CN112612917B - 歌曲推荐方法、装置、设备及存储介质 - Google Patents

歌曲推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112612917B
CN112612917B CN202011611346.7A CN202011611346A CN112612917B CN 112612917 B CN112612917 B CN 112612917B CN 202011611346 A CN202011611346 A CN 202011611346A CN 112612917 B CN112612917 B CN 112612917B
Authority
CN
China
Prior art keywords
user account
song
driving
mileage
determining
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
Application number
CN202011611346.7A
Other languages
English (en)
Other versions
CN112612917A (zh
Inventor
何红术
郭绍斌
魏恩
刘小兵
杨建然
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 Wutong Chelian Technology Co Ltd
Original Assignee
Beijing Wutong Chelian 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 Wutong Chelian Technology Co Ltd filed Critical Beijing Wutong Chelian Technology Co Ltd
Priority to CN202011611346.7A priority Critical patent/CN112612917B/zh
Publication of CN112612917A publication Critical patent/CN112612917A/zh
Application granted granted Critical
Publication of CN112612917B publication Critical patent/CN112612917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/65—Clustering; Classification
    • 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
    • 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
    • G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种歌曲推荐方法、装置、设备及存储介质，属于车载中控领域。所述方法包括：根据第一用户帐号的驾驶行为记录，对第一用户帐号进行分类，得到第一用户帐号所属的驾驶行为分类集合；根据属于驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单；根据推荐歌单向第一用户帐号进行歌曲推荐。本申请能够实现向第一用户帐号推荐具有相似驾驶行为记录的用户帐号的喜爱歌曲。在进行歌曲推荐的过程中考虑到了用户的驾驶行为以及喜爱的歌曲，提升了歌曲推荐的准确度。

Description

歌曲推荐方法、装置、设备及存储介质
技术领域
本申请涉及车载中控领域，特别涉及一种歌曲推荐方法、装置、设备及存储介质。
背景技术
在用户使用歌曲客户端的过程中，歌曲客户端通常会根据用户的喜好向用户登录的用户帐号推荐歌曲。
歌曲客户端对应的服务器通常会根据歌曲的风格确定歌曲的歌曲标签，以及会根据用户帐号的歌曲播放记录确定用户帐号的用户标签。该用户标签用于指示登录该用户帐号的用户可能感兴趣的歌曲所属的歌曲标签，例如服务器根据用户帐号播放次数最多的歌曲所属的歌曲标签确定用户标签。之后服务器通过歌曲客户端将与用户标签匹配的歌曲标签所对应的歌曲，推荐给用户帐号，实现歌曲推荐。
通过上述方法推荐的歌曲，仅考虑了用户播放歌曲的行为，导致推荐歌曲的准确性较低。
发明内容
本申请提供了一种歌曲推荐方法、装置、设备及存储介质，可以提升推荐歌曲的准确性。所述技术方案如下：
根据本申请的一方面，提供了一种歌曲推荐方法，所述方法包括：
根据第一用户帐号的驾驶行为记录，对所述第一用户帐号进行分类，得到所述第一用户帐号所属的驾驶行为分类集合；
根据属于所述驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单；
根据所述推荐歌单向所述第一用户帐号进行歌曲推荐。
根据本申请的另一方面，提供了一种歌曲推荐装置，所述装置包括：
第一分类模块，用于根据第一用户帐号的驾驶行为记录，对所述第一用户帐号进行分类，得到所述第一用户帐号所属的驾驶行为分类集合；
确定模块，用于根据属于所述驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单；
推荐模块，用于根据所述推荐歌单向所述第一用户帐号进行歌曲推荐。
在一个可选的设计中，所述第一分类模块，用于：
根据所述驾驶行为记录，确定所述第一用户帐号的第一驾驶特征向量；
确定所述第一驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量之间的第一相似度；
基于聚类算法根据所述第一相似度对所述第一用户帐号以及所述至少一个第二用户帐号进行分类，得到所述驾驶行为分类集合。
在一个可选的设计中，所述驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种。
在一个可选的设计中，所述第一分类模块，用于：
根据所述驾驶行为记录，确定驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息；
将基于所述n种信息构建的一维矩阵，确定为所述第一驾驶特征向量。
在一个可选的设计中，所述驾驶行为记录包括所述驾驶里程数；所述第一分类模块，包括第一计算子模块，所述第一计算子模块，用于：
根据所述驾驶里程数确定所述第一用户帐号在目标时段内的单位时长驾驶里程数；
