CN108512701B - 一种基于用户评论信息的音乐播放完成度分析方法 - Google Patents
一种基于用户评论信息的音乐播放完成度分析方法 Download PDFInfo
- Publication number
- CN108512701B CN108512701B CN201810255082.2A CN201810255082A CN108512701B CN 108512701 B CN108512701 B CN 108512701B CN 201810255082 A CN201810255082 A CN 201810255082A CN 108512701 B CN108512701 B CN 108512701B
- Authority
- CN
- China
- Prior art keywords
- music
- playing
- comment information
- playing completion
- comment
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrophonic Musical Instruments (AREA)
- Auxiliary Devices For Music (AREA)
Abstract
本发明公开了一种基于用户评论信息的音乐播放完成度分析方法。它提取音乐的音频和评论信息训练音乐播放完成度的评估模型,然后对于新用户,加载音乐的音频和评论信息,利用训练得到的评估模型进行音乐播放完成度的评估,在播放预载入的时候根据评估结果进行下载,其过程包括两个部分:一是建立音乐播放完成度的评估模型,二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度。本发明的有益效果是:可以节省使用网络环境,特别是在某些特定的网络场景下,节省网络传输的压力,而且能为用户节省流量,提升用户体验。
Description
技术领域
本发明涉及在线音乐播放相关技术领域,尤其是指一种基于用户评论信息的音乐播放完成度分析方法。
背景技术
听音乐已经成为一种很普遍的休闲方式,用户收听音乐通常有两种方式,一种是使用播放器播放本地的音乐文件,另一种是使用软件收听在线的音乐。听在线音乐的时候需要通过网络把音乐的音频文件传输到本地进行播放,这个过程需要耗费网络资源。很多在线音乐都是在打开音乐的时候就下载整首音乐文件,但是有的用户只听很少一部分就选择更换音乐,这样导致了网络资源的浪费。现在很多在线音乐网站都支持评论,即用户在听音乐的时候对音乐发表自己的看法,这些评论信息可以评估一个用户对一首音乐的喜欢程度,以预测用户对新音乐的播放完成度,根据预测到的完成度智能的加载网络音乐文件到本地,这样可以有效的节省网络传输。
现有的技术中还没有通过评论信息分析音乐播放完成度的方案。
发明内容
本发明是为了克服现有技术中存在上述的不足,提供了一种能够有效节省网络传输的基于用户评论信息的音乐播放完成度分析方法。
为了实现上述目的,本发明采用以下技术方案:
一种基于用户评论信息的音乐播放完成度分析方法,提取音乐的音频和评论信息训练音乐播放完成度的评估模型,然后对于新用户,加载音乐的音频和评论信息,利用训练得到的评估模型进行音乐播放完成度的评估,在播放预载入的时候根据评估结果进行下载,其过程包括两个部分:一是建立音乐播放完成度的评估模型,二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度。
本发明通过对音乐的音频文件和评论信息数据建模,最终评估出新用户对某个特定音乐的播放完成度,评估结果用于智能预载网络音乐数据,在播放预载入的时候根据评估结果进行下载,这样可以节省使用网络环境,特别是在某些特定的网络场景下,节省网络传输的压力,而且能为用户节省流量,提升用户体验。
作为优选,建立音乐播放完成度的评估模型,具体操作步骤如下:
(11)加载音乐的音频文件,并判断该音乐的播放历史是否大于1000次;
(12)加载音乐的评论信息,并记录包括评论条数和评论文本在内的音乐评论状态,判断评论条数是否大于1000条;
(13)加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息特征,最终得到表征评论文本的128维的向量;把音乐的音频文件转化成频谱,提取音乐的39维MFCC系数:其中13维静态系数、13维一阶差分系数和13维二阶差分系数,组成音乐文件的音频特征向量;
(14)利用提取的评论信息的文本特征和音频特征,以播放历史中的以往播放完成度为训练目标,通过深度学习训练得到音乐播放完成度的评估模型。
作为优选,在步骤(11)中,如果播放历史大于1000次,则进入到步骤(12)中;如果播放历史不大于1000次,则给出默认的音乐播放完成度信息,并进入到步骤(14)中,所述默认的音乐播放完成度信息指的是:音乐的整个播放时长等分为四份,按照音乐播放顺序每次预加载一份。
作为优选,在步骤(12)中,如果评论条数大于1000条,则进入到步骤(13)中;如果评论条数不大于1000条,算出播放历史中的平均音乐播放完成度,做为该音乐的播放完成度信息,并进入到步骤(14)中。
作为优选,通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度,具体操作步骤如下:
(21)新用户遇到一首新音乐时,加载该音乐的音频文件,获取该音乐的上次音乐播放完成度的评估模型;
