CN108205551A - 一种歌曲推荐方法和歌曲推荐系统 - Google Patents

一种歌曲推荐方法和歌曲推荐系统 Download PDF

Info

Publication number
CN108205551A
CN108205551A CN201611173991.9A CN201611173991A CN108205551A CN 108205551 A CN108205551 A CN 108205551A CN 201611173991 A CN201611173991 A CN 201611173991A CN 108205551 A CN108205551 A CN 108205551A
Authority
CN
China
Prior art keywords
song
user
vector
effectively
core customer
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.)
Granted
Application number
CN201611173991.9A
Other languages
English (en)
Other versions
CN108205551B (zh
Inventor
璧靛博
赵岩
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 CN201611173991.9A priority Critical patent/CN108205551B/zh
Publication of CN108205551A publication Critical patent/CN108205551A/zh
Application granted granted Critical
Publication of CN108205551B publication Critical patent/CN108205551B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63Querying
    • G06F16/638Presentation of query results
    • G06F16/639Presentation of query results using playlists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/63Querying
    • G06F16/635Filtering based on additional data, e.g. user or group profiles

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

本发明涉及一种歌曲推荐方法和歌曲推荐系统。其中,歌曲推荐方法包括以下步骤:通过获取歌曲向量空间;根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量;对用户的有效听歌向量进行识别,获取核心用户和普通用户,并根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区,之后构建核心用户和普通用户与潜在社区间的映射关系,获取索引信息;根据待推荐用户的标识信息和所述索引信息,确定待推荐用户所属的所述潜在社区的标识信息;根据潜在社区的标识信息,向待推荐用户推荐歌曲列表。该歌曲推荐方法可以在歌曲推荐时,提高推荐的信任度,从而增强了用户的满意度。