将所述单位时长驾驶里程数与里程平均值之间的商，确定为所述驾驶里程指数，所述里程平均值为所述第一用户帐号和所述至少一个第二用户帐号在所述目标时段内的单位时长驾驶里程数的平均值。
在一个可选的设计中，所述驾驶行为记录包括所述急转弯数以及所述驾驶里程数；所述第一分类模块，包括第二计算子模块，所述第二计算子模块，用于：
将所述急转弯数与第一商之间的商，确定为所述单位里程急转弯数，所述第一商为所述驾驶里程数和单位里程的商。
在一个可选的设计中，所述驾驶行为记录包括所述急刹车数以及所述驾驶里程数；所述第一分类模块，包括第三计算子模块，所述第三计算子模块，用于：
将所述急刹车数与第二商之间的商，确定为所述单位里程急刹车数，所述第二商为所述驾驶里程数和单位里程的商。
在一个可选的设计中，所述驾驶行为记录包括所述油门猛踩数以及所述驾驶里程数；所述第一分类模块，包括第四计算子模块，所述第四计算子模块，用于：
将所述油门猛踩数与第三商之间的商，确定为所述单位里程油门猛踩数，所述第三商为所述驾驶里程数和单位里程的商。
在一个可选的设计中，所述驾驶行为记录包括所述鸣笛数以及所述驾驶里程数；所述第一分类模块，包括第五计算子模块，所述第五计算子模块，用于：
将所述鸣笛数与第四商之间的商，确定为所述单位里程鸣笛数，所述第四商为所述驾驶里程数和单位里程的商。
在一个可选的设计中，所述驾驶行为记录包括所述车速信息，所述车速信息包括目标时段内各第一时长的第一平均车速以及各第二时长的第二平均车速，所述第二时长属于所述第一时长，所述第一驾驶特征向量包括车速标准差；所述第一分类模块，包括第六计算子模块，所述第六计算子模块，用于：
确定各所述第一平均车速与所述第一平均车速对应的第一时长所属的第二时长的第二平均车速的标准差；
将所述各第一时长对应的标准差之间的平均值确定为所述车速标准差。
在一个可选的设计中，所述第一用户帐号还属于歌曲播放分类集合，所述驾驶行为分类集合属于所述歌曲播放分类集合，所述歌曲播放分类集合为粗分类结果，所述驾驶行为分类集合为细分类结果；所述装置还包括：
第二分类模块，用于根据所述第一用户帐号的歌曲播放记录，对所述第一用户帐号进行分类，得到所述第一用户帐号所属的所述歌曲播放分类集合。
在一个可选的设计中，所述第二分类模块，用于：
根据所述第一用户帐号的歌曲播放记录，确定所述第一用户帐号的第二喜爱歌曲集合；
根据歌曲集合和所述第二喜爱歌曲集合之间的差异，确定所述第一用户帐号的第一歌曲特征向量，所述歌曲集合是根据所述第二喜爱歌曲集合以及至少一个第三用户帐号的第三喜爱歌曲集合确定的；
确定所述第一歌曲特征向量与所述至少一个第三用户帐号的第二歌曲特征向量之间的第二相似度；
基于聚类算法根据所述第二相似度对所述第一用户帐号以及所述至少一个第三用户帐号进行分类，得到所述歌曲播放分类集合。
在一个可选的设计中，所述第二分类模块，用于：
响应于所述歌曲集合中的第一歌曲与所述第二喜爱歌曲集合中的歌曲相同，确定所述第一歌曲的喜爱结果的取值为1；
响应于所述歌曲集合中的第二歌曲与所述第二喜爱歌曲集合中的歌曲不相同，确定所述第二歌曲的喜爱结果的取值为0；
将基于所述第一歌曲的喜爱结果的取值与所述第二歌曲的喜爱结果的取值构建的一维矩阵，确定为所述第一歌曲特征向量。
根据本申请的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的歌曲推荐方法。
根据本申请的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现如上方面所述的歌曲推荐方法。
根据本申请的另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述方面的各种可选实现方式中提供的歌曲推荐方法。
本申请提供的技术方案带来的有益效果至少包括：
通过在进行歌曲推荐的过程中，根据第一用户帐号的驾驶行为记录对第一用户帐号进行分类，并基于分类后的驾驶行为分类集合中的用户帐号的第一喜爱歌曲集合向第一用户帐号进行歌曲推荐，实现向第一用户帐号推荐具有相似驾驶行为记录的用户帐号的喜爱歌曲。在进行歌曲推荐的过程中考虑到了用户的驾驶行为记录以及喜爱的歌曲，提升了歌曲推荐的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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他的附图。
图1是本申请一个示例性实施例提供的推荐歌曲的原理的示意图；
图2是本申请一个示例性实施例提供的歌曲推荐方法的流程示意图；
图3是本申请另一个示例性实施例提供的歌曲推荐方法的流程示意图；
图4是本申请一个示例性实施例提供的根据第一用户帐号的歌曲播放记录对第一用户帐号进行分类的实现过程的示意图；
图5是本申请一个示例性实施例提供的根据第一用户帐号的驾驶行为记录对第一用户帐号进行分类的实现过程的示意图；
图6是本申请一个示例性实施例提供的进行歌曲推荐的用户界面的示意图；
图7是本申请一个示例性实施例提供的歌曲推荐装置的结构示意图；
图8是本申请一个示例性实施例提供的第一分类模块的结构示意图；
图9是本申请另一个示例性实施例提供的第一分类模块的结构示意图；
图10是本申请另一个示例性实施例提供的第一分类模块的结构示意图；
图11是本申请另一个示例性实施例提供的第一分类模块的结构示意图；
图12是本申请另一个示例性实施例提供的第一分类模块的结构示意图；
图13是本申请另一个示例性实施例提供的第一分类模块的结构示意图；
图14是本申请另一个示例性实施例提供的歌曲推荐装置的结构示意图；
图15是本申请一个示例性实施例提供的服务器的结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1是本申请一个示例性实施例提供的推荐歌曲的原理的示意图。如图1所示，在步骤S1中，服务器根据服务器中用户帐号的歌曲播放记录，确定出用户帐号的喜爱歌曲集合，并从该喜爱歌曲集合中确定出预设数量的歌曲作为歌曲集合。之后根据各用户帐号的喜爱歌曲集合中的歌曲和歌曲集合中的歌曲的差异确定出各用户帐号的歌曲特征向量，根据各用户帐号的歌曲特征向量基于余弦相似度的聚类算法对用户帐号进行粗分类，得到各用户帐号所属的歌曲播放分类集合。
在步骤S2中，服务器根据属于同一个歌曲播放分类集合的用户帐号的驾驶行为记录，确定出该歌曲播放分类集合中各用户帐号的驾驶特征向量。可选地，该驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种。该驾驶特征向量是由驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息所组成的一维矩阵。之后服务器根据各用户帐号的驾驶特征向量基于余弦相似度的聚类算法对用户帐号进行细分类，得到各用户帐号所属的驾驶行为分类集合。
