CN111090769A - 一种歌曲推荐的方法、装置、设备和计算机存储介质 - Google Patents

Abstract

本发明提供了一种歌曲推荐的方法、装置、设备和计算机存储介质，其中歌曲推荐的方法包括：获取用户的语音数据和图像数据；确定对应所述语音数据和图像数据的特征标签；检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。本发明能够更加精准地向用户推荐歌曲。

Description

一种歌曲推荐的方法、装置、设备和计算机存储介质

【技术领域】

本发明涉及互联网技术领域，尤其涉及一种歌曲推荐的方法、装置、设备和计算机存储介质。

【背景技术】

在现有技术中，当用户向终端设备发出播放歌曲的指令时，终端设备一般会直接播放用户历史上听过或收藏过的歌曲，或者仅根据用户的声音数据来播放适应当前用户的性别、年龄、心情等用户特征的歌曲。但目前仅通过声音数据所获取的用户特征不够准确，无法更加精准地播放适应当前用户的歌曲。

【发明内容】

有鉴于此，本发明提供了一种歌曲推荐的方法、装置、设备和计算机存储介质，用于更加精准地向用户推荐歌曲。

本发明为解决技术问题所采用的技术方案是提供一种歌曲推荐的方法，所述方法包括：获取用户的语音数据和图像数据；确定对应所述语音数据和图像数据的特征标签；检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

根据本发明一优选实施例，所述语音数据为用户输入的语音指令，所述图像数据为用户在输入语音指令时对应的人脸图像。

根据本发明一优选实施例，所述确定对应所述语音数据和图像数据的特征标签包括：确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签。

根据本发明一优选实施例，所述确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合包括：将所述语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应所述语音数据的第一特征集合；以及将所述图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应所述图像数据的第二特征集合。

根据本发明一优选实施例，所述第一特征识别模型采用以下方式预先训练得到：获取语音数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

根据本发明一优选实施例，所述第二特征识别模型采用以下方式预先训练得到：获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

根据本发明一优选实施例，所述根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签包括：根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；选取最终置信度满足预设要求的特征标签作为对应所述语音数据和图像数据的特征标签。

根据本发明一优选实施例，所述根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度包括：利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

根据本发明一优选实施例，所述检索与所确定的特征标签相匹配的音频数据包括：利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据；或在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据；其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。

根据本发明一优选实施例，所述在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据包括：计算所确定的特征标签与歌曲库中的音频数据的标注标签之间的匹配度，将匹配度超过预设阈值的音频数据作为与所确定的特征标签相匹配的音频数据。

本发明为解决技术问题所采用的技术方案是提供一种歌曲推荐的装置，所述装置包括：获取单元，用于获取用户的语音数据和图像数据；确定单元，用于确定对应所述语音数据和图像数据的特征标签；检索单元，用于检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

根据本发明一优选实施例，所述确定单元在确定对应所述语音数据和图像数据的特征标签时，具体执行：确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签。

根据本发明一优选实施例，所述确定单元在确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合时，具体执行：将所述语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应所述语音数据的第一特征集合；以及将所述图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应所述图像数据的第二特征集合。

根据本发明一优选实施例，所述装置还包括训练单元，用于采用以下方式预先训练得到第一特征识别模型：获取语音数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

根据本发明一优选实施例，所述训练单元还用于采用以下方式预先训练得到第二特征识别模型：获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

根据本发明一优选实施例，所述确定单元在根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签时，具体执行：根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；选取最终置信度满足预设要求的特征标签作为对应所述语音数据和图像数据的特征标签。

根据本发明一优选实施例，所述确定单元在根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度时，具体执行：利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

根据本发明一优选实施例，所述检索单元在检索与所确定的特征标签相匹配的音频数据时，具体执行：利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据；或在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据；其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。

由以上技术方案可以看出，本发明通过结合用户的语音数据和图像数据的方式，能够获取用户更为丰富的用户特征，进而更加精准地向用户推荐对应用户特征的歌曲。

【附图说明】

图1为本发明一实施例提供的歌曲推荐的方法流程图；

图2为本发明一实施例提供的歌曲推荐的装置结构图；

图3为本发明一实施例提供的计算机系统/服务器的框图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

实施例一

本发明实施例给出一种歌曲推荐的方法，请参考图1，其为本发明实施例所提供的歌曲推荐的方法流程图，如图1中所示，该方法包括以下步骤：

101，获取用户的语音数据和图像数据。

102，确定对应所述语音数据和图像数据的特征标签。

103，检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

可以理解的是，101～103的执行主体可以包括终端设备以及服务器端。例如，终端设备在获取用户的语音数据和图像数据后，将所获取的用户的语音数据和图像数据发送至服务器端，服务器端确定语音数据和图像数据对应的特征标签，进而检索与所确定的特征标签相匹配的音频数据，将检索得到的音频数据再返回给终端设备，最终由终端设备播放相应的音频数据。