Description

一种歌曲推荐方法和歌曲推荐系统
技术领域
本发明涉及数据分析技术领域,尤其涉及一种歌曲推荐方法和歌曲推荐系统。
背景技术
在传统的推荐技术中按推荐方式可以分为基于用户属性分析的推荐,(如用户的性别、年龄、住址等属性)、基于用户行为分析的推荐(如电商平台的购买、添加购物车、清除购物车、广告点击、评价等行为,在音乐服务中的播歌、下载、收藏、评分等行为),以及基于社交关系分析的推荐(如微博的关注关系、微信的关注关系、QQ的好有关系等)。信任度是评价推荐系统的重要指标之一,信任度越高,推荐效果越好,由于基于社交关系的推荐是建立在人与人之间的虚拟或真实联系的,故天然具有很高的信任度。
在互联网应用中,音乐类型的网站给人们的生活带来了很多的便利。用户在音乐网站上可以选择在线收听他们喜欢的歌曲,甚至还可以在音乐网站上结交相同音乐偏好的朋友。为了更好的享受喜欢的音乐就需要相应音乐网站提供一种歌曲的推荐方法。
但是,在音乐推荐领域,由于大多数音乐服务提供商并没有构建社交型的音乐服务,以致缺少足够的用户间的社交关系信息,致使当前音乐推荐技术仅限于用户属性和用户行为的分析,信任度不高,导致歌曲推荐的准确度不高。
发明内容
本发明提供了一种歌曲推荐方法和歌曲推荐系统。该方法可以在歌曲推荐时,提高推荐的信任度,增强了用户的满意度。
第一方面,提供了一种歌曲推荐方法,该方法可以包括:获取歌曲向量空间。根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量。对用户的有效听歌向量进行识别,获取核心用户和普通用户。根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区。构建核心用户和所述普通用户与潜在社区间的映射关系,获取索引信息。根据待推荐用户的标识信息和所述索引信息,确定待推荐用户所属的所述潜在社区的标识信息。根据潜在社区的标识信息,向待推荐用户推荐歌曲列表。
在一种可选的实现中,获取歌曲向量空间,具体包括:对全部歌曲按歌曲向量的被听次数进行排序,获取歌曲向量空间。
在一种可选的实现中,根据所述歌曲向量空间中用户的歌曲向量,获取所述用户的有效听歌向量之前,该方法还包括:设置第一阈值,第一阈值为歌曲向量中歌曲的播放时长与歌曲的播放总时长的占比。根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量,具体包括:对歌曲向量空间中用户的歌曲向量进行频数统计,获取用户的听歌向量。将用户的听歌向量中歌曲的播放时长与歌曲的播放总时长的占比,与第一阈值进行比较,获取用户的有效听歌向量。
在一种可选的实现中,对用户的有效歌曲向量进行识别,获取核心用户和普通用户,具体包括:对用户的有效歌曲向量中的歌曲总量进行排序,获取核心用户和普通用户。
在一种可选的实现中,对用户的有效歌曲向量进行识别,获取核心用户和普通用户之前,该方法还包括:设置第二阈值,第二阈值为用户在单位时间内听过的歌曲数量。当用户在单位时间内在有效听歌向量中听过的歌曲数量不小于第二阈值时,删除所述用户。当用户在单位时间内在有效听歌向量中听过的歌曲数量小于第二阈值时,确定用户为有效用户。对有效用户的有效听歌向量进行识别,获取核心用户和普通用户。
在一种可选的实现中,根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区,具体包括:将核心用户的有效听歌向量按歌曲向量的被听次数进行聚类,获取核心用户社区,所述核心用户社区用中心向量来表征。根据普通用户的有效听歌向量与中心向量间的距离,确定潜在社区。
在一种可选的实现中,根据潜在社区的标识信息,向待推荐用户推荐歌曲列表,具体包括:根据潜在社区的标识信息,获取潜在社区中所述核心用户的听歌列表。对核心用户的听歌列表进行合并。根据合并后的核心用户的听歌列表与待推荐用户的听歌列表,获取待推荐用户的歌曲推荐列表。
在一种可选的实现中,根据潜在社区的标识信息,获取潜在社区中核心用户的听歌列表,具体包括:根据潜在社区的标识信息,获取潜在社区中核心用户的标识信息。根据核心用户的标识信息,获取核心用户的听歌列表。
第二方面,提供了一种歌曲推荐系统,该系统可以包括:社区发现模块,用于获取歌曲向量空间,并根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量。之后对用户的有效听歌向量进行识别,获取核心用户和普通用户。根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区。索引构建模块,用于构建核心用户和普通用户与潜在社区间的映射关系,获取索引信息。推荐模块,用于根据待推荐用户的标识信息和索引信息,确定待推荐用户所属的潜在社区的标识信息,并根据潜在社区的标识信息,向待推荐用户推荐歌曲列表。
在一种可选的实现中,社区发现模块具体用于:将核心用户的有效听歌向量按歌曲向量的被听次数进行聚类,获取核心用户社区,核心用户社区用中心向量来表征.
根据普通用户的有效听歌向量与中心向量间的距离,确定潜在社区。
附图说明