在步骤S3中，服务器根据属于目标驾驶行为分类集合的用户帐号的喜爱歌曲集合，确定出推荐歌单。该目标驾驶行为分类集合为服务器中的任一驾驶行为分类集合。
步骤S4中，服务器根据该推荐歌单，向目标驾驶行为分类集合中的用户帐号进行歌曲推荐。
在进行歌曲推荐的过程中，首先根据用户帐号的歌曲播放记录对用户帐号进行粗分类，之后再根据用户帐号的驾驶行为记录对属于相同歌曲播放分类集合的用户帐号进行细分类，并基于属于目标驾驶行为分类集合的用户帐号的喜爱歌曲集合，对属于目标驾驶行为分类集合的用户帐号进行歌曲推荐。根据歌曲播放记录以及驾驶行为记录对用户帐号进行分类，能够提升对用户帐号进行分类的准确性。同时，能够实现向用户帐号推荐具有相似驾驶行为记录的用户帐号的喜爱歌曲。在进行歌曲推荐的过程中考虑到了用户的驾驶行为以及喜爱的歌曲，提升了歌曲推荐的准确度。
图2是本申请一个示例性实施例提供的歌曲推荐方法的流程示意图。该方法可以用于服务器。如图2所示，该方法包括：
步骤201：根据第一用户帐号的驾驶行为记录，对第一用户帐号进行分类，得到第一用户帐号所属的驾驶行为分类集合。
该第一用户帐号为服务器中的任一用户帐号。可选地，第一用户帐号的驾驶行为记录，是服务器对应的车载客户端通过车载终端向服务器发送的。该车载终端通过有线或无线的方式与服务器连接。该车载终端是安装在车辆中的终端。该车载终端安装有车载客户端，该车载客户端为具有歌曲播放功能的客户端，车载客户端中登录有该第一用户帐号，车载客户端通过车载终端能够收集到第一用户帐号的驾驶行为记录。可选地，该驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种。
服务器根据第一用户帐号的驾驶行为记录，能够确定出第一用户帐号的第一驾驶特征向量，之后基于余弦相似度算法确定出第一用户帐号的驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量的第一相似度，并基于聚类算法根据第一相似度对第一用户帐号以及至少一个第二用户帐号进行分类。从而得到第一用户帐号所属的驾驶行为分类集合。可选地，该驾驶特征向量包括驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息。第一用户帐号与至少一个第二用户帐号属于相同的驾驶行为分类集合，或分别属于不同的驾驶行为分类集合。
可选地，该第一用户帐号与该至少一个第二用户帐号属于相同的歌曲播放分类集合。该歌曲播放分类集合是服务器根据服务器中的用户帐号的歌曲播放记录对服务器中的用户帐号进行分类得到的。该服务器中的用户帐号包括第一用户帐号以及至少一个第二用户帐号。第一用户帐号所属的驾驶行为分类集合属于第一用户帐号所属的歌曲播放分类集合。歌曲播放分类集合为服务器对用户帐号进行粗分类的结果，驾驶行为分类集合为服务器对用户帐号进行细分类的结果。
步骤202：根据属于驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单。
第一用户帐号属于一个驾驶行为分类集合或者属于多个驾驶行为分类集合。当第一用户帐号属于一个驾驶行为分类集合时，属于驾驶行为分类集合的用户帐号为与第一用户帐号属于相同驾驶行为分类集合的帐号。当第一用户帐号属于多个驾驶行为分类集合时，属于驾驶行为分类集合的用户帐号为属于第一用户帐号所属的任一驾驶行为分类集合的帐号。
服务器根据属于驾驶行为分类集合的各用户帐号的歌曲播放记录，能够确定出该各用户帐号的喜爱歌曲。之后根据该各用户帐号的喜爱歌曲，能够确定出该推荐歌单。例如，服务器根据各用户帐号的歌曲播放记录，确定各用户帐号的播放歌曲中每首歌曲的播放评分。并获取各用户帐号播放评分最高的第一预设数量的歌曲，再根据获取到的歌曲的重复次数对歌曲进行排序，根据重复次数最高的第二预设数量的歌曲确定推荐歌单。可选地，该歌曲播放记录包括各歌曲播放次数，歌曲播放总次数，歌曲喜欢信息以及歌曲收藏信息中的至少一种。该歌曲播放记录是车载客户端向服务器发送的。
步骤203：根据推荐歌单向第一用户帐号进行歌曲推荐。
可选地，服务器从推荐歌单中随机确定出目标数量的歌曲，并发送至第一用户帐号所在的车载客户端，由车载客户端在用于推荐歌曲的用户界面中显示该确定的歌曲，实现向第一用户帐号进行歌曲推荐。该目标数量是服务器或车载客户端确定的。
服务器在第一用户帐号登录车载客户端时，向第一用户帐号进行歌曲推荐。服务器在第一用户帐号通过车载客户端播放歌曲时，向第一用户帐号进行歌曲推荐。以及，服务器在第一用户帐号发出歌曲推荐请求时，向第一用户帐号进行歌曲推荐。
综上所述，本实施例提供的方法，在进行歌曲推荐的过程中，根据第一用户帐号的驾驶行为记录对第一用户帐号进行分类，并基于分类后的驾驶行为分类集合中的用户帐号的第一喜爱歌曲集合向第一用户帐号进行歌曲推荐，实现向第一用户帐号推荐具有相似驾驶行为记录的用户帐号的喜爱歌曲。在进行歌曲推荐的过程中考虑到了用户的驾驶行为以及喜爱的歌曲，提升了歌曲推荐的准确度。
图3是本申请另一个示例性实施例提供的歌曲推荐方法的流程示意图。该方法可以用于服务器。如图3所示，该方法包括：
步骤301：根据第一用户帐号的歌曲播放记录，对第一用户帐号进行分类，得到第一用户帐号所属的歌曲播放分类集合。
该第一用户帐号为服务器中的任一用户帐号。可选地，该歌曲播放记录包括第一用户帐号播放的各歌曲的标识、播放的各歌曲的次数、播放歌曲的总次数、收藏的歌曲的标识以及喜欢的歌曲的标识中的至少一种。第一用户帐号的歌曲播放记录，是第一用户帐号所在的车载客户端向服务器发送的。
可选地，如图4所示，步骤301的实现过程包括以下步骤3011至3014：
在步骤3011中，根据第一用户帐号的歌曲播放记录，确定第一用户帐号的第二喜爱歌曲集合。
服务器根据第一用户帐号的歌曲播放记录，能够确定第一用户帐号播放的歌曲的播放评分。可选地，第一用户帐号播放的每首歌曲的播放评分为：(当前歌曲的播放次数/播放歌曲的总次数)+3(喜欢当前歌曲)+3(收藏当前歌曲)。之后根据第一用户帐号播放的歌曲的播放评分，对第一用户帐号播放的歌曲进行排序，并将播放评分最高的第一数量的歌曲，确定为该第二喜爱歌曲集合。该第一数量是服务器确定的。示例地，第一用户帐号播放的歌曲一的播放次数为100次，播放歌曲的总次数为10000次，第一用户帐号收藏了歌曲一，第一用户帐号未喜欢歌曲一，则歌曲一的播放评分为(100/10000)+0+3＝3.01。
在步骤3012中，根据歌曲集合和第二喜爱歌曲集合之间的差异，确定第一用户帐号的第一歌曲特征向量。