另外，101～103的执行主体也可以仅包括终端设备。例如，终端设备在获取用户的语音数据和图像数据后，再确定语音数据和图像数据对应的特征标签，进而检索与所确定的特征标签相匹配的音频数据，最终由终端设备播放检索得到的音频数据。

需要说明的是，本发明实施例中所涉及的终端设备可以包括但不限于个人计算机(Personal Computer，PC)、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)、手机、智能音箱、智能家电等。

实施例二

基于上述实施例一所提供的歌曲推荐的方法，本发明实施例对101中获取用户的语音数据和图像数据的方法进行具体描述。

具体地，本步骤中所获取的用户的语音数据为用户输入的、要使终端设备播放歌曲的语音指令；用户的图像数据为用户在输入语音指令时所对应的图像，例如人脸图像或身体图像。也就是说，本发明实施例在获取用户输入的语音指令的同时，还进一步获取用户在输入语音指令时的人脸图像或身体图像。

通常情况下，用户向终端设备下达语音指令，终端设备根据用户所下达的语音指令进行歌曲的播放。但由于仅根据用户语音无法准确地获取当前用户的的用户特征，因此本发明实施例采用一种基于多模态的歌曲推荐方法，除了利用用户所输入的语音指令之外，还进一步利用用户在输入语音指令时对应用户的图像数据，优选地获取用户的人脸图像。

可以理解的是，终端设备可以在获取用户输入的语音数据时，同时获取用户在输入语音数据时所对应的图像数据。终端设备也通过以下方式获取用户的图像数据：判断终端设备是否启用基于多模态的歌曲推荐的功能，若启用，则在获取用户输入的语音数据时，同时获取用户在输入语音数据时所对应的图像数据；否则，仅获取用户输入的语音数据。

终端设备还可以通过以下方式获取用户的图像数据：判断用户输入的语音数据是否为预设的语音指令，若是，则在获取用户输入的语音数据时，同时获取用户在输入语音数据时所对应的图像数据；否则，仅获取用户输入的语音数据。例如，若预设的语音指令为“我想听歌”，当用户输入的语音数据为“我想听歌”时，则获取用户在输入“我想听歌”时的人脸图像；若用户输入的语音数据为“给我放首歌”时，则不获取用户的人脸图像。

实施例三

基于上述实施例一所提供的歌曲推荐的方法和实施例二，本发明实施例对102中确定对应所述语音数据和图像数据的特征标签的方法进行具体描述。

在本步骤中，对步骤101中所获取的语音数据和图像数据进行特征解析，从而确定对应语音数据和图像数据的特征标签。可以理解的是，本步骤所确定的对应语音数据和图像数据的特征标签可以为一个，也可以为多个。

具体地，本步骤在确定对应语音数据和图像数据的特征标签时，可以采用以下方式：确定对应语音数据的第一特征集合以及对应图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签。

其中，经过特征解析所获取的特征集合中包含多个不同属性的用户特征，例如年龄特征、性别特征、心情特征等；每个属性的用户特征中包含多个特征标签，例如性别特征中包含有男和女的特征标签，年龄特征中包含有儿童、青年和老年的特征标签，心情特征中包含有快乐、悲伤、愤怒等特征标签。

另外，经过特征解析所获取的特征集合中除了包含不同属性的特征标签之外，还进一步包括各特征标签的置信度。可以理解的是，同一属性的用户特征所包含的各特征标签的置信度之和为1。

举例来说，对声音数据进行特征解析，得到的第一特征集合为{性别特征(男：置信度60％，女：置信度40％)，年龄特征(儿童：置信度10％，青年：置信度80％，老年：置信度10％)，心情特征(快乐：置信度70％，悲伤：置信度20％，愤怒：置信度10％)}；对图像数据进行特征解析，得到的第二特征集合为{性别特征(男：置信度80％，女：置信度20％)，年龄特征(儿童：置信度10％，青年：置信度90％，老年：置信度0％)，心情特征(快乐：置信度80％，悲伤：置信度10％，愤怒：置信度10％)}。

