CN108009181B - 一种电台推荐方法及系统 - Google Patents
一种电台推荐方法及系统 Download PDFInfo
- Publication number
- CN108009181B CN108009181B CN201610972551.3A CN201610972551A CN108009181B CN 108009181 B CN108009181 B CN 108009181B CN 201610972551 A CN201610972551 A CN 201610972551A CN 108009181 B CN108009181 B CN 108009181B
- Authority
- CN
- China
- Prior art keywords
- song
- songs
- user
- listening
- preference
- 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
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
- G06F16/637—Administration of user profiles, e.g. generation, initialization, adaptation or distribution
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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种电台推荐方法及系统。该电台推荐方法包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为。根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵。根据用户听歌偏好矩阵和用户相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲。根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。本发明的目的是通过用户信息标签选择与用户匹配的歌曲构建电台，保证了电台的质量、好听度和多样性。
Description
技术领域
本发明涉及大数据、机器学习算法的个性化推荐，特别涉及一种电台推荐方法及系统。
背景技术
当前，电台一般都是人工编辑完成，每个用户看到的电台界面都是一样的。这种人工推荐的效果非常差，效率也不高。
人工编辑电台都是以热歌、老歌等各种歌曲为主，推荐形式单一。
当前电台的推荐由人工编辑来完成，工作量大，编辑工作效率不高，同一电台内的歌曲相关性也不高，不能满足每一个用户的听歌需求。为了提高工作效率和电台推荐相关性，故采用机器学习算法代替人工编辑的策略。
人工编辑电台，电台中歌曲多样性不高，歌曲好听度也不能得到保证。
发明内容
本发明的目的是为了解决现有技术中存在的技术问题，提出了一种电台推荐方法及系统。
为实现上述目的，一方面，本发明提供了一种电台推荐方法，该电台推荐方法包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为和被动听歌行为；根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；根据用户听歌偏好矩阵和用户听歌相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。
优选地，根据用户的听歌行为和听歌来源计算得到用户听歌记录歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵的步骤之后还包括：根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。
优选地，计算播放列表中每一首歌曲与播放列表中歌曲的相似度为：
其中，
为播放列表中每一首歌曲的向量，
为播放列表中其它歌曲的向量。
优选地，上述电台推荐方法还包括：根据用户行为构建用户画像，并对用户画像的标签进行权重计算，进而将用户画像信息标签化；其中，用户画像的标签包括时间标签、地点标签、事件标签和用户标签。
优选地，电台推荐方法还包括的步骤为：根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。优选地，主动听歌行为包括：关注歌曲、下载歌曲、收藏歌曲、搜索歌曲、购买歌曲和本地上传歌曲中的一种或多种行为。
另一方面，本发明提供了一种电台推荐系统，该电台推荐系统包括：第一构造单元、第二构造单元、选择单元和第三构造单元。第一构造单元用于根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为；第二构造单元用于根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；选择单元用于从根据用户听歌偏好矩阵和用户听歌相似矩阵中选择歌曲，并对选择歌曲的每一首歌曲相似得分进行计算，得到最终推荐的歌曲；第三构造单元用于根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。
