CN110275980A - 一种基于群透视音乐推荐方法 - Google Patents

Abstract

本发明公开了一种基于群透视音乐推荐方法，具体涉及音乐推荐技术领域，具体包括如下：获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述。本发明能够获取实时的用户动态画像信息，并根据实时用户动态画像信息进行音乐推送，使得推送的音乐内容风格能够根据用户动态画像信息的改变而改变，提高音乐的推送精度，提升用户的使用体验。

Description

一种基于群透视音乐推荐方法

技术领域

本发明涉及音乐推荐技术领域，更具体地说，本发明涉及一种基于群透视音乐推荐方法。

背景技术

伴随着互联网技术的高速发展,各式各样的网络服务和应用逐渐深入到人们的生活之中,我们原有的社交活动和信息获取方式等都逐步的由物理环境向网络虚拟空间中转变。尤其是云计算、社交网络以及大数据技术快速壮大和普及,互联网上丰富的信息让人们越来越难以获取到符合自己需求的内容。推荐系统作为一种信息服务系统,通常借助用户模型、内容模型等技术描述用户兴趣和内容特征,并根据用户的兴趣范围智能的选择符合要求的内容进行个性化的信息过滤。

当前推荐系统已经广泛应用在了音乐、图书、影视等各类生活娱乐服务之中,并已成为具有前景的信息个性化技术发展的方向。虽然过去对推荐算法的研究已经有了一定的成果,但随着实际推荐系统的长期运行以及用户与信息规模的不断增长,推荐系统中存在的问题越发严重,并且暴露出了更多的新问题。

由于用户在进行音乐赏析的过程中，其行为习惯容易因为心情和时间的变化而改变，而推荐系统无法及时的获取用户动态信息的改变，从而造成音乐推荐的不准确，影响用户的使用体验。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于群透视音乐推荐方法，通过将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息，并根据实时用户动态画像信息进行音乐推送，使得推送的音乐内容风格能够根据用户动态画像信息的改变而改变，提高音乐的推送精度，提升用户的使用体验。

为实现上述目的，本发明提供如下技术方案：一种基于群透视音乐推荐方法，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

在一个优选地实施方式中，所述获取用户静态信息具体包括步骤：

获取不同组用户的登录平台，对相应平台的IP、PV、平均浏览页数和停留时间进行计算汇总；

根据不同组用户的年龄、性别和职业生产不同类型的表格和问卷，将表格和问卷根据上述汇总的数据信息进行发放，然后对回收的表格和问卷进进行集中处理，获取完整的用户画像静态信息。

在一个优选地实施方式中，所述获取用户动态信息具体包括步骤：

将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息。

在一个优选地实施方式中，所述相似度W在计算后，对用户不同维度的标签化样式的相似度进行计算，将不同维度的标签U₁和U₂进行获取，对于两个向量U₁和U₂利用余弦定理公式计算，其中相似度UW表示为：

将相似度UW与上述的相似度W根据计算用户组的ID进行匹配，完成多组用户的相关性计算。

在一个优选地实施方式中，所述共性特征对音乐过滤的具体步骤为：

相关性计算中获得的共性特征包括但不限于音乐的曲风、演唱风格、流派、时间、歌手和歌手性别；

多个共性特征在不同的维度上进行表示，组成构建成一个抓取功能模块；

该抓取模块与不同用户组登录的平台进行适配，获取在该平台上运行和修改平台内部内容的运行权限，并与平台的推荐渠道组合工作；

抓取模块将该平台获取的音乐内容进行过滤，将音乐内容中与共性特征吻合的部分推荐给用户，剩余的部分进行剔除，完成对用户的音乐推荐。

本发明的技术效果和优点：

1、本发明通过基于群透视的数据获取，对用户动态信息和静态信息处理后构建用户画像，根据用户画像数据的相近程度构建用户关系网络，并构建用户的音乐推荐系统，获取用户网络中的共性特征，分析用户的活动状态，与用户登录平台进行配合，推送与用户相匹配的音乐内容，使得推送的音乐内容能够最大的符合用户的音乐需求；

2、通过将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息，并根据实时用户动态画像信息进行音乐推送，使得推送的音乐内容风格能够根据用户动态画像信息的改变而改变，提高音乐的推送精度，提升用户的使用体验。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

实施例2

一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

与实施例1不同的是，所述获取用户静态信息具体包括步骤：

获取不同组用户的登录平台，对相应平台的IP、PV、平均浏览页数和停留时间进行计算汇总；

根据不同组用户的年龄、性别和职业生产不同类型的表格和问卷，将表格和问卷根据上述汇总的数据信息进行发放，然后对回收的表格和问卷进进行集中处理，获取完整的用户画像静态信息。

实施例3

一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

其中，获取不同组用户的登录平台，对相应平台的IP、PV、平均浏览页数和停留时间进行计算汇总；

根据不同组用户的年龄、性别和职业生产不同类型的表格和问卷，将表格和问卷根据上述汇总的数据信息进行发放，然后对回收的表格和问卷进进行集中处理，获取完整的用户画像静态信息。

与实施例2不同的是，所述获取用户动态信息具体包括步骤：

将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息。

通过将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息，并根据实时用户动态画像信息进行音乐推送，使得推送的音乐内容风格能够根据用户动态画像信息的改变而改变，提高音乐的推送精度，提升用户的使用体验。