具体地，本步骤在确定对应语音数据的第一特征集合时，可以采用以下方式：利用预先训练得到的第一特征识别模型，将所获取的语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应语音数据的第一特征集合。

另外，本步骤在获取对应图像数据的第二特征集合时，可以采用以下方式：利用预先训练得到的第二特征识别模型，将所获取的图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应图像数据的第二特征集合。

其中，可以通过以下方式预先训练得到第一特征识别模型：获取语音数据数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，从而得到第一特征识别模型。训练得到的第一特征模型能够根据所输入的语音数据，输出对应该语音数据的特征标签以及各特征标签的置信度。

另外，可以通过以下方式预先训练得到第二特征识别模型：获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，从而得到第二特征识别模型。训练得到的第二特征模型能够根据所输入的图像数据，输出对应该图像数据的特征标签以及各特征标签的置信度。其中，训练第一特征识别模型和第二特征识别模型时所采用的分类模型可以为支持向量机、机器学习模型等。

可以理解的是，在获取对应语音数据的第一特征集合以及对应图像数据的第二特征集合时，也可以采用现有的识别算法来获取相应数据的特征集合。举例来说，采用声纹识别算法对语音数据进行声纹识别，根据声纹识别结果获取对应语音数据的第一特征集合；采用图像识别算法对图像数据进行图像识别，根据图像识别结果获取对应图像数据的第二特征集合。

举例来说，若语音数据的声纹识别结果为男、青年、快乐，则对应语音数据的第一特征集合可以为{性别特征(男：置信度100％，女：置信度0％)，年龄特征(儿童：置信度0％，青年：置信度100％，老年：置信度0％)，心情特征(快乐：置信度100％，悲伤：置信度0％，愤怒：置信度0％)}。

本步骤在确定对应语音数据的第一特征集合以及对应图像数据的第二特征集合之后，再根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签。

具体地，本步骤在根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签时可以采用以下方式：根据第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；选取最终置信度满足预设要求的特征标签作为对应语音数据和图像数据的特征标签。

其中，在根据各特征标签的置信度确定各特征标签的最终置信度时，可以采用以下方式：计算第一特征集合和第二特征集合中相同特征标签的置信度的平均值，将计算得到的平均值作为该特征标签的最终置信度。举例来说，若第一特征集合中特征标签男的置信度为60％，第二特征集合中特征标签男的置信度为80％，则该特征标签男的最终置信度可以为(60％+80％)/2＝70％。

也可以将相同特征标签中较大的置信度作为该特征标签的最终置信度。例如，若第一特征集合中特征标签男的置信度为60％，第二特征集合中特征标签男的置信度为80％，则该特征标签男的最终置信度可以为80％。

另外，在根据各特征标签的置信度确定各特征标签的最终置信度时，还可以采用以下方式：利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

其中，各特征标签的预设权重值为各特征标签所对应的用户特征的预设权重值，用户特征的预设权重值包括图像权重值和声音权重值。其中，不同属性的用户特征的预设权重值可以相同也可以不同，但同一属性的用户特征的图像权重值和声音权重值之和为1。

举例来说，对于性别特征来说，可以设定性别特征的声音权重值为30％，图像权重值为70％；对于年龄特征来说，可以设定年龄特征的的声音权重值为30％，图像权重值为70％，也可以设定两者均为50％。可以理解的是，根据不同属性的用户特征预先设定不同的权重值，反映的是图像数据或者声音数据对不同属性的用户特征解析的可信度。

举例来说，若性别特征的声音权重值为30％，图像权重值为为70％，若第一特征集合中的性别特征中的特征标签男的置信度为60％，第二特征集合中的性别特征中的特征标签男的置信度为80％，则特征标签男的最终置信度可以为(60％×30％+80％×70％)＝74％。

在得到各特征标签的最终置信度后，选取最终置信度满足预设要求的特征标签作为对应语音数据和图像数据的特征标签。

其中，最终置信度满足预设要求的特征标签可以为最终置信度超过预设阈值的特征标签，例如选取相同用户特征中最终置信度超过预设阈值的特征标签，或者选取所有用户特征中最终置信度超过预设阈值的特征标签；也可以为选取最终置信度排在前N位的特征标签，例如选取在相同用户特征中最终置信度排在前N位的特征标签，或者选取所有用户特征中最终置信度排在前N位的特征标签，其中N为大于等于1的正整数。