优选地，电台推荐系统还包括更新单元：更新单元用于根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。
优选地，电台推荐系统还包括第四构建单元：第四构建单元用于根据用户行为构建用户画像，并对用户画像的标签进行权重计算，进而将用户画像信息标签化；其中，用户画像的标签包括时间标签、地点标签、事件标签和用户标签。
优选地，第三构建单元还用于：根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。
本发明的目的通过用户信息标签选择与用户匹配的歌曲构建电台，保证了电台的质量、好听度和多样性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种电台推荐方法的结构示意图；
图2为图1中计算相似度的坐标图；
图3为本发明实施例提供的一种电台推荐系统的结构示意图。
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为本发明实施例提供的一种电台推荐方法的结构示意图。如图1所示，该电台推荐方法的步骤包括：
步骤S100：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；
根据用户听歌行为、听歌来源计算歌曲的偏好得分。听歌行为分为主动听歌行为和被动听歌行为。主动听歌行为包括：红心、取消红心、下载、收藏、搜索、购买、本地上传；被动听歌行为：播放、完整收听。听歌来源包括每日推荐、歌单、电台、分区、排行榜。
例如，假定一共有M个听歌用户，每个用户听歌记录里保留top3000的歌曲，这样就会得到一个[Mx 3000]维度的听歌偏好矩阵。
步骤S110：根据主动听歌行为和用户播放歌曲的偏好得分从用户听歌偏好矩阵选择歌曲生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；
将用户红心列表、搜索、下载、本地上传等根据主动听歌行为用户播放歌曲的偏好得分将用户听歌偏好矩阵中主动听歌行为对应的歌曲产生生成播放列表，使用word2vec深度学习工具进行训练，得到播放列表中每一首歌曲对应的歌曲词向量。
word2vec深度学习工具通过训练，可以把对歌曲文本内容的处理简化为K维向量空间中的向量运算，而进而通过向量空间上的相似度可以表示歌曲文本语义上的相似度，即歌曲的相似度。
利用余弦距离计算播放列表中一首歌曲与播放列表其他歌曲的相似度，进而得到播放列表中一首歌与播放列表其他歌曲的相似度，结合组合播放列表中所有的歌曲的相似度，进而形成相似矩阵。
如，计算每个歌曲最相近的top1000个歌曲，作为该歌曲的相似歌曲。假定一共有N歌曲，计算完每个歌曲的相似歌曲后，就会得到一个[Nx 1000]维度的歌曲相似矩阵MusicSimilar Matrix。
通过余弦相似度，得到播放列表中一首歌曲与播放列表中其他歌曲的相似度。
例如，假定播放列表中一首歌的歌词曲向量为
播放列表其他歌词曲向量为
那么余弦定理改写成下面的形式：
步骤S120：根据用户听歌偏好矩阵和用户听歌相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；
根据播放列表从歌曲相似矩阵中选择歌曲，并计算选择歌曲中每一首歌曲的相似得分，将相似得分较高歌曲作为最终推荐的歌曲。
如，预先设置规则从歌曲相似矩阵中选择50首歌曲，需要从50首歌曲中选择相似得分排序前30的30首歌作为最终推荐的歌曲。
从播放列表选择排在前50的歌曲[song01,song02,…,song50]。针对top50歌曲，从歌曲相似矩阵中选择该歌曲与播放列表中其他歌曲的相似度。[song01_similart01,song01_similart02,song01_similart03,…]为top50中的第一首歌与播放列表中其他歌曲的相似度。
[song02_similart01,song02_similart02,song02_similart03,…]为top50中的第二首歌与播放列表中其他歌曲的相似度。
[song50_similart01,song50_similart02,song50_similart03,…]为top50中的第50首歌与播放列表中其他歌曲的相似度。
累加相似歌曲得分，取相似得分排序前30的歌曲，作为最终要推荐给用户的歌曲。
步骤S130：根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。
根据权重随机排序算法，就是让得相似得分高的尽量可能性大的排在前面，排序时含有一种随机性。比如一些得分如下[6,2,5,7,3,8,10,9],权重随机排序完的结果可能如下：[6,9,10,8,7,5,3,2]。
本发明实施例中构建电台中的权重随机排序算法是最优的算法，并不局限此算法。
可选的，步骤S100中计算的偏好得分不是一成不变的，会随着时间和是不是最热歌曲而减低，也就是歌曲偏好矩阵也会发生变化。
在步骤S100之后还包括步骤S140：
步骤S140：根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。