该歌曲集合是根据第二喜爱歌曲集合以及至少一个第三用户帐号的第三喜爱歌曲集合确定的。该第三用户帐号为服务器中任一与第一用户帐号不同的帐号。可选地，服务器确定第三用户帐号的第三喜爱歌曲集合的实现过程与确定第一用户帐号的第二喜爱歌曲集合的实现过程相同。
服务器将第二喜爱歌曲集合中歌曲评分最高的第二数量的歌曲确定为歌曲集合中的歌曲，以及将第三喜爱歌曲集合中第三数量的歌曲确定为歌曲集合中的歌曲，从而确定出歌曲集合。该第二数量以及第三数量相同或不同，例如第二数量和第三数量均为10。该第二数量以及第三数量是服务器确定的。服务器在确定出歌曲集合后，还会对歌曲集合中的歌曲进行去重。
响应于歌曲集合中的第一歌曲与第二喜爱歌曲集合中的歌曲相同，服务器确定第一用户帐号对第一歌曲的喜爱结果的取值为1。响应于歌曲集合中的第二歌曲与第二喜爱歌曲集合中的歌曲不相同，服务器确定第一用户帐号确定第二歌曲的喜爱结果的取值为0。之后服务器将基于第一歌曲的喜爱结果的取值与第二歌曲的喜爱结果的取值构建的一维矩阵，确定为第一歌曲特征向量。例如歌曲集合包括歌曲一、歌曲二、歌曲三、歌曲四、歌曲五。第二喜爱歌曲集合中存在歌曲一、歌曲二以及歌曲四，第二喜爱歌曲集合中不存在歌曲三以及歌曲五，则第一用户帐号的第一歌曲特征向量为{1，1，0，1，0}。
在步骤3013中，确定第一歌曲特征向量与至少一个第三用户帐号的第二歌曲特征向量之间的第二相似度。
服务器确定第三用户帐号的第二歌曲特征向量的实现过程与确定第一用户帐号的第一歌曲特征向量的实现过程相同。可选地，服务器基于余弦相似度算法，确定该第二相似度。示例地，第一用户帐号的第一歌曲特征向量为a(x1，x2，..，xn)，第三用户帐号的第二歌曲特征向量为b(y1，y2，...，yn)，则第二相似度cos(θ)满足：
其中，m为正整数。cos(θ)的取值范围为[-1，1]。cos(θ)越大表示两个特征向量的夹角越小，则相似度越高。cos(θ)越小表示两个特征向量的夹角越大，则相似度越低。当两个特征向量的方向重合时cos(θ)取最大值1，当两个向量的方向完全相反cos(θ)取最小值-1。
在步骤3014中，基于聚类算法根据第二相似度对第一用户帐号以及至少一个第三用户帐号进行分类，得到歌曲播放分类集合。
可选地，该聚类算法为k均值聚类算法(k-means clustering algorithm)。服务器通过基于k均值聚类算法的机器学习模型，能够对第一用户帐号以及至少一个第三用户帐号进行分类。该机器学习模型是通过用户帐号的特征向量的样本集无监督训练得到。示例地，服务器基于聚类算法对第一用户帐号以及至少一个第三用户帐号进行分类的实现过程如下：
在步骤a1中，从第一用户帐号以及至少一个第三用户帐号中随机确定出k个用户帐号作为聚类中心。k的取值由服务器确定。
在步骤a2中，确定第一用户帐号以及至少一个第三用户帐号中，各用户帐号之间的距离(采用余弦相似度确定，包括第二相似度)，根据该距离将各用户帐号划分到距离最小的聚类中心所在的类簇中。
在步骤a3中，对于每一个类簇，更新其聚类中心，更新规则为：
其中，ci表示第i个类簇，μi表示ci的聚类中心，x为ci中的用户帐号。
在步骤a4中，重复步骤a2以及a3，直至聚类中心不再有明显变化或满足预设迭代次数。从而实现对第一用户帐号以及至少一个第三用户帐号进行分类。
服务器还能够单独对第一用户帐号进行分类，即将第一用户帐号分入已存在的歌曲播放分类集合，分类的具体实现过程可参照上述步骤。可选地，服务器定期对服务器中的用户帐号(包括第一用户帐号)进行分类，在第一用户帐号在服务器中注册并播放歌曲后对第一用户帐号进行分类，以及在第一用户帐号发出分类请求(刷新所属歌曲播放分类集合)时对第一用户帐号进行分类。
步骤302：根据第一用户帐号的驾驶行为记录，对第一用户帐号进行分类，得到第一用户帐号所属的驾驶行为分类集合。
该第一用户帐号属于歌曲播放分类集合或不属于任何分类集合。当第一用户帐号属于歌曲播放分类集合，即服务器会执行步骤301先对第一用户帐号进行粗分类。当第一用户帐号不属于任何分类集合，即服务器不会执行步骤301先对第一用户帐号进行粗分类。当服务器执行步骤301先对第一用户帐号进行粗分类时，第一用户帐号所属的驾驶行为分类集合属于第一用户帐号所属的歌曲播放分类集合。歌曲播放分类集合为粗分类结果，驾驶行为分类集合为细分类结果。
该驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种。该驾驶行为记录是第一用户帐号所在的车载客户端通过车载终端采集并向服务器发送的。急转弯指在短时间内车辆转过的角度大于目标度数。急刹车指在短时间内车辆车速下降幅度大于第一目标幅度。油门猛踩指在短时间内车辆油门被踩下的幅度大于第二目标幅度。
可选地，如图5所示，步骤302的实现过程包括以下步骤3021至3023：
在步骤3021中，根据驾驶行为记录，确定第一用户帐号的第一驾驶特征向量。
服务器根据驾驶行为记录，能够确定出驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息。之后将基于该n种信息构建的一维矩阵，确定为第一驾驶特征向量。
当驾驶行为记录包括驾驶里程数时。服务器根据驾驶里程数确定第一用户帐号在目标时段内的单位时长驾驶里程数，之后将单位时长驾驶里程数与里程平均值之间的商，确定为驾驶里程指数，该里程平均值为第一用户帐号和至少一个第二用户帐号在该目标时段内的单位时长驾驶里程数的平均值。示例地，该目标时段为近一年，该单位时长为月。则第一用户帐号的驾驶里程指数为(用户帐号近一年驾驶里程数/12)/第一用户帐号和至少一个第二用户帐号近一年的月平均驾驶里程数的平均值。当第一用户帐号属于歌曲播放分类集合时，至少一个第二用户帐号所属的歌曲播放分类集合与第一用户帐号所属的歌曲播放分类集合相同。当第一用户帐号不属于歌曲播放分类集合时，第二用户帐号为服务器中任一用户帐号
当驾驶行为记录包括急转弯数以及驾驶里程数时。服务器将急转弯数与第一商之间的商，确定为单位里程急转弯数，该第一商为驾驶里程数和单位里程的商。示例地，该单位里程为百公里。则第一用户帐号的单位里程急转弯数为急转弯数/(驾驶里程数/100)。
当驾驶行为记录包括急刹车数以及驾驶里程数时。服务器将急刹车数与第二商之间的商，确定为单位里程急刹车数，该第二商为驾驶里程数和单位里程的商。示例地，该单位里程为百公里。则第一用户帐号的单位里程急刹车数为急刹车数/(驾驶里程数/100)。
当驾驶行为记录包括油门猛踩数以及驾驶里程数时。服务器将油门猛踩数与第三商之间的商，确定为单位里程油门猛踩数，该第三商为驾驶里程数和单位里程的商。示例地，该单位里程为百公里。则第一用户帐号的单位里程油门猛踩数为油门猛踩数/(驾驶里程数/100)。