举例来说，若预设阈值为50％，若性别特征中特征标签男的最终置信度为74％，性别特征中特征标签女的最终置信度为26％，则选取特征标签男作为性别特征中最终置信度满足预设要求的特征标签；若年龄特征中特征标签儿童的最终置信度为40％，若年龄特征中特征标签青年的最终置信度为50％，若年龄特征中特征标签老年的最终置信度为10％，则选取特征标签青年作为年龄特征中最终置信度满足预设要求的特征标签。

实施例四

基于上述实施例一所提供的歌曲推荐的方法、实施例二和实施例三，本发明实施例对103中检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户的方法进行具体描述。

在本步骤中，检索与步骤102中所得到的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

具体地，在检索与所确定的特征标签相匹配的音频数据时，可以采用以下方式：利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据，即根据所确定的特征标签通过网络搜索引擎检索相应的音频数据。

还可以采用以下方式：在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据。其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。另外，预设的歌曲库中的音频数据已预先标注有对应的标签。

其中，在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据时，可以采用以下方式：计算所确定的特征标签与歌曲库中的音频数据的标注标签之间的匹配度；将匹配度超过预设阈值的音频数据作为与第三特征集合相匹配的音频数据。

也可以采用以下方式在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据：确定音频数据的标注标签中是否包含所确定的特征标签，若包含，则将该音频数据作为与所确定的特征标签相匹配的音频数据。本发明对检索得到的音频数据的个数不进行限定。另外可以理解的是，若本步骤中未检索到相应的音频数据，则随机向用户返回音频数据。

举例来说，若所确定的特征标签为[男、青年、快乐]，若歌曲A的标注标签为[男、青年、快乐]，歌曲A的标注标签与所确定的特征标签完全匹配，则将歌曲A作为与第三特征集合相匹配的音频数据；若歌曲B的标注标签为[女、青年、快乐、兴奋]，若预设阈值为40％，所确定的特征标签与歌曲B的标注标签之间的匹配度为50％，则将歌曲B也作为与所确定的特征标签相匹配的音频数据。

另外可以理解的是，本发明还进一步包括以下内容：定期对歌曲库中的音频数据以及音频数据标注的标签进行更新维护，从而使得歌曲库中所包含的音频数据更加丰富，各音频数据所标注的标签更加准确。

本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

请参考图2，其为本发明实施例提供的歌曲推荐的装置结构图。如图2中所示，所述装置包括：

获取单元21，用于获取用户的语音数据和图像数据。

确定单元22，用于确定对应所述语音数据和图像数据的特征标签。

检索单元23，用于检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

可以理解的是，若本发明实施例仅通过终端设备来实现，则上述装置则均位于终端设备。若本发明实施例通过终端设备以及服务器端一起执行的方式实现，则上述装置中的获取单元21可以位于终端设备，确定单元22、检索单元23、训练单元24以及更新单元25可以位于服务器端。本发明实施例对上述装置所处的位置并不进行限定，例如若在终端设备中存在歌曲库，则检索单元23、更新单元25还可以位于终端设备。

优选地，所述获取单元21，具体用于：

获取用户输入的、要使终端设备播放歌曲的语音指令，作为用户的语音数据；获取用户在输入语音指令时所对应的图像，作为用户的图像数据，例如人脸图像或身体图像。

所述装置还包括：

训练单元24，用于预先训练得到第一特征识别模型和第二特征识别模型。

具体地，训练单元24可以通过以下方式预先训练得到第一特征识别模型：获取语音数据数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，从而得到第一特征识别模型。训练得到的第一特征模型能够根据所输入的语音数据，输出对应该语音数据的特征标签以及各特征标签的置信度。

另外，训练单元24可以通过以下方式预先训练得到第二特征识别模型：获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，从而得到第二特征识别模型。训练得到的第二特征模型能够根据所输入的图像数据，输出对应该图像数据的特征标签以及各特征标签的置信度。其中，训练第一特征识别模型和第二特征识别模型时所采用的分类模型可以为支持向量机、机器学习模型等。

优选地，所述确定单元22，具体用于：

确定单元22对获取单元21所获取的语音数据和图像数据进行特征解析，从而确定对应语音数据和图像数据的特征标签。可以理解的是，确定单元22所确定的对应语音数据和图像数据的特征标签可以为一个，也可以为多个。

具体地，确定单元22在确定对应语音数据和图像数据的特征标签时，可以采用以下方式：确定对应语音数据的第一特征集合以及对应图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签。