(22)加载该音乐的评论信息,判断该音乐自上次训练音乐播放完成度的评估模型至今用户评论信息新增是否超过了原有评论信息的10%,如果超过10%则返回到步骤(12)中,重新训练音乐完成度评估模型;如果没有超过10%则返回到步骤(23)中;
(23)加载步骤(13)中保存的音乐音频特征信息;
(24)该用户以往对其他音乐评论过的评论信息,加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息文本特征;
(25)该用户听过的其他音乐的播放完成度,算出其对所有音乐的平均播放完整度系数a,利用步骤(23)和步骤(24)中得到的音乐音频特征和音乐评论文本特征,通过音乐播放完成度的评估模型预测该用户对该音乐的播放完成度b,最终加权求和得出最终的音乐播放完成度预测结果:0.3*a+0.7*b。
本发明的有益效果是:可以节省使用网络环境,特别是在某些特定的网络场景下,节省网络传输的压力,而且能为用户节省流量,提升用户体验。
具体实施方式
下面结合具体实施方式对本发明做进一步的描述。
一种基于用户评论信息的音乐播放完成度分析方法,提取音乐的音频和评论信息训练音乐播放完成度的评估模型,然后对于新用户,加载音乐的音频和评论信息,利用训练得到的评估模型进行音乐播放完成度的评估,在播放预载入的时候根据评估结果进行下载,其过程包括两个部分:一是建立音乐播放完成度的评估模型,二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度。
建立音乐播放完成度的评估模型,具体操作步骤如下:
(11)加载音乐的音频文件,并判断该音乐的播放历史是否大于1000次;如果播放历史大于1000次,则进入到步骤(12)中;如果播放历史不大于1000次,则给出默认的音乐播放完成度信息,并进入到步骤(14)中,所述默认的音乐播放完成度信息指的是:音乐的整个播放时长等分为四份,按照音乐播放顺序每次预加载一份。
(12)加载音乐的评论信息,并记录包括评论条数和评论文本在内的音乐评论状态,判断评论条数是否大于1000条;如果评论条数大于1000条,则进入到步骤(13)中;如果评论条数不大于1000条,算出播放历史中的平均音乐播放完成度,做为该音乐的播放完成度信息,并进入到步骤(14)中。
(13)加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息特征,最终得到表征评论文本的128维的向量;把音乐的音频文件转化成频谱,提取音乐的39维MFCC系数:其中13维静态系数、13维一阶差分系数和13维二阶差分系数,组成音乐文件的音频特征向量;
(14)利用提取的评论信息的文本特征和音频特征,以播放历史中的以往播放完成度为训练目标,通过深度学习训练得到音乐播放完成度的评估模型。
通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度,具体操作步骤如下:
(21)新用户遇到一首新音乐时,加载该音乐的音频文件,获取该音乐的上次音乐播放完成度的评估模型;
(22)加载该音乐的评论信息,判断该音乐自上次训练音乐播放完成度的评估模型至今用户评论信息新增是否超过了原有评论信息的10%,如果超过10%则返回到步骤(12)中,重新训练音乐完成度评估模型;如果没有超过10%则返回到步骤(23)中;
(23)加载步骤(13)中保存的音乐音频特征信息;
(24)该用户以往对其他音乐评论过的评论信息,加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息文本特征;
(25)该用户听过的其他音乐的播放完成度,算出其对所有音乐的平均播放完整度系数a,利用步骤(23)和步骤(24)中得到的音乐音频特征和音乐评论文本特征,通过音乐播放完成度的评估模型预测该用户对该音乐的播放完成度b,最终加权求和得出最终的音乐播放完成度预测结果:0.3*a+0.7*b。
本发明通过对音乐的音频文件和评论信息数据建模,最终评估出新用户对某个特定音乐的播放完成度,评估结果用于智能预载网络音乐数据,在播放预载入的时候根据评估结果进行下载,这样可以节省使用网络环境,特别是在某些特定的网络场景下,节省网络传输的压力,而且能为用户节省流量,提升用户体验。
Claims (4)
1.一种基于用户评论信息的音乐播放完成度分析方法,其特征是,提取音乐的音频和评论信息训练音乐播放完成度的评估模型,然后对于新用户,加载音乐的音频和评论信息,利用训练得到的评估模型进行音乐播放完成度的评估,在播放预载入的时候根据评估结果进行下载,包括两个部分:一是建立音乐播放完成度的评估模型,二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度;建立音乐播放完成度的评估模型,具体操作步骤如下:
(11)加载音乐的音频文件,并判断该音乐的播放历史是否大于1000次;
(12)加载音乐的评论信息,并记录包括评论条数和评论文本在内的音乐评论状态,判断评论条数是否大于1000条;
(13)加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息特征,最终得到表征评论文本的128维的向量;把音乐的音频文件转化成频谱,提取音乐的39维MFCC系数:其中13维静态系数、13维一阶差分系数和13维二阶差分系数,组成音乐文件的音频特征向量;
(14)利用提取的评论信息的文本特征和音频特征,以播放历史中的以往播放完成度为训练目标,通过深度学习训练得到音乐播放完成度的评估模型。