当驾驶行为记录包括鸣笛数以及驾驶里程数时。服务器将鸣笛数与第四商之间的商，确定为单位里程鸣笛数，该第四商为驾驶里程数和单位里程的商。示例地，该单位里程为百公里。则第一用户帐号的单位里程鸣笛数为鸣笛数/(驾驶里程数/100)。可选地，上述第一商、第二商、第三商以及第四商都相同，或部分相同，或各不相同。即计算第一商、第二商、第三商以及第四商时使用的单位里程都相同，或部分相同，或各不相同。
当驾驶行为记录包括车速信息时。可选地，车速信息包括目标时段内各第一时长的第一平均车速以及各第二时长的第二平均车速，第二时长属于第一时长，第一驾驶特征向量包括车速标准差。服务器确定各第一平均车速与第一平均车速对应的第一时长所属的第二时长的第二平均车速的标准差。并将各第一时长对应的标准差之间的平均值确定为车速标准差。示例地，该目标时段为近一年。该第一时长为月，该第二时长为周。则车速标准差σ满足：
其中，M表示近一年包括的第一时长数。N表示第一时长包括的第二实常数。Xi表示第二平均车速。μ表示第二平均车速对应的第一平均车速。
示例地，服务器确定的第一驾驶特征向量为{驾驶里程指数，单位里程急转弯数，单位里程急刹车数，单位里程油门猛踩数，单位里程鸣笛数，车速标准差}。
在步骤3022中，确定第一驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量之间的第一相似度。
服务器确定第二用户帐号的第二驾驶特征向量的实现过程与确定第一用户帐号的第一驾驶特征向量的实现过程相同。可选地，服务器基于余弦相似度算法，确定该第一相似度。确定第一相似度的具体实现过程可参照步骤3013，本申请在此不作赘述。
在步骤3023中，基于聚类算法根据第一相似度对第一用户帐号以及至少一个第二用户帐号进行分类，得到驾驶行为分类集合。
可选地，该聚类算法为k均值聚类算法(k-means clustering algorithm)。服务器对第一用户帐号以及至少一个第二用户帐号进行分类的具体实现过程可参照步骤3014，本申请在此不作赘述。
服务器还能够单独对第一用户帐号进行分类，即将第一用户帐号分入已存在的驾驶行为分类集合，分类的具体实现过程可参照上述步骤。
步骤303：根据属于驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单。
服务器根据属于驾驶行为分类集合的各用户帐号(包括第一用户帐号)的歌曲播放记录，能够确定出该各用户帐号的喜爱歌曲集合，之后根据该喜爱歌曲集合确定出第一喜爱歌曲集合，之后根据第一喜爱歌曲集合确定推荐歌单。可选地，该歌曲播放记录包括各歌曲播放次数，歌曲播放总次数，歌曲喜欢信息以及歌曲收藏信息中的至少一种。该歌曲播放记录是车载客户端向服务器发送的。
示例地，服务器根据各用户帐号的歌曲播放记录，确定出各用户帐号播放的歌曲的播放评分，从而确定出各用户帐号的喜爱歌曲集合。再按照播放评分的顺序从各用户帐号的喜爱歌曲集合中确定出第四数量的歌曲作为第一喜爱歌曲集合。之后确定第一喜爱歌曲集合中歌曲的重复次数，将重复次数最多的第五数量的歌曲确定为推荐歌单。示例地，该第四数量为100，该第五数量为600。
步骤304：根据推荐歌单向第一用户帐号进行歌曲推荐。
可选地，服务器从推荐歌单中随机确定出目标数量的歌曲，并发送至第一用户帐号所在的车载客户端，由车载客户端在用于推荐歌曲的用户界面中显示该确定的歌曲，实现向第一用户帐号进行歌曲推荐。该目标数量是服务器或车载客户端确定的。
服务器在第一用户帐号登录车载客户端时，向第一用户帐号进行歌曲推荐。服务器在第一用户帐号通过车载客户端播放歌曲时，向第一用户帐号进行歌曲推荐。以及，服务器在第一用户帐号发出歌曲推荐请求时，向第一用户帐号进行歌曲推荐。
示例地，图6是本申请一个示例性实施例提供的进行歌曲推荐的用户界面的示意图。如图6所示，在进行歌曲推荐的用户界面601中，显示有第一用户帐号的帐号名称。可选地，服务器还会根据各驾驶行为分类集合的用户帐号的驾驶行为记录，为用户帐号确定驾驶行为标签，来反映登录用户帐号的用户的驾驶习惯。例如显示的第一用户帐号的驾驶行为标签602为“激烈驾驶”，驾驶行为标签还能够包括“佛系驾驶”以及“平稳驾驶”等。该用户界面601中还显示有推荐歌曲的歌曲信息603，包括歌曲的名称以及歌曲的封面。该用户界面601中还显示有推荐控制按钮601，包括用于播放当前的推荐歌曲的按钮以及切换显示不同的推荐歌曲的按钮。
综上所述，本实施例提供的方法，在进行歌曲推荐的过程中，根据第一用户帐号的驾驶行为记录对第一用户帐号进行分类，并基于分类后的驾驶行为分类集合中的用户帐号的第一喜爱歌曲集合向第一用户帐号进行歌曲推荐，实现向第一用户帐号推荐具有相似驾驶行为记录的用户帐号的喜爱歌曲。在进行歌曲推荐的过程中考虑到了用户的驾驶行为以及喜爱的歌曲，提升了歌曲推荐的准确度。
另外，根据用户帐号的歌曲播放记录对用户帐号进行粗分类，再根据用户帐号的驾驶行为记录对用户帐号进行细分类，能够提升对用户帐号进行分类的准确性。根据驾驶行为记录构建特征向量，基于特征向量计算相似度再基于聚类算法对用户帐号进行分类，提供了一种可靠且准确的分类方式。根据驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息对用户帐号进行分类，提供了多重维度衡量用户的驾驶行为，提升了划分驾驶行为分类集合的准确性。
需要说明的是，本申请实施例提供的方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
图7是本申请一个示例性实施例提供的歌曲推荐装置的结构示意图。该装置可以用于服务器。如图7所示，该装置70包括：
第一分类模块701，用于根据第一用户帐号的驾驶行为记录，对第一用户帐号进行分类，得到第一用户帐号所属的驾驶行为分类集合。
确定模块702，用于根据属于驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单。
推荐模块703，用于根据推荐歌单向第一用户帐号进行歌曲推荐。
在一个可选的设计中，第一分类模块701，用于：
根据驾驶行为记录，确定第一用户帐号的第一驾驶特征向量。确定第一驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量之间的第一相似度。基于聚类算法根据第一相似度对第一用户帐号以及至少一个第二用户帐号进行分类，得到驾驶行为分类集合。
在一个可选的设计中，驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种。
在一个可选的设计中，第一分类模块701，用于：
根据驾驶行为记录，确定驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息。将基于n种信息构建的一维矩阵，确定为第一驾驶特征向量。