为了更清楚地说明本发明实施例的技术方案,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,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的社交关系网络示意图;
图2为本发明实施例提供的一种歌曲推荐方法的流程图;
图3为本发明实施例提供的一种歌曲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社交关系网络示意图。如图1所示,用户1下载了歌曲A;用户2也下载了歌曲A。可知,针对歌曲A,用户2与用户1可以是相同音乐的爱好者,也就是说,对于社交关系的推荐的基础数据包括歌曲与用户之间的关联关系,从而根据歌曲与用户之间的关联关系,构建潜在的用户关系,如用户1与用户2的关联关系。
其中,一首歌曲与一个用户之间的关联,既可以是由于这首歌曲被这个用户喜欢而建立的关联,也可以是这首歌曲被这个用户听过而建立的关联,本发明对此不做限制。需要理解的是,以上歌曲与用户之间的关联关系,在用户使用音乐网站时,对用户的行为进行记录即可得到,也就是说,以上行为可以通过对网站日志的分析获取,从而为用户提供个性化服务。例如,用户1在听歌曲A时点击了喜欢按钮,记录该行为就可以得到用户1与歌曲A之间的关联关系。可以理解的是,音乐网站数据库中保存的全部歌曲,可以构成一个歌曲集合,而在音乐网站数据库中保存的注册用户,则构成了一个用户集合。
图2为本发明实施例提供的一种歌曲推荐方法的流程图。如图2所示,该方法可以包括:
步骤210、获取歌曲向量空间。
由于基础数据维度越高,计算量越大。也就是说,基础数据数量越大,运算开销越大。
因此,可以对曲库中全部歌曲按歌曲向量的被听次数进行排序,获取被听次数多的至少一个歌曲向量构成的歌曲向量空间,从而有效的减少计算量。例如,将曲库中全部歌曲按热度进行排序,取序号前10万(top10)的歌曲向量构成的歌曲向量空间,即将千万维的基础数据压缩至10万维参与统计计算。
可以理解的是,获取歌曲向量空间的方式除了上述压缩基础数据的方式,还可以通过其他方式获取,本发明实施例在此不再赘述。
在一个例子中,设曲库有A、B、C、D、E五首歌,按歌曲向量的被听次数进行排序后,参与统计的只有A、B、C、D四首歌,这四首歌构成了全部的取值范围,即一个四维的歌曲向量空间。
若用户1听了A四次,B零次,C三次,D一次,E两次,则最终形成关于用户1的一个听歌向量[4,0,3,1],听歌向量中的位置对应ABCD四首歌的名字,数量表示频数。由于E不在向量空间ABCD中,故并不参与统计。
步骤220、根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量。
针对每一个用户,在指定时间范围内对歌曲向量空间中用户的歌曲向量进行频数统计,获取该用户的听歌向量。
为了更好地表征用户的听歌习惯,在执行步骤120之前,可以设置第一阈值。
第一阈值为歌曲向量中歌曲的播放时长与该歌曲的播放总时长的占比。
将用户的听歌向量中歌曲的播放时长与该歌曲的播放总时长的占比,与第一阈值进行比较。
当用户的听歌向量中歌曲的播放时长与该歌曲的播放总时长的占比,不小于第一阈值时,确认该听歌向量为有效听歌向量。如界定播放时长占歌曲总时长85%的听歌行为为有效听歌行为,从而获取有效听歌向量。
当用户的听歌向量中歌曲的播放时长与该歌曲的播放总时长的占比,小于第一阈值时,确认该听歌向量为非有效听歌向量。该非有效听歌向量不做统计。
步骤230、对用户的有效听歌向量进行识别,获取核心用户和普通用户。
可选地,为了提高统计的准确性,在执行步骤230之前,可以对系统日志进行分析,排除具备刷单行为的用户。该刷单行为可以表示为在短时间内多次播放同一首歌曲。由此可以通过设定第二阈值对具有此类行为的用户进行筛选该第二阈值为用户在单位时间内听过的歌曲数量。如第二阈值设置为每小时30首。
将用户在单位时间内在有效听歌向量中听过的歌曲数量与第二阈值进行比较。
当用户在单位时间内在有效听歌向量中听过的歌曲数量不小于第二阈值时,确认为该用户的行为为刷单行为,此时删除该用户,也就是说,该用户不做统计。
当用户在单位时间内在有效听歌向量中听过的歌曲数量小于第二阈值时,确认为该用户的行为为正常播歌行为,也就是说,该用户为有效用户。
回到步骤230,对有效用户的有效听歌向量进行识别,获取核心用户和普通用户。
具体为,将用户按有效听歌向量中有效听歌的总数进行排序,就是把有效听歌向量中每首歌的次数相加。可以理解的是,有效听歌的总数多的用户可以认为是核心用户(或音乐爱好者),且具备一定的自主搜索歌曲的能力,其余的用户可以认为是普通用户。如,取有效听歌的总数排序前10万(top10万)的用户作为核心用户,其余用户作为普通用户。
可见,核心用户的有效听歌总量大于普通用户的有效听歌总量,即核心用户比普通用户更活跃。
步骤240、根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区。
在步骤240之前,需要执行步骤241,对筛选出的全部核心用户进行聚类,获取至少一个核心用户社区。
社区发现是指在一个集合中,根据集合中元素的某种关系,将集合划分为若干子集(即社区)的过程。