具体地，歌曲的偏好得分还需要考虑时间衰减、热度降权两个因素，来更新用户对歌曲的偏好得分。降权的规则是，随着时间的延长，歌曲偏好得分减少；随着热度的增加，歌曲偏好得分增加。
本发明实施例通过用户听歌偏好矩阵和用户歌曲相似矩阵对应同一用户，进而从用户歌曲相似矩阵中选择与用户匹配的歌曲进行电台构建，构建用户的专属电台。
可选的，用户的综合信息更能体现用户的喜好，进而更能选择与用户匹配的歌曲。电台推荐方法还包括：
步骤S150：根据用户行为构建用户画像，并对用户画像的标签进行权重计算，得到用户画像信息；其中，用户画像包括时间标签、地点标签、事件标签和用户标签；
用户标签：对用户的标识，用户标识的目的是为了区分用户、单点定位。
下表是用户标识的种类，用户标识种类不同，对应的比重也是不同的。
时间标签：用户在平台中停留时间或两个操作之间的间隔时间。该时间精确到秒；
地点标签：用户接触点，包含网址/模块或者内容；
事情标签：用户在平台的操作。以电商网站举例，即：浏览、添加购物车、搜索、评论、购买、点击赞、收藏等等。
以上针对标签计算权重，从而将用户画像标签数据化。
对于一个用户这些数据来源包括：网络行为数据、服务内行为数据、用户内容偏好数据、用户交易数据。
网络行为数据：活跃人数、页面浏览量、访问时长、激活率、外部触点、社交数据等。
服务内行为数据：浏览路径、页面停留时间、访问深度、唯一页面浏览次数。
用户内容便好数据：浏览/收藏内容、评论内容、互动内容、生活形态偏好、品牌偏好等用户交易数据(交易类服务)：贡献率、客单价、连带率、回头率、流失率等。
步骤S160：根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。
根据用户画像信息，得知用户喜欢的歌曲、歌手、流派、听歌场景等信息，从最终推荐歌曲中找到与用户信息最匹配的歌曲，并根据该歌曲构建专属于该用户的电台。
电台构建过程如下：
1、用户画像信息中包括了许多和音乐相关度非常大的因子，常用的包括年龄、喜好歌手、喜好流派、喜好听歌场景(咖啡厅、餐馆、图书馆等)、文艺青年模型(根据用户发言、评论等行为判断用户是否为文艺青年)、当前地理坐标和当前行为(上班、下班、运动、开车、睡前听音乐等)。每个因子都有各自的权重weight，weight是一个[0,1]的数字，weight值为0表示当前因子不起作用。
比如当前要判断的用户，他的权重列表如下：
[年龄:25，weight：0]
[喜好歌手:周杰伦，王菲，weight：0.5]
[喜好流派:摇滚，民谣，weight：0.3]
[喜好听歌场景:咖啡厅，weight：0.1]
[当前地理坐标:上海外滩，weight：0.1]
[当前行为:睡前，weight：0.2]
[文艺青年模型:是，weight：0.3]
权重的值是根据用户近期的行为计算出来的，会随着用户行为的变化而变化。
2、根据以上用户画像因子及权重值，重新过滤一遍步骤S120中最终推荐的歌曲的候选集。歌曲都会带有一些标签(例如，歌手信息，歌曲风格等)，用来和用户画像做匹配。比如对于一首歌曲A，当歌曲A的相似得分值是score，如果歌曲A满足喜好歌手，得分即变为score*(1+0.5)＝1.5*score,同时也满足听歌场景的话，那么得分变为1.6*score。如果歌曲B一个因子都没有匹配上，那么其得分保持不变。
3、权重随机排序算法，就是让得分高的尽量可能性大的排在前面，排序时含有一种随机性。比如一些得分如下[6,2,5,7,3,8,10,9],权重随机排序完的结果可能如下：[6,9,10,8,7,5,3,2]。
4、确定电台歌曲排练顺序。经过第2步，步骤S120中最终推荐的歌曲中某些歌曲的得分发生了变化。使用权重随机算法，对步骤S120中最终推荐的歌曲按照分值进行重新排序，得到最终歌曲顺序，此时电台歌曲构建完成。
本发明实施例中构建电台中的权重随机排序算法是最优的算法，并不局限此算法。
需要说明的是，步骤S100-S140也可以完成选歌曲到构建电台并推荐给用户的过程。进一步的，步骤S100-S160则是在步骤S140的基础上，步骤S150对用户信息标签化，步骤S160则是结合步骤S140和步骤S150执行结果构建电台并推荐给用户。
图2为图1中计算相似度的坐标图。如图2所示，利用余弦距离计算公式计算播放列表中每一首歌曲与播放列表中其他歌曲的相似度，进而找到相似的歌曲。
播放列表中一首歌的歌词曲向量为
播放列表其他歌词曲向量为
θ为
和
之间的角度，那么余弦定理改写成下面的形式：
图3为本发明实施例提供的一种电台推荐系统的结构示意图一。如图3所示，该电台推荐系统包括：第一构建单元10、第二构建单元20、选择单元30和第三构造单元40。
第一构造单元10根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为；第二构造单元20用于根据主动听歌行为和用户播放歌曲的偏好得分从用户听歌偏好矩阵选择歌曲生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；选择单元30用于根据用户听歌偏好矩阵和用户相似矩阵中选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；第三构造单元40根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。