在一个可选的设计中，驾驶行为记录包括驾驶里程数。如图8所示，第一分类模块701，包括第一计算子模块7011，第一计算子模块7011，用于：
根据驾驶里程数确定第一用户帐号在目标时段内的单位时长驾驶里程数。将单位时长驾驶里程数与里程平均值之间的商，确定为驾驶里程指数，该里程平均值为第一用户帐号和至少一个第二用户帐号在目标时段内的单位时长驾驶里程数的平均值。
在一个可选的设计中，驾驶行为记录包括急转弯数以及驾驶里程数。如图9所示，第一分类模块701，包括第二计算子模块7012，第二计算子模块7012，用于：
将急转弯数与第一商之间的商，确定为单位里程急转弯数，第一商为驾驶里程数和单位里程的商。
在一个可选的设计中，驾驶行为记录包括急刹车数以及驾驶里程数。如图10所示，第一分类模块701，包括第三计算子模块7013，第三计算子模块7013，用于：
将急刹车数与第二商之间的商，确定为单位里程急刹车数，第二商为驾驶里程数和单位里程的商。
在一个可选的设计中，驾驶行为记录包括油门猛踩数以及驾驶里程数。如图11所示，第一分类模块701，包括第四计算子模块7014，第四计算子模块7014，用于：
将油门猛踩数与第三商之间的商，确定为单位里程油门猛踩数，该第三商为驾驶里程数和单位里程的商。
在一个可选的设计中，驾驶行为记录包括鸣笛数以及驾驶里程数。如图12所示，第一分类模块701，包括第五计算子模块7015，第五计算子模块7015，用于：
将鸣笛数与第四商之间的商，确定为单位里程鸣笛数，该第四商为驾驶里程数和单位里程的商。
在一个可选的设计中，驾驶行为记录包括车速信息.车速信息包括目标时段内各第一时长的第一平均车速以及各第二时长的第二平均车速，第二时长属于第一时长，第一驾驶特征向量包括车速标准差。如图13所示，第一分类模块701，包括第六计算子模块7016，第六计算子模块7016，用于：
确定各第一平均车速与第一平均车速对应的第一时长所属的第二时长的第二平均车速的标准差。将各第一时长对应的标准差之间的平均值确定为车速标准差。
在一个可选的设计中，第一用户帐号还属于歌曲播放分类集合，驾驶行为分类集合属于歌曲播放分类集合，歌曲播放分类集合为粗分类结果，驾驶行为分类集合为细分类结果。如图14所示，装置70还包括：
第二分类模块704，用于根据第一用户帐号的歌曲播放记录，对第一用户帐号进行分类，得到第一用户帐号所属的歌曲播放分类集合。
在一个可选的设计中，第二分类模块704，用于：
根据第一用户帐号的歌曲播放记录，确定第一用户帐号的第二喜爱歌曲集合。根据歌曲集合和第二喜爱歌曲集合之间的差异，确定第一用户帐号的第一歌曲特征向量，歌曲集合是根据第二喜爱歌曲集合以及至少一个第三用户帐号的第三喜爱歌曲集合确定的。确定第一歌曲特征向量与至少一个第三用户帐号的第二歌曲特征向量之间的第二相似度。基于聚类算法根据第二相似度对第一用户帐号以及至少一个第三用户帐号进行分类，得到歌曲播放分类集合。
在一个可选的设计中，第二分类模块704，用于：
响应于歌曲集合中的第一歌曲与第二喜爱歌曲集合中的歌曲相同，确定第一歌曲的喜爱结果的取值为1。响应于歌曲集合中的第二歌曲与第二喜爱歌曲集合中的歌曲不相同，确定第二歌曲的喜爱结果的取值为0。将基于第一歌曲的喜爱结果的取值与第二歌曲的喜爱结果的取值构建的一维矩阵，确定为第一歌曲特征向量。
需要说明的是：上述实施例提供的歌曲推荐装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的歌曲推荐装置与歌曲推荐方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本申请的实施例还提供了一种计算机设备，该计算机设备包括：处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的歌曲推荐方法。
可选地，该计算机设备为服务器。示例地，图15是本申请一个示例性实施例提供的服务器的结构示意图。
所述服务器1500包括中央处理单元(Central Processing Unit，CPU)1501、包括随机存取存储器(Random Access Memory，RAM)1502和只读存储器(Read-Only Memory，ROM)1503的系统存储器1504，以及连接系统存储器1504和中央处理单元1501的系统总线1505。所述计算机设备1500还包括帮助计算机设备内的各个器件之间传输信息的基本输入/输出系统(Input/Output系统，I/O系统)1506，和用于存储操作系统1513、应用程序1514和其他程序模块1515的大容量存储设备1507。
所述基本输入/输出系统1506包括有用于显示信息的显示器1508和用于用户输入信息的诸如鼠标、键盘之类的输入设备1509。其中所述显示器1508和输入设备1509都通过连接到系统总线1505的输入输出控制器1510连接到中央处理单元1501。所述基本输入/输出系统1506还可以包括输入输出控制器1510以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1510还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1507通过连接到系统总线1505的大容量存储控制器(未示出)连接到中央处理单元1501。所述大容量存储设备1507及其相关联的计算机可读存储介质为服务器1500提供非易失性存储。也就是说，所述大容量存储设备1507可以包括诸如硬盘或者只读光盘(Compact Disc Read-Only Memory，CD-ROM)驱动器之类的计算机可读存储介质(未示出)。
不失一般性，所述计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读存储指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读寄存器(Erasable Programmable Read OnlyMemory，EPROM)、电子抹除式可复写只读存储器(Electrically-Erasable ProgrammableRead-Only Memory，EEPROM)、闪存或其他固态存储设备，CD-ROM、数字多功能光盘(DigitalVersatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1504和大容量存储设备1507可以统称为存储器。
存储器存储有一个或多个程序，一个或多个程序被配置成由一个或多个中央处理单元1501执行，一个或多个程序包含用于实现上述方法实施例的指令，中央处理单元1501执行该一个或多个程序实现上述各个方法实施例提供的方法。