将筛选出的全部核心用户(即活跃用户)的有效听歌向量按歌曲向量的被听次数(或听歌行为)进行聚类,也就是说,按照听歌行为将全部核心用户进行聚类,获取聚类后的至少一个核心用户社区,核心用户社区包括聚类后拥有共同兴趣爱好(如喜欢相同或相似歌曲)的至少一个核心用户,其是全部核心用户的一个子集。其中,聚类后的核心用户社区可以用中心向量来表征,可以理解的是,中心向量为该社区共同的兴趣爱好。
需要说明的是,本发明上述实施例采用的聚类方法为K-means聚类,距离计算方法为欧式距离,除此之外,聚类方法还可以采用Canopy聚类、k-mediods聚类或GMM聚类等,距离计算方法还可以为余弦距离、标准化欧式距离或杰卡德相似系数等,本发明实施例在此不做限定。
步骤242、根据筛选出的全部普通用户的有效听歌向量与至少一个核心用户社区的中心向量间的距离,确定潜在社区。
对于每一个普通用户,计算其听歌向量与各个核心用户社区的中心向量的距离,并将相应普通用户划分至距离最近的社区,从而确定由核心用户及普通用户共同组成的潜在社区。在潜在社区中,以普通用户和核心用户为点,以共同兴趣作为隐含的边连接而成,各个潜在社区之间无连接,社区内部为全连接。
可见,社区发现所使用的快速聚类方法的聚类对象仅仅是核心用户,由于社区在一定时间范围内具有稳定性,因此通过聚类生成核心用户社区的过程不必频繁计算,从而降低了运行成本。同时,普通用户不参与聚类过程,只需通过划分的方式划归到具体潜在社区(簇)中,有效减少了聚类的计算量。
步骤250、构建每个用户,与潜在社区间的映射关系,获取相应索引信息。
为了加快推荐系统响应速度,需要构建每个用户的标识信息(ID)到相应潜在社区ID的索引(如,社区A=>[核心用户1,核心用户2,核心用户3]),用以快速确定用户所属社区。
其中,对于未建索引的用户(即新的用户)可以通过实时计算历史听歌向量到各潜在社区的中心向量的距离来确定所属潜在社区,确定该社区的第一标识信息。
步骤260、根据待推荐用户的标识信息和索引信息,确定待推荐用户所属的潜在社区的标识信息。
在步骤260之前,需要获取待推荐用户的标识信息。
根据待推荐用户的标识信息和用户与潜在社区间的映射关系,确定相应潜在社区,从而获取该社区的标识信息。
步骤270、根据潜在社区的标识信息,向待推荐用户推荐歌曲列表。
具体的,建立潜在社区的ID到相应社区内核心用户ID的索引,以便通过社区ID获取到全部核心用户ID及相应播放列表,进而计算出相应用户的推荐列表。
其中,将潜在社区内的核心用户视为音乐推荐者,将普通用户视为被推荐者,构建了同一潜在社区内普通用户对核心用户的单向信任关系,以及核心用户间的双向信任关系,提升了推荐的信任度。
具体推荐过程为:
在每一个潜在社区内,合并全部核心用户的听歌列表,并按播放次数进行排序,将合并后的听歌列表与待推荐用户的听歌列表取差集,生成该用户的推荐列表。
需要说明的是,推荐过程还可以按不同权重结合其它推荐算法,为两类用户提供不同的推荐策略。
在一个例子中,当某一待推荐用户登录音乐网站后,通过每个用户的ID到潜在社区的ID的映射关系,获取到该用户所属的潜在社区的ID,再根据潜在社区的ID到所属全部核心用户ID的映射关系,获取到该社区全部核心用户ID列表,最后根据全部核心用户ID与相应用户听歌列表的关系,获取到该社区全部核心用户的听歌列表。
与上述方法对应的,本发明实施例还提供一种歌曲推荐系统,如图3所示,该系统可以包括:社区发现模块310,索引构建模块320和推荐模块330,
社区发现模块310,用于获取歌曲向量空间.
根据歌曲向量空间中用户的歌曲向量,获取用户的有效听歌向量。
对用户的有效听歌向量进行识别,获取核心用户和普通用户。
根据核心用户的有效听歌向量和普通用户的有效听歌向量,确定潜在社区。
索引构建模块320,用于构建核心用户和普通用户与潜在社区间的映射关系,获取索引信息。
推荐模块330,用于根据待推荐用户的标识信息和索引信息,确定待推荐用户所属的潜在社区的标识信息。
根据潜在社区的标识信息,向待推荐用户推荐歌曲列表。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件指令可以由相应的软件模块组成,软件模块可以被存放于随机存取存储器、闪存、只读存储器、可擦除可编程只读寄存器(英文:erasableprogrammable read-only memory,EPROM)存储器、电可擦可编程只读存储器存储器(英文:electrically erasable programmable read-only memory,EEPROM)、硬盘、只读光盘(英文:compact disc read-only memory,CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。当然,处理器和存储介质也可以作为分立组件存在于用户设备中。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
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,凡在本发明的技术方案的基础之上,所做的任何修改、等同替换、改进等,均应包括在本发明的保护范围之内。