2.根据权利要求1所述的一种基于用户评论信息的音乐播放完成度分析方法,其特征是,在步骤(11)中,如果播放历史大于1000次,则进入到步骤(12)中;如果播放历史不大于1000次,则给出默认的音乐播放完成度信息,并进入到步骤(14)中,所述默认的音乐播放完成度信息指的是:音乐的整个播放时长等分为四份,按照音乐播放顺序每次预加载一份。
3.根据权利要求1所述的一种基于用户评论信息的音乐播放完成度分析方法,其特征是,在步骤(12)中,如果评论条数大于1000条,则进入到步骤(13)中;如果评论条数不大于1000条,算出播放历史中的平均音乐播放完成度,做为该音乐的播放完成度信息,并进入到步骤(14)中。
4.根据权利要求1或2或3所述的一种基于用户评论信息的音乐播放完成度分析方法,其特征是,通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度,具体操作步骤如下:
(21)新用户遇到一首新音乐时,加载该音乐的音频文件,获取该音乐的上次音乐播放完成度的评估模型;
(22)加载该音乐的评论信息,判断该音乐自上次训练音乐播放完成度的评估模型至今用户评论信息新增是否超过了原有评论信息的10%,如果超过10%则返回到步骤(12)中,重新训练音乐完成度评估模型;如果没有超过10%则进入到步骤(23)中;
(23)加载步骤(13)中保存的音乐音频特征信息;
(24)该用户以往对其他音乐评论过的评论信息,加载情感词典、文本分词、去停用词,利用词嵌入、卷积神经网络CNN、长短期记忆网络LSTM提取音乐的用户评论信息文本特征;
(25)该用户听过的其他音乐的播放完成度,算出其对所有音乐的平均播放完整度系数a,利用步骤(23)和步骤(24)中得到的音乐音频特征和音乐评论文本特征,通过音乐播放完成度的评估模型预测该用户对该音乐的播放完成度b,最终加权求和得出最终的音乐播放完成度预测结果:0.3*a+0.7*b。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255082.2A CN108512701B (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户评论信息的音乐播放完成度分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810255082.2A CN108512701B (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户评论信息的音乐播放完成度分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108512701A CN108512701A (zh) | 2018-09-07 |
CN108512701B true CN108512701B (zh) | 2021-02-26 |
Family
ID=63378586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810255082.2A Active CN108512701B (zh) | 2018-03-26 | 2018-03-26 | 一种基于用户评论信息的音乐播放完成度分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108512701B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077815B (zh) * | 2021-03-29 | 2024-05-14 | 腾讯音乐娱乐科技(深圳)有限公司 | 一种音频评估方法及组件 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105357587A (zh) * | 2015-10-28 | 2016-02-24 | 广州华多网络科技有限公司 | 实现音乐弹幕的方法及系统 |
CN106941625A (zh) * | 2017-03-10 | 2017-07-11 | 广东欧珀移动通信有限公司 | 一种移动终端的播放控制方法、装置及移动终端 |
CN107241622A (zh) * | 2016-03-29 | 2017-10-10 | 北京三星通信技术研究有限公司 | 视频定位处理方法、终端设备及云端服务器 |
CN107318038A (zh) * | 2017-06-19 | 2017-11-03 | Tcl移动通信科技(宁波)有限公司 | 一种视频播放与评论同步的方法、终端设备以及存储介质 |
EP3333782A1 (en) * | 2016-12-09 | 2018-06-13 | The Boeing Company | Electronic device and method for debriefing evidence-based training sessions |
-
2018
- 2018-03-26 CN CN201810255082.2A patent/CN108512701B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105357587A (zh) * | 2015-10-28 | 2016-02-24 | 广州华多网络科技有限公司 | 实现音乐弹幕的方法及系统 |
