本实施例根据用户所听歌曲的歌曲来源，以及用户是否完整听完歌曲，来计算用户对所听歌曲的偏好度，且随着时间的推移，根据用户的听歌行为，计算歌曲的用户偏好度的改变。

具体地：

S201：将各种歌曲来源赋予相应的权重，以及根据歌曲播放时间确定歌曲是否完整播放；

如表1所示，各种歌曲来源相应的权重为：

表1：歌曲来源权重

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

由于用户对不同歌曲的偏好度不尽相同，而歌曲来源的不同在一定程度上能反映用户对所听歌曲偏好度的不同，因此，本实施例将以上将歌曲的各种来源赋予相应的权重，用于量化各种歌曲来源对歌曲偏好度的影响。例如：用户通过搜索方式(权重为30)获取的歌曲和通过红心列表(其权重为80)获取的歌曲，由于通过搜索方式获取的歌曲，其偏好程度不确定，而通过红心列表获取的歌曲是之前已标记为喜欢的歌曲，所以通过红心列表获取的歌曲，其偏好度在一定程度上要大于通过搜索方式获取的歌曲的偏好度。

此外，除了歌曲来源对歌曲偏好程度有影响之外，“歌曲是否完整播放”也是判断用户对歌曲偏好度不同的原因之一，例如：通过红心列表获取的两首歌曲中，一首歌曲没有完整听完，而另一首歌曲完整听完，则这在一定程度上体现用户对后一首歌曲的偏好度要高于对前一首歌曲的偏好度。因此“歌曲是否完整听完”作为判断用户对歌曲偏好度大小的原因之一，可根据歌曲播放的时间来定义，如下：

当一首歌播放的时间不小于这首歌的真实时长的85％时，认为这首歌完整播放，赋予数值1；

当所述歌曲播放的时间小于这首歌的真实时长的85％时，认为这首歌没有完整播放，赋予数值0；

S202：根据歌曲来源的权重以及歌曲是否完整播放，计算所述歌曲播放日志中每首歌曲的当日评分；

当歌曲完整播放，则所述歌曲的评分等于所述歌曲的歌曲来源的权重；

当歌曲未完整播放，则所述歌曲的评分为0；

计算过程为：snow＝listen*weight，其中，snow为歌曲当日的评分，listen表示歌曲是否完整播放，完整播放则为1，没有完整播放为0，weight为歌曲来源的权重。

通过上述步骤，将用户的歌曲播放日志中的每首歌曲逐一进行评分。

S203：将所述歌曲当日的评分与所述歌曲上一日的总评分合并，获得所述歌曲当日的总评分；

由于用户在听完某一首歌曲后，后期有可能会再次听这首歌曲，也有可能不听，当用户再次听这首歌曲时，这首歌曲的总评分会增加，当用户不听这首歌曲时，这首歌曲的总评分会减少，因此，随着时间的推移，需将用户所听的每一首歌曲当日的评分与所述歌曲上一日的总评分进行累加，统计所述歌曲当日的总评分。

具体计算为：Score＝Snow+Shistory*decay_factor，其中，Score为所听歌曲当日的总评分，Snow为所听歌曲当日的评分，Shistory为所听歌曲上一日的总评分，decay_factor为第一时间衰减因子，本实施例取0.8，表示歌曲上一日的总评分，到当日将衰减到原来的80％。

S204：根据所述歌曲当日的总评分和所述歌曲的歌曲播放次数，计算所述歌曲播放日志中每首歌曲的用户偏好度；

具体为：其中，score为所述歌曲当日的总评分，δ为所述歌曲的热度，δ＝log₂₀(CNT+20)，CNT为所述歌曲的歌曲播放次数。

图3是本发明实施例计算歌曲与其相似歌曲总相似度的流程图。如图3所示，

S300：计算所述歌曲播放日志中每首歌曲之间的相似度；

在判断两首或多首歌是否为相似歌曲时，传统的方法是通过对比这些歌曲的演唱者、专辑、歌曲类型来判断，本实施例通过用户的听歌行为，即从一首歌换到下一首这一过程来判断歌曲之间的相似性，首先，一首歌换到下一首歌曲有可能是用户主动切换到自己喜欢的歌曲，也有可能是默认切换，当出现经常性的从其他歌曲切换到同一首歌时，则证明这首歌不是默认切换，而属于用户偏好的歌曲。基于这一点，本实施例将歌曲切换时间小于某个值的两首歌曲作为互为关联的歌曲，当一首歌被切换到并被播放的次数大于某个值时，则这首歌作为其所有关联歌曲的相似歌曲，同时该歌曲与其相似歌曲的相似度，具体过程如下：