其中，确定单元22经过特征解析所获取的特征集合中包含多个不同属性的用户特征，例如年龄特征、性别特征、心情特征等；每个属性的用户特征中包含多个特征标签，例如性别特征中包含有男和女的特征标签，年龄特征中包含有儿童、青年和老年的特征标签，心情特征中包含有快乐、悲伤、愤怒等特征标签。

另外，确定单元22经过特征解析所获取的特征集合中除了包含不同属性的特征标签之外，还进一步包括各特征标签的置信度。可以理解的是，同一属性的用户特征所包含的各特征标签的置信度之和为1。

具体地，确定单元22在确定对应语音数据的第一特征集合时，可以采用以下方式：利用训练单元24预先训练得到的第一特征识别模型，将所获取的语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应语音数据的第一特征集合。

另外，确定单元22在确定对应图像数据的第二特征集合时，可以采用以下方式：利用训练单元25预先训练得到的第二特征识别模型，将所获取的图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应图像数据的第二特征集合。

可以理解的是，确定单元22在确定对应语音数据的第一特征集合以及对应图像数据的第二特征集合时，也可以采用现有的识别算法来获取相应数据的特征集合。举例来说，确定单元22采用声纹识别算法对语音数据进行声纹识别，根据声纹识别结果确定对应语音数据的第一特征集合；确定单元22采用图像识别算法对图像数据进行图像识别，根据图像识别结果确定对应图像数据的第二特征集合。

确定单元22在确定对应语音数据的第一特征集合以及对应图像数据的第二特征集合后，再根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签。

具体地，确定单元22在根据第一特征集合以及第二特征集合中各特征标签的置信度，确定对应语音数据和图像数据的特征标签时可以采用以下方式：根据第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；选取最终置信度满足预设要求的特征标签作为对应语音数据和图像数据的特征标签。

其中，确定单元22在根据各特征标签的置信度确定各特征标签的最终置信度时，可以采用以下方式：计算第一特征集合和第二特征集合中相同特征标签的置信度的平均值，将计算得到的平均值作为该特征标签的最终置信度。

确定单元22也可以将相同特征标签中较大的置信度作为该特征标签的最终置信度。

另外，确定单元22在根据各特征标签的置信度确定各特征标签的最终置信度时，还可以采用以下方式：利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

其中，各特征标签的预设权重值为各特征标签所对应的用户特征的预设权重值，用户特征的预设权重值包括图像权重值和声音权重值。其中，不同属性的用户特征的预设权重值可以相同也可以不同，但同一属性的用户特征的图像权重值和声音权重值之和为1。

在得到各特征标签的最终置信度后，确定单元22选取最终置信度满足预设要求的特征标签作为对应语音数据和图像数据的特征标签。

其中，最终置信度满足预设要求的特征标签可以为最终置信度超过预设阈值的特征标签；也可以为选取最终置信度排在前N位的特征标签，其中N为大于等于1的正整数。

优选地，所述检索单元23，具体用于：

检索单元23根据确定单元22所得到的特征标签检索相匹配的音频数据，并将检索得到的音频数据返回给用户。

具体地，检索单元23在检索与所确定的特征标签相匹配的音频数据时，可以采用以下方式：检索单元23利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据，即根据所确定的特征标签通过网络搜索引擎检索相应的音频数据。还可以采用以下方式：检索单元23在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据。其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。另外，预设的歌曲库中的音频数据已预先标注有对应的标签。

其中，检索单元23在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据时，可以采用以下方式：计算所确定的特征标签与歌曲库中的音频数据的标注标签之间的匹配度；将匹配度超过预设阈值的音频数据作为与第三特征集合相匹配的音频数据。

检索单元23也可以采用以下方式在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据：确定音频数据的标注标签中是否包含所确定的特征标签，若包含，则将该音频数据作为与所确定的特征标签相匹配的音频数据。本发明对检索得到的音频数据的个数不进行限定。另外可以理解的是，若检索单元23未检索到相应的音频数据，则随机向用户返回音频数据。

所述装置还包括：

更新单元25，用于定期对歌曲库中的音频数据以及音频数据标注的标签进行更新维护，从而使得歌曲库中所包含的音频数据更加丰富，各音频数据所标注的标签更加准确。

图3示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图3显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图3所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

由以上技术方案可以看出，本发明通过结合用户的语音数据和图像数据的方式，能够获取用户更为丰富的用户特征，进而更加精准地向用户推荐对应用户特征的歌曲。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