根据本申请的各种实施例，所述服务器1500还可以通过诸如因特网等网络连接到网络上的远程服务器运行。也即服务器1500可以通过连接在所述系统总线1505上的网络接口单1511连接到网络1512，或者说，也可以使用网络接口单元1511来连接到其他类型的网络或远程服务器系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，所述一个或者一个以上程序包含用于进行本申请实施例提供的方法中由服务器所执行的步骤。
本申请实施例中还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条程序代码，当该程序代码由计算机设备的处理器加载并执行时，实现上述各方法实施例提供的歌曲推荐方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例提供的歌曲推荐方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的可读存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同切换、改进等，均应包含在本申请的保护范围之内。

Claims (13)

1.一种歌曲推荐方法，其特征在于，所述方法包括：
根据第一用户帐号的驾驶行为记录，确定驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息，所述驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种；
将基于所述n种信息构建的一维矩阵，确定为所述第一用户帐号的第一驾驶特征向量；
确定所述第一驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量之间的第一相似度；
基于聚类算法根据所述第一相似度对所述第一用户帐号以及所述至少一个第二用户帐号进行分类，得到所述第一用户帐号所属的驾驶行为分类集合；
根据属于所述驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单；
根据所述推荐歌单向所述第一用户帐号进行歌曲推荐。
2.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述驾驶里程数；所述根据第一用户帐号的驾驶行为记录，确定驾驶里程指数，包括：
根据所述驾驶里程数确定所述第一用户帐号在目标时段内的单位时长驾驶里程数；
将所述单位时长驾驶里程数与里程平均值之间的商，确定为所述驾驶里程指数，所述里程平均值为所述第一用户帐号和所述至少一个第二用户帐号在所述目标时段内的单位时长驾驶里程数的平均值。
3.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述急转弯数以及所述驾驶里程数；所述根据第一用户帐号的驾驶行为记录，确定单位里程急转弯数，包括：
将所述急转弯数与第一商之间的商，确定为所述单位里程急转弯数，所述第一商为所述驾驶里程数和单位里程的商。
4.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述急刹车数以及所述驾驶里程数；所述根据第一用户帐号的驾驶行为记录，确定单位里程急刹车数，包括：
将所述急刹车数与第二商之间的商，确定为所述单位里程急刹车数，所述第二商为所述驾驶里程数和单位里程的商。
5.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述油门猛踩数以及所述驾驶里程数；所述根据第一用户帐号的驾驶行为记录，确定单位里程油门猛踩数，包括：
将所述油门猛踩数与第三商之间的商，确定为所述单位里程油门猛踩数，所述第三商为所述驾驶里程数和单位里程的商。
6.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述鸣笛数以及所述驾驶里程数；所述根据第一用户帐号的驾驶行为记录，确定单位里程鸣笛数，包括：
将所述鸣笛数与第四商之间的商，确定为所述单位里程鸣笛数，所述第四商为所述驾驶里程数和单位里程的商。
7.根据权利要求1所述的方法，其特征在于，所述驾驶行为记录包括所述车速信息，所述车速信息包括目标时段内各第一时长的第一平均车速以及各第二时长的第二平均车速，所述第二时长属于所述第一时长，所述第一驾驶特征向量包括车速标准差；所述根据第一用户帐号的驾驶行为记录，确定车速标准差，包括：
确定各所述第一平均车速与所述第一平均车速对应的第一时长所属的第二时长的第二平均车速的标准差；
将所述各第一时长对应的标准差之间的平均值确定为所述车速标准差。
8.根据权利要求1至7任一所述的方法，其特征在于，所述第一用户帐号还属于歌曲播放分类集合，所述驾驶行为分类集合属于所述歌曲播放分类集合，所述歌曲播放分类集合为粗分类结果，所述驾驶行为分类集合为细分类结果；
在得到所述第一用户帐号所属的驾驶行为分类集合之前，所述方法还包括：
根据所述第一用户帐号的歌曲播放记录，对所述第一用户帐号进行分类，得到所述第一用户帐号所属的所述歌曲播放分类集合。
9.根据权利要求8所述的方法，其特征在于，所述根据所述第一用户帐号的歌曲播放记录，对所述第一用户帐号进行分类，得到所述第一用户帐号所属的所述歌曲播放分类集合，包括：
根据所述第一用户帐号的歌曲播放记录，确定所述第一用户帐号的第二喜爱歌曲集合；
根据歌曲集合和所述第二喜爱歌曲集合之间的差异，确定所述第一用户帐号的第一歌曲特征向量，所述歌曲集合是根据所述第二喜爱歌曲集合以及至少一个第三用户帐号的第三喜爱歌曲集合确定的；
确定所述第一歌曲特征向量与所述至少一个第三用户帐号的第二歌曲特征向量之间的第二相似度；
基于聚类算法根据所述第二相似度对所述第一用户帐号以及所述至少一个第三用户帐号进行分类，得到所述歌曲播放分类集合。
10.根据权利要求9所述的方法，其特征在于，所述根据歌曲集合和所述第二喜爱歌曲集合之间的差异，确定所述第一用户帐号的第一歌曲特征向量，包括：
响应于所述歌曲集合中的第一歌曲与所述第二喜爱歌曲集合中的歌曲相同，确定所述第一歌曲的喜爱结果的取值为1；
响应于所述歌曲集合中的第二歌曲与所述第二喜爱歌曲集合中的歌曲不相同，确定所述第二歌曲的喜爱结果的取值为0；
将基于所述第一歌曲的喜爱结果的取值与所述第二歌曲的喜爱结果的取值构建的一维矩阵，确定为所述第一歌曲特征向量。
11.一种歌曲推荐装置，其特征在于，所述装置包括：