可选的，计算的偏好得分不是一成不变的，会随着时间和歌曲的热度而变化，相应的歌曲偏好矩阵也会发生变化。
具体地，电台推荐系统还包括刷新单元50：
刷新单元50用于根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。
可选的，用户的综合信息更能体现用户的喜好，进而更能选择与用户匹配的歌曲。
具体地，电台推荐系统还包括第四构建单元60：
第四构建单元60用于根据用户行为构建用户画像，并对用户画像的标签进行权重计算，进而将用户画像信息标签化；其中，用户画像的标签包括时间标签、地点标签、事件标签和用户标签。
第三构建单元40则是根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。
本发明的目的通过用户信息标签选择与用户匹配的歌曲构建电台，保证了电台的质量、好听度和多样性。
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 (9)
1.一种电台推荐方法，其特征在于，包括：
根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵；其中，所述听歌行为包括主动听歌行为和被动听歌行为；所述主动听歌行为包括：红心、取消红心、下载、收藏、搜索、购买、本地上传中的至少一种；所述被动听歌行为包括：播放、完整收听中的至少一种；所述听歌偏好矩阵为[Mx N]，Mx表示M个听歌用户，N表示每个用户的听歌记录里保留的前N首歌曲，M、N为大于等于1的自然数；
根据所述主动听歌行为和所述用户播放歌曲的偏好得分从用户听歌偏好矩阵选择歌曲生成播放列表，并利用深度学习工具把对歌曲文本内容的处理简化为K维向量空间中的向量运算，以及计算所述播放列表中每一首歌曲与所述播放列表中其它歌曲的相似度，并依据所述播放列表中每一首歌曲与所述播放列表中其他歌曲的相似度形成用户听歌相似矩阵；其中，所述计算所述播放列表中每一首歌曲与所述播放列表中其他歌曲的相似度包括：
其中，
为播放列表中每一首歌曲的向量，
为播放列表中其它歌曲的向量；
根据所述用户听歌偏好矩阵和所述用户听歌相似矩阵选择歌曲，并对所述选择歌曲中每一首歌曲相似得分进行计算，将相似得分高的歌曲作为最终推荐的歌曲；
根据所述最终推荐的歌曲构造歌曲电台，将所述电台推荐给用户。
2.根据权利要求1所述的方法，其特征在于，根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵的步骤之后还包括：
根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新所述用户听歌偏好矩阵。
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：根据用户行为构建任务事件模型，并对任务事件模型的标签进行权重计算，进而将用户画像信息标签化；其中，任务事件模型的标签包括时间标签、地点标签、事件标签和用户标签。
4.根据权利要求1或3所述的方法，其特征在于，所述方法还包括的步骤为：
根据用户画像信息从最终推荐歌曲中选择与所述用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。
5.根据权利要求4所述的方法，其特征在于，所述主动听歌行为包括：关注歌曲、下载歌曲、收藏歌曲、搜索歌曲、购买歌曲和本地上传歌曲中的一种或多种行为；
所述被动听歌行为包括：播放、完整收听中的一种或多种行为。
6.一种电台推荐系统，其特征在于，包括：第一构造单元(10)、第二构造单元(20)、选择单元(30)和第三构造单元(40)；
所述第一构造单元(10)用于根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵；其中，所述听歌行为包括主动听歌行为和被动听歌行为；所述主动听歌行为包括：红心、取消红心、下载、收藏、搜索、购买、本地上传中的至少一种；所述被动听歌行为包括：播放、完整收听中的至少一种；所述听歌偏好矩阵为[Mx N]，Mx表示M个听歌用户，N表示每个用户的听歌记录里保留的前N首歌曲，M、N为大于等于1的自然数；
所述第二构造单元(20)用于根据所述主动听歌行为和所述用户播放歌曲的偏好得分从用户听歌偏好矩阵选择歌曲生成播放列表，并利用深度学习工具把对歌曲文本内容的处理简化为K维向量空间中的向量运算，以及计算所述播放列表中每一首歌曲与所述播放列表中其它歌曲的相似度，并依据所述播放列表中每一首歌曲与所述播放列表中其他歌曲的相似度形成用户听歌相似矩阵；其中，所述计算所述播放列表中每一首歌曲与所述播放列表中其他歌曲的相似度包括：
其中，
为播放列表中每一首歌曲的向量，
为播放列表中其它歌曲的向量；
所述选择单元(30)用于根据所述用户听歌偏好矩阵和所述用户听歌相似矩阵选择歌曲，并对所述选择歌曲中每一首歌曲相似得分进行计算，将相似得分高的歌曲作为最终推荐的歌曲；
所述第三构造单元(40)用于根据所述最终推荐的歌曲构造歌曲电台，将所述电台推荐给用户。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括刷新单元(50)：