实施例4

一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容；

其中，获取不同组用户的登录平台，对相应平台的IP、PV、平均浏览页数和停留时间进行计算汇总；

根据不同组用户的年龄、性别和职业生产不同类型的表格和问卷，将表格和问卷根据上述汇总的数据信息进行发放，然后对回收的表格和问卷进进行集中处理，获取完整的用户画像静态信息；

将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息。

与实施例3不同的是，所述相似度W在计算后，对用户不同维度的标签化样式的相似度进行计算，将不同维度的标签U₁和U₂进行获取，对于两个向量U₁和U₂利用余弦定理公式计算，其中相似度UW表示为：

将相似度UW与上述的相似度W根据计算用户组的ID进行匹配，完成多组用户的相关性计算。

实施例5

一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

与实施例1-4不同的是，所述共性特征对音乐过滤的具体步骤为：

相关性计算中获得的共性特征包括但不限于音乐的曲风、演唱风格、流派、时间、歌手和歌手性别；

多个共性特征在不同的维度上进行表示，组成构建成一个抓取功能模块；

该抓取模块与不同用户组登录的平台进行适配，获取在该平台上运行和修改平台内部内容的运行权限，并与平台的推荐渠道组合工作；

抓取模块将该平台获取的音乐内容进行过滤，将音乐内容中与共性特征吻合的部分推荐给用户，剩余的部分进行剔除，完成对用户的音乐推荐。

实施例6

在上述实施例的基础上，进一步的，对于用户组中的离群用户，在进行相关性计算的过程中无法获取合适的阈值，则选取与用户组中最相似的用户进行阈值获取，完成相关性计算。

选取年龄在20-25岁的男女志愿者各50名，使用本发明中的音乐推荐方法获取日常生活中的音乐推送内容，30天后对音乐推送的满意程度作调查统计后，获取如下数据：

通过基于群透视的数据获取，对用户动态信息和静态信息处理后构建用户画像，根据用户画像数据的相近程度构建用户关系网络，并构建用户的音乐推荐系统，获取用户网络中的共性特征，分析用户的活动状态，与用户登录平台进行配合，推送与用户相匹配的音乐内容，使得推送的音乐内容能够最大的符合用户的音乐需求。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于群透视音乐推荐方法，其特征在于，具体包括如下：

获取用户画像的静态信息和动态信息，对用户发送表格和问卷获取用户画像的静态信息，定期对用户行为产生的数据进行统计和处理，获取用户画像的动态信息，并周期性的对用户画像的动态信息标签进行更新；

对用户动态信息和静态信息处理后构建用户画像，通过用户画像抽象单个用户的信息特征，使用户标签化，将每个用户用若干不同角度的标签去描述；

根据用户画像数据的相近程度构建用户关系网络，将每个用户画像作为一个多维的向量P看待，即用户的用户画像可以表示为：

P＝(U₁、U₂、U₃...，U_n)；

其中，U表示为用户不同维度的标签化样式；

通过模拟一个向量M，将向量M和向量P的交集与M、P并集的占比进行计算，获取两个向量之间的相似度W，表示为：

根据上述的算法，进行多个不同用户之间的相关性计算，并且选取一个合适的阈值，使多个用户之间能够连接在一起，完成对多个用户的相关性计算，获取用户网络中的共性特征；

将共性特征传输至用户群体的推荐渠道中，对推荐的音乐进行过滤，获取符合用户的音乐内容。

2.根据权利要求1所述的一种基于群透视音乐推荐方法，其特征在于，所述获取用户静态信息具体包括步骤：

获取不同组用户的登录平台，对相应平台的IP、PV、平均浏览页数和停留时间进行计算汇总；

根据不同组用户的年龄、性别和职业生产不同类型的表格和问卷，将表格和问卷根据上述汇总的数据信息进行发放，然后对回收的表格和问卷进进行集中处理，获取完整的用户画像静态信息。

3.根据权利要求2所述的一种基于群透视音乐推荐方法，其特征在于：所述获取用户动态信息具体包括步骤：

将不同组用户的登录状态和停留时长进行统计，根据用户的行为习惯对该用户的周期性时长进行确定，根据不同组用户确定的周期性时长信息对不同组用户的用户行为数据进行访问，并对现有的用为行为数据进行覆盖，生成新的行为数据，从而获取实时的用户动态画像信息。

4.根据权利要求3所述的一种基于群透视音乐推荐方法，其特征在于：所述相似度W在计算后，对用户不同维度的标签化样式的相似度进行计算，将不同维度的标签U₁和U₂进行获取，对于两个向量U₁和U₂利用余弦定理公式计算，其中相似度UW表示为：

将相似度UW与上述的相似度W根据计算用户组的ID进行匹配，完成多组用户的相关性计算。

5.根据权利要求1所述的一种基于群透视音乐推荐方法，其特征在于：所述共性特征对音乐过滤的具体步骤为：

相关性计算中获得的共性特征包括但不限于音乐的曲风、演唱风格、流派、时间、歌手和歌手性别；

多个共性特征在不同的维度上进行表示，组成构建成一个抓取功能模块；

该抓取模块与不同用户组登录的平台进行适配，获取在该平台上运行和修改平台内部内容的运行权限，并与平台的推荐渠道组合工作；

抓取模块将该平台获取的音乐内容进行过滤，将音乐内容中与共性特征吻合的部分推荐给用户，剩余的部分进行剔除，完成对用户的音乐推荐。