Claims (20)

1.一种歌曲推荐的方法，其特征在于，所述方法包括：

获取用户的语音数据和图像数据；

确定对应所述语音数据和图像数据的特征标签；

检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

2.根据权利要求1所述的方法，其特征在于，所述语音数据为用户输入的语音指令，所述图像数据为用户在输入语音指令时对应的人脸图像。

3.根据权利要求1所述的方法，其特征在于，所述确定对应所述语音数据和图像数据的特征标签包括：

确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；

根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签。

4.根据权利要求3所述的方法，其特征在于，所述确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合包括：

将所述语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应所述语音数据的第一特征集合；以及

将所述图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应所述图像数据的第二特征集合。

5.根据权利要求4所述的方法，其特征在于，所述第一特征识别模型采用以下方式预先训练得到：

获取语音数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；

将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

6.根据权利要求4所述的方法，其特征在于，所述第二特征识别模型采用以下方式预先训练得到：

获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；

将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

7.根据权利要求3所述的方法，其特征在于，所述根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签包括：

根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；

选取最终置信度满足预设要求的特征标签作为对应所述语音数据和图像数据的特征标签。

8.根据权利要求7所述的方法，其特征在于，所述根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度包括：

利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

9.根据权利要求1所述的方法，其特征在于，所述检索与所确定的特征标签相匹配的音频数据包括：

利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据；或

在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据；

其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。

10.根据权利要求9所述的方法，其特征在于，所述在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据包括：

计算所确定的特征标签与歌曲库中的音频数据的标注标签之间的匹配度，将匹配度超过预设阈值的音频数据作为与所确定的特征标签相匹配的音频数据。

11.一种歌曲推荐的装置，其特征在于，所述装置包括：

获取单元，用于获取用户的语音数据和图像数据；

确定单元，用于确定对应所述语音数据和图像数据的特征标签；

检索单元，用于检索与所确定的特征标签相匹配的音频数据，并将检索得到的音频数据返回给用户。

12.根据权利要求11所述的装置，其特征在于，所述确定单元在确定对应所述语音数据和图像数据的特征标签时，具体执行：

确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合，其中第一特征集合以及第二特征集合中包含特征标签以及各特征标签的置信度；

根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签。

13.根据权利要求12所述的装置，其特征在于，所述确定单元在确定对应所述语音数据的第一特征集合以及对应所述图像数据的第二特征集合时，具体执行：

将所述语音数据作为第一特征识别模型的输入，根据第一特征识别模型的输出结果确定对应所述语音数据的第一特征集合；以及

将所述图像数据作为第二特征识别模型的输入，根据第二特征识别模型的输出结果确定对应所述图像数据的第二特征集合。

14.根据权利要求13所述的装置，其特征在于，所述装置还包括训练单元，用于采用以下方式预先训练得到第一特征识别模型：

获取语音数据、各语音数据对应的特征标签以及各特征标签的置信度作为训练样本；

将各语音数据作为输入，将各语音数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

15.根据权利要求13所述的装置，其特征在于，所述训练单元还用于采用以下方式预先训练得到第二特征识别模型：

获取图像数据、各图像数据对应的特征标签以及各特征标签的置信度作为训练样本；

将各图像数据作为输入，将各图像数据对应的特征标签以及各特征标签的置信度作为输出，训练分类模型，得到第一特征识别模型。

16.根据权利要求12所述的装置，其特征在于，所述确定单元在根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定对应所述语音数据和图像数据的特征标签时，具体执行：

根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度；

选取最终置信度满足预设要求的特征标签作为对应所述语音数据和图像数据的特征标签。

17.根据权利要求16所述的装置，其特征在于，所述确定单元在根据所述第一特征集合以及第二特征集合中各特征标签的置信度，确定各特征标签的最终置信度时，具体执行：

利用各特征标签的预设权重值对各特征标签的置信度进行加权处理，将置信度的加权处理结果作为各特征标签的最终置信度。

18.根据权利要求11所述的装置，其特征在于，所述检索单元在检索与所确定的特征标签相匹配的音频数据时，具体执行：

利用网络搜索引擎检索与所确定的特征标签相匹配的音频数据；或

在预设的歌曲库中检索与所确定的特征标签相匹配的音频数据；

其中，预设的歌曲库可以为本地歌曲库，也可以为云端歌曲库。

19.一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。

20.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的方法。

Images