所述刷新单元(50)用于根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新所述用户听歌偏好矩阵。
8.根据权利要求7所述的系统，其特征在于，所述系统还包括第四构建单元(60)：
所述第四构建单元(60)用于根据用户行为构建任务事件模型，并对任务事件模型的标签进行权重计算，进而将用户画像信息标签化；其中，任务事件模型的标签包括时间标签、地点标签、事件标签和用户标签。
9.根据权利要求8所述的系统，其特征在于，所述第三构建单元(40)还用于：
所述第三构建单元(40)用于根据所述用户画像信息从最终推荐歌曲中选择与所述用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610972551.3A CN108009181B (zh) | 2016-10-28 | 2016-10-28 | 一种电台推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610972551.3A CN108009181B (zh) | 2016-10-28 | 2016-10-28 | 一种电台推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108009181A CN108009181A (zh) | 2018-05-08 |
| CN108009181B true CN108009181B (zh) | 2021-03-19 |
Family
ID=62048413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610972551.3A Active CN108009181B (zh) | 2016-10-28 | 2016-10-28 | 一种电台推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108009181B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118282B (zh) * | 2018-08-08 | 2022-03-15 | 福建百悦信息科技有限公司 | 一种双模互感智能空间用户画像管理方法及终端 |
| CN111753124B (zh) * | 2019-03-29 | 2024-06-18 | Tcl科技集团股份有限公司 | 一种音乐推荐方法及服务器 |
| CN111078931B (zh) * | 2019-12-10 | 2023-08-01 | 腾讯科技（深圳）有限公司 | 歌单推送方法、装置、计算机设备及存储介质 |
| CN111159578B (zh) * | 2019-12-31 | 2023-10-13 | 第四范式（北京）技术有限公司 | 一种推荐对象的方法和系统 |
| CN111432226B (zh) * | 2020-03-27 | 2022-05-17 | 成都酷狗创业孵化器管理有限公司 | 直播推荐方法、装置、服务器、终端及存储介质 |
| CN112800270B (zh) * | 2021-01-27 | 2022-10-14 | 南京邮电大学 | 基于音乐标签和时间信息的音乐推荐方法及系统 |
| CN112860937B (zh) * | 2021-01-28 | 2022-09-02 | 陕西师范大学 | 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060156326A1 (en) * | 2002-08-30 | 2006-07-13 | Silke Goronzy | Methods to create a user profile and to specify a suggestion for a next selection of a user |
| CN102654860A (zh) * | 2011-03-01 | 2012-09-05 | 北京彩云在线技术开发有限公司 | 一种个性化音乐推荐方法及系统 |
| CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与系统 |
-
2016
- 2016-10-28 CN CN201610972551.3A patent/CN108009181B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060156326A1 (en) * | 2002-08-30 | 2006-07-13 | Silke Goronzy | Methods to create a user profile and to specify a suggestion for a next selection of a user |
| CN102654860A (zh) * | 2011-03-01 | 2012-09-05 | 北京彩云在线技术开发有限公司 | 一种个性化音乐推荐方法及系统 |
| CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 栗波.音乐电台推荐系统的设计与实现.《中国优秀硕士学位论文全文数据库信息科技辑》.2016,(第02期),第1-74页. * |
| 音乐电台推荐系统的设计与实现;栗波;《中国优秀硕士学位论文全文数据库信息科技辑》;20160215(第02期);第1-74页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108009181A (zh) | 2018-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009181B (zh) | 一种电台推荐方法及系统 | |
| US20170161818A1 (en) | Explanations for personalized recommendations | |
| CN101464881B (zh) | 基于用位置信息标记的播放历史信息、在分布式环境中生成媒体推荐的方法和系统 | |
| US20190138551A1 (en) | Systems and methods of classifying content items | |
| US9706008B2 (en) | Method and system for efficient matching of user profiles with audience segments | |
| US20170364589A1 (en) | Analyzing Captured Sound and Seeking a Match Based on an Acoustic Fingerprint for Temporal and Geographic Presentation and Navigation of linked Cultural, Artistic, and Historic Content | |
| Braunhofer et al. | Location-aware music recommendation | |
| US8296291B1 (en) | Surfacing related user-provided content | |
| US20140317105A1 (en) | Live recommendation generation | |
| US9369514B2 (en) | Systems and methods of selecting content items | |
| US10121182B1 (en) | Generating media recommendations based upon beats per minute | |
| Schedl et al. | Putting the User in the Center of Music Information Retrieval. | |
| CN106777051A (zh) | 一种基于用户组的多反馈协同过滤推荐方法 | |
| US11093544B2 (en) | Analyzing captured sound and seeking a match for temporal and geographic presentation and navigation of linked cultural, artistic, and historic content | |
| CN104679771A (zh) | 一种个性化数据搜索方法和装置 | |
| CN102576438A (zh) | 用于执行推荐的方法和设备 | |
| US20220122147A1 (en) | Emotion calculation device, emotion calculation method, and program | |
| JP6137960B2 (ja) | コンテンツ検索装置、方法及びプログラム | |
| Yu et al. | Latent dirichlet allocation based diversified retrieval for e-commerce search | |
| CN107977370B (zh) | 一种歌手推荐方法及系统 | |
| JP2018084928A (ja) | 選択装置、選択方法および選択プログラム | |
| Rubtsov et al. | A hybrid two-stage recommender system for automatic playlist continuation | |
| CN105898426A (zh) | 多媒体内容处理方法、装置及服务器 | |
| Xie et al. | A probabilistic recommendation method inspired by latent Dirichlet allocation model | |
| KR20170051959A (ko) | 소셜 테이스트 분석 기반 다중 한류 콘텐츠 검색 및 추천 시스템 |
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 |