Claims (10)

1.一种歌曲推荐方法,其特征在于,包括以下步骤:
获取歌曲向量空间;
根据所述歌曲向量空间中用户的歌曲向量,获取所述用户的有效听歌向量;
对所述用户的有效听歌向量进行识别,获取核心用户和普通用户;
根据所述核心用户的有效听歌向量和所述普通用户的有效听歌向量,确定潜在社区;
构建所述核心用户和所述普通用户与潜在社区间的映射关系,获取索引信息;
根据待推荐用户的标识信息和所述索引信息,确定所述待推荐用户所属的所述潜在社区的标识信息;
根据所述潜在社区的标识信息,向所述待推荐用户推荐歌曲列表。
2.根据权利要求1所述的方法,其特征在于,所述获取歌曲向量空间,具体包括:
对全部歌曲按歌曲向量的被听次数进行排序,获取歌曲向量空间。
3.根据权利要求1所述的方法,其特征在于,所述根据所述歌曲向量空间中用户的歌曲向量,获取所述用户的有效听歌向量之前,还包括:
设置第一阈值,所述第一阈值为所述歌曲向量中歌曲的播放时长与所述歌曲的播放总时长的占比;
所述根据所述歌曲向量空间中用户的歌曲向量,获取所述用户的有效听歌向量,具体包括:
对所述歌曲向量空间中用户的歌曲向量进行频数统计,获取所述用户的听歌向量;
将所述用户的听歌向量中歌曲的播放时长与所述歌曲的播放总时长的占比,与所述第一阈值进行比较,获取所述用户的有效听歌向量。
4.根据权利要求1所述的方法,其特征在于,对所述用户的有效歌曲向量进行识别,获取核心用户和普通用户,具体包括:
对所述用户的有效歌曲向量中的歌曲总量进行排序,获取所述核心用户和所述普通用户。
5.根据权利要求4所述的方法,其特征在于,对所述用户的有效歌曲向量进行识别,获取核心用户和普通用户之前,还包括:
设置第二阈值,所述第二阈值为所述用户在单位时间内听过的歌曲数量;
当所述用户在单位时间内在有效听歌向量中听过的歌曲数量不小于所述第二阈值时,删除所述用户;
当所述用户在单位时间内在有效听歌向量中听过的歌曲数量小于所述第二阈值时,确定所述用户为有效用户;
对所述有效用户的有效听歌向量进行识别,获取所述核心用户和所述普通用户。
6.根据权利要求1所述的方法,其特征在于,
根据所述核心用户的有效听歌向量和所述普通用户的有效听歌向量,确定潜在社区,具体包括:
将所述核心用户的有效听歌向量按歌曲向量的被听次数进行聚类,获取核心用户社区,所述核心用户社区用中心向量来表征;
根据所述普通用户的有效听歌向量与所述中心向量间的距离,确定潜在社区。
7.根据权利要求1所述的方法,其特征在于,所述根据所述潜在社区的标识信息,向所述待推荐用户推荐歌曲列表,具体包括:
根据所述潜在社区的标识信息,获取所述潜在社区中所述核心用户的听歌列表;
对所述核心用户的听歌列表进行合并;
根据合并后的所述核心用户的听歌列表与所述待推荐用户的听歌列表,获取所述待推荐用户的歌曲推荐列表。
8.根据权利要求7所述的方法,其特征在于,所述根据所述潜在社区的标识信息,获取所述潜在社区中所述核心用户的听歌列表,具体包括:
根据所述潜在社区的标识信息,获取所述潜在社区中所述核心用户的标识信息;
根据所述核心用户的标识信息,获取所述核心用户的听歌列表。
9.一种歌曲推荐系统,其特征在于,所述系统包括:社区发现模块,索引构建模块和推荐模块,
所述社区发现模块,用于获取歌曲向量空间;
根据所述歌曲向量空间中用户的歌曲向量,获取所述用户的有效听歌向量;
对所述用户的有效听歌向量进行识别,获取核心用户和普通用户;
根据所述核心用户的有效听歌向量和所述普通用户的有效听歌向量,确定潜在社区;
所述索引构建模块,用于构建所述核心用户和所述普通用户与潜在社区间的映射关系,获取索引信息;
所述推荐模块,用于根据待推荐用户的标识信息和所述索引信息,确定所述待推荐用户所属的所述潜在社区的标识信息;
根据所述潜在社区的标识信息,向所述待推荐用户推荐歌曲列表。
10.根据权利要求9所述的系统,其特征在于,所述社区发现模块具体用于:
将所述核心用户的有效听歌向量按歌曲向量的被听次数进行聚类,获取核心用户社区,所述核心用户社区用中心向量来表征;
根据所述普通用户的有效听歌向量与所述中心向量间的距离,确定潜在社区。
CN201611173991.9A 2016-12-16 2016-12-16 一种歌曲推荐方法和歌曲推荐系统 Active CN108205551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611173991.9A CN108205551B (zh) 2016-12-16 2016-12-16 一种歌曲推荐方法和歌曲推荐系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611173991.9A CN108205551B (zh) 2016-12-16 2016-12-16 一种歌曲推荐方法和歌曲推荐系统