S301：根据歌曲的歌曲切换时间和歌曲播放次数确定所述歌曲的相似歌曲；

当歌曲切换到下一首歌的歌曲切换时间小于第一阈值时，所述下一首歌曲为所述歌曲的关联歌曲；本实施例第一阈值取5秒，在实际应用中可按具体需求取相应的其他值；

当所述歌曲的关联歌曲的播放次数等于或大于第二阈值时，所述歌曲的关联歌曲为所述歌曲的相似歌曲；本实施例第二阈值取20，在实际应用中可按具体需求取相应的其他值；

例如：歌曲A1、歌曲A2、歌曲A3切换到歌曲A的时间都小于5s，歌曲A1、歌曲A2、歌曲A3的关联歌曲都是歌曲A，当歌曲A的播放次数等于或大于20次时，歌曲A都属于歌曲A1、歌曲A2、歌曲A3的相似歌曲。

S302：计算所述歌曲与所述歌曲的相似歌曲当日的相似度；

所述歌曲与所述歌曲的相似歌曲当日的相似度为：simcur＝log₂₀freq，其中，其中，simcur为所述歌曲与所述歌曲的相似歌曲当日的相似度，freq为所述歌曲的相似歌曲的播放次数；

S303：将所述歌曲与所述歌曲的相似歌曲当日的相似度和所述歌曲上一日与所述歌曲的相似歌曲的总相似度合并；

具体为：sim＝simcur+simold*factor，其中，sim为所述歌曲与所述歌曲的相似歌曲当日的总相似度，simcur为所述歌曲与所述歌曲的相似歌曲当日的相似度，simold为所述歌曲上一日与所述歌曲的相似歌曲的总相似度，factor为第二时间衰减因子，本实施例取0.9，在实际应用中可按具体需求取相应的其他值。

例如：上一日歌曲B与歌曲B1、歌曲B2的总相似度分别为1、2，今日(当日)歌曲播放日志中新添加歌曲B3，歌曲B与歌曲B1、歌曲B2、歌曲B3的相似度分别为0.5、0.5、0.5，则今日(当日)：

歌曲B与歌曲B1的总相似度为：0.5+1*0.9＝1.4；

歌曲B与歌曲B2的总相似度为：0.5+2*0.9＝2.3；

歌曲B与歌曲B3的总相似度为：0.5+0*0.9＝0.5。

S400：根据歌曲与所述歌曲的相似歌曲的总相似度，以及所述歌曲的用户偏好度，计算所述歌曲之间的匹配值；

用户的歌曲播放日志中，歌曲之间的匹配值为歌曲和所述歌曲的相似歌曲的总相似度与所述歌曲的用户偏好度之积，具体为：匹配值＝总相似度*偏好度。

S500：根据所述歌曲与所述歌曲的相似歌曲的匹配值,将所述歌曲的相似歌曲进行排序，以及将排序后的所述歌曲的相似歌曲进行推荐

将所述歌曲的相似歌曲按匹配值大到小的顺序，根据所述歌曲的歌曲ID和用户的用户ID，将所述歌曲的相似歌曲推荐相应的用户。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种歌曲推荐方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的歌曲推荐方法，其特征在于，所述根据所述歌曲播放日志，计算所述歌曲播放日志每首歌曲的用户偏好度步骤，包括：

3.根据权利要求2所述的歌曲推荐方法，其特征在于，所述根据歌曲来源的权重以及歌曲是否完整播放，计算所述歌曲播放日志中每首歌曲的当日评分步骤，包括：

4.根据权利要求3所述的歌曲推荐方法，其特征在于，所述将所述歌曲当日的评分与所述歌曲上一日的总评分累加，获得所述歌曲当日的总评分步骤，包括：

5.根据权利要求4所述的歌曲推荐方法，其特征在于，所述根据所述歌曲当日的总评分和所述歌曲的歌曲播放次数，计算所述歌曲播放日志中每首歌曲的用户偏好度步骤，包括：

6.根据权利要求1所述的歌曲推荐方法，其特征在于，所述根据所述歌曲播放日志，计算播放日志中歌曲与所述歌曲的相似歌曲的总相似度步骤，包括：

计算所述歌曲与所述歌曲的相似歌曲当日的相似度；

7.根据权利要求6所述的歌曲推荐方法，其特征在于，所述根据歌曲切换时间确定关联歌曲步骤，包括：

8.根据权利要求7所述的歌曲推荐方法，其特征在于，所述计算所述歌曲与和述歌曲的相似歌曲当日的相似度步骤，包括：

9.根据权利要求8所述的歌曲推荐方法，其特征在于，所述将所述歌曲与所述歌曲的相似歌曲当日的相似度与所述歌曲上一日与所述歌曲的相似歌曲的总相似度合并步骤，包括：

10.根据权利要求9所述的歌曲推荐方法，其特征在于，所述根据歌曲与所述歌曲的相似歌曲的总相似度，以及所述歌曲的用户偏好度，计算所述歌曲与所述歌曲的相似歌曲的匹配值步骤，包括：

通过公式：匹配值＝总相似度*偏好度，计算所述歌曲与所述歌曲的相似歌曲的匹配值，其中，匹配值为所述歌曲与所述歌曲的相似歌曲的匹配值，总相似度为所述歌曲与所述歌曲的相似歌曲的总相似度，偏好度为所述歌曲的用户偏好度。