CN107241622A (zh) * | 2016-03-29 | 2017-10-10 | 北京三星通信技术研究有限公司 | 视频定位处理方法、终端设备及云端服务器 |
EP3333782A1 (en) * | 2016-12-09 | 2018-06-13 | The Boeing Company | Electronic device and method for debriefing evidence-based training sessions |
CN106941625A (zh) * | 2017-03-10 | 2017-07-11 | 广东欧珀移动通信有限公司 | 一种移动终端的播放控制方法、装置及移动终端 |
CN107318038A (zh) * | 2017-06-19 | 2017-11-03 | Tcl移动通信科技(宁波)有限公司 | 一种视频播放与评论同步的方法、终端设备以及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于用户评论的自动化音乐分类方法;郝建林,黄章进,顾乃杰;《计算机系统应用》;20180115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108512701A (zh) | 2018-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111145737B (zh) | 语音测试方法、装置和电子设备 | |
CN109408660B (zh) | 一种基于音频特征的音乐自动分类的方法 | |
CN105244026B (zh) | 一种语音处理方法及装置 | |
CN110047514B (zh) | 一种伴奏纯净度评估方法以及相关设备 | |
CN108140019A (zh) | 语言模型生成装置、语言模型生成方法及其程序、语音识别装置以及语音识别方法及其程序 | |
Yoshimura et al. | A hierarchical predictor of synthetic speech naturalness using neural networks | |
US11854536B2 (en) | Keyword spotting apparatus, method, and computer-readable recording medium thereof | |
CN111489754B (zh) | 一种基于智能语音技术的话务数据分析方法 | |
US20230245674A1 (en) | Method for learning an audio quality metric combining labeled and unlabeled data | |
CN110322895B (zh) | 语音评测方法及计算机存储介质 | |
CN113813609B (zh) | 游戏音乐风格分类方法、装置、可读介质及电子设备 | |
US11829875B2 (en) | Information processing device, information processing method and computer readable storage medium | |
Sangeetha et al. | Emotion speech recognition based on adaptive fractional deep belief network and reinforcement learning | |
CN115798518B (zh) | 一种模型训练方法、装置、设备及介质 | |
CN108512701B (zh) | 一种基于用户评论信息的音乐播放完成度分析方法 | |
Iqbal et al. | Mfcc and machine learning based speech emotion recognition over tess and iemocap datasets | |
CN117789699B (zh) | 语音识别方法、装置、电子设备及计算机可读存储介质 | |
CN118173092A (zh) | 一种基于ai语音交互的在线客服平台 | |
CN117524259A (zh) | 音频处理方法及系统 | |
CN110717064B (zh) | 个性化音频播单生成方法、装置及可读存储介质 | |
CN115547345A (zh) | 声纹识别模型训练及相关识别方法、电子设备和存储介质 | |
CN110858234A (zh) | 一种根据人物情感进行信息推送的方法及装置 | |
CN109657049B (zh) | 一种基于大数据分析的作文训练方法及学习设备 | |
Fu | Application of an Isolated Word Speech Recognition System in the Field of Mental Health Consultation: Development and Usability Study | |
Dai | Using quantized neural network for speaker recognition on edge computing devices |
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 |