Publications (2)

Publication Number Publication Date
CN108205551A true CN108205551A (zh) 2018-06-26
CN108205551B CN108205551B (zh) 2020-09-29

Family

ID=62602738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611173991.9A Active CN108205551B (zh) 2016-12-16 2016-12-16 一种歌曲推荐方法和歌曲推荐系统

Country Status (1)

Country Link
CN (1) CN108205551B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003623A (zh) * 2018-08-08 2018-12-14 爱驰汽车有限公司 车载唱歌评分系统、方法、设备及存储介质
CN109190117A (zh) * 2018-08-10 2019-01-11 中国船舶重工集团公司第七〇九研究所 一种基于词向量的短文本语义相似度计算方法
CN113190764A (zh) * 2021-03-09 2021-07-30 北京金山云网络技术有限公司 音乐推荐方法、装置、设备及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8171044B2 (en) * 2007-09-13 2012-05-01 At&T Intellectual Property I, L.P. Methods, systems, and products for recommending social communities
CN102637178A (zh) * 2011-02-14 2012-08-15 北京瑞信在线系统技术有限公司 一种音乐推荐方法、装置及系统
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法
CN104077279A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 一种并行社区发现方法和装置
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
CN105740381A (zh) * 2016-01-27 2016-07-06 北京工业大学 一种基于复杂网络特性及神经网络聚类挖掘用户兴趣的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8171044B2 (en) * 2007-09-13 2012-05-01 At&T Intellectual Property I, L.P. Methods, systems, and products for recommending social communities
CN102637178A (zh) * 2011-02-14 2012-08-15 北京瑞信在线系统技术有限公司 一种音乐推荐方法、装置及系统
CN104077279A (zh) * 2013-03-25 2014-10-01 中兴通讯股份有限公司 一种并行社区发现方法和装置
CN104021233A (zh) * 2014-06-30 2014-09-03 电子科技大学 一种基于社区发现的社交网络好友推荐方法
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
CN105740381A (zh) * 2016-01-27 2016-07-06 北京工业大学 一种基于复杂网络特性及神经网络聚类挖掘用户兴趣的方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003623A (zh) * 2018-08-08 2018-12-14 爱驰汽车有限公司 车载唱歌评分系统、方法、设备及存储介质
CN109190117A (zh) * 2018-08-10 2019-01-11 中国船舶重工集团公司第七〇九研究所 一种基于词向量的短文本语义相似度计算方法
CN113190764A (zh) * 2021-03-09 2021-07-30 北京金山云网络技术有限公司 音乐推荐方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN108205551B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
CN108875022B (zh) 一种视频推荐方法及装置
US8849721B2 (en) Structured objects and actions on a social networking system
CN108197330B (zh) 基于社交平台的数据挖掘方法及装置
US9032290B2 (en) Tool for creating structured objects and actions on a social networking system
US8793593B2 (en) Integrating structured objects and actions generated on external systems into a social networking system
US8909515B2 (en) Dynamic sentence formation from structured objects and actions in a social networking system
US8204878B2 (en) System and method for finding unexpected, but relevant content in an information retrieval system
CN108021568B (zh) 一种歌单推荐方法及装置
US20130073568A1 (en) Ranking structured objects and actions on a social networking system
US20140032676A1 (en) System, apparatus and method for discovery of music within a social network
US20140297655A1 (en) Content Presentation Based on Social Recommendations
CN109190033B (zh) 一种用户好友推荐方法及系统
US20240037573A1 (en) Method and apparatus for group filtered reports
Rosli et al. Alleviating the cold-start problem by incorporating movies facebook pages
CN110197404B (zh) 可降低流行度偏差的个性化长尾商品推荐方法和系统
WO2016165414A1 (zh) 一种推送信息的方法和装置
CN108205551A (zh) 一种歌曲推荐方法和歌曲推荐系统
US9020863B2 (en) Information processing device, information processing method, and program
Nasery et al. Polimovie: a feature-based dataset for recommender systems
US20130054687A1 (en) Online communities
CN106131684A (zh) 一种内容推荐方法及终端
CN106599114A (zh) 音乐推荐方法及系统
CN101552689B (zh) 基于网络结构的用户兴趣漂移检测方法及系统
Bugaychenko et al. Musical recommendations and personalization in a social network
Luers et al. Science communication in the post‐expert digital age

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