第一分类模块，用于根据第一用户帐号的驾驶行为记录，确定驾驶里程指数、单位里程急转弯数、单位里程急刹车数、单位里程油门猛踩数、单位里程鸣笛数以及车速标准差中的n种信息，所述驾驶行为记录包括驾驶里程数、急转弯数、急刹车数、油门猛踩数、鸣笛数以及车速信息中的至少一种；将基于所述n种信息构建的一维矩阵，确定为所述第一用户帐号的第一驾驶特征向量；确定所述第一驾驶特征向量与至少一个第二用户帐号的第二驾驶特征向量之间的第一相似度；基于聚类算法根据所述第一相似度对所述第一用户帐号以及所述至少一个第二用户帐号进行分类，得到所述第一用户帐号所属的驾驶行为分类集合；
确定模块，用于根据属于所述驾驶行为分类集合的用户帐号的第一喜爱歌曲集合确定推荐歌单；
推荐模块，用于根据所述推荐歌单向所述第一用户帐号进行歌曲推荐。
12.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现如权利要求1至10任一所述的歌曲推荐方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条程序代码，所述程序代码由处理器加载并执行以实现如权利要求1至10任一所述的歌曲推荐方法。
CN202011611346.7A 2020-12-30 2020-12-30 歌曲推荐方法、装置、设备及存储介质 Active CN112612917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611346.7A CN112612917B (zh) 2020-12-30 2020-12-30 歌曲推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611346.7A CN112612917B (zh) 2020-12-30 2020-12-30 歌曲推荐方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112612917A CN112612917A (zh) 2021-04-06
CN112612917B true CN112612917B (zh) 2024-04-12

Family

ID=75249477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611346.7A Active CN112612917B (zh) 2020-12-30 2020-12-30 歌曲推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112612917B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569086B (zh) * 2021-08-05 2024-01-26 深圳墨世科技有限公司 曲库聚合方法、装置、终端设备和可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402625A (zh) * 2011-12-28 2012-04-04 深圳市五巨科技有限公司 一种音乐推荐的方法及系统
KR20130139624A (ko) * 2012-06-13 2013-12-23 현대모비스 주식회사 위치기반 융합정보를 반영한 운전자 맞춤 내비게이션 인터랙션 방법
CN104548309A (zh) * 2015-01-05 2015-04-29 浙江工业大学 利用不同情感特征音乐调整驾驶员情绪状态的装置及方法
CN105232064A (zh) * 2015-10-30 2016-01-13 科大讯飞股份有限公司 一种预测音乐对驾驶员行为影响的系统和方法
CN111831890A (zh) * 2019-04-17 2020-10-27 腾讯科技（深圳）有限公司 用户相似度生成方法、装置、存储介质和计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10078691B2 (en) * 2013-12-27 2018-09-18 Futurewei Technologies, Inc. System and method for biometrics-based music recommendation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102402625A (zh) * 2011-12-28 2012-04-04 深圳市五巨科技有限公司 一种音乐推荐的方法及系统
KR20130139624A (ko) * 2012-06-13 2013-12-23 현대모비스 주식회사 위치기반 융합정보를 반영한 운전자 맞춤 내비게이션 인터랙션 방법
CN104548309A (zh) * 2015-01-05 2015-04-29 浙江工业大学 利用不同情感特征音乐调整驾驶员情绪状态的装置及方法
CN105232064A (zh) * 2015-10-30 2016-01-13 科大讯飞股份有限公司 一种预测音乐对驾驶员行为影响的系统和方法
CN111831890A (zh) * 2019-04-17 2020-10-27 腾讯科技（深圳）有限公司 用户相似度生成方法、装置、存储介质和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"选择合适的汽车音乐很重要";爱车车的半仙;《https://zhuanlan.zhihu.com/p/90106662》;1-2 *
基于协同过滤的歌曲推荐算法研究;王炳祥;;数字技术与应用(第10期);136-137 *

Also Published As

Publication number Publication date
CN112612917A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN107784597B (zh) 出行方式识别方法、装置、终端设备及存储介质
Zhu et al. Open benchmarking for click-through rate prediction
CN108510400B (zh) 汽车保险信息处理方法及装置、服务器及可读存储介质
CN112214670A (zh) 一种在线课程推荐方法、装置、电子设备及存储介质
CN111178452B (zh) 驾驶风险识别方法、电子装置及可读存储介质
CN1725212A (zh) 指数模型的自适应
CN105930771A (zh) 一种驾驶行为评分方法及装置
CN108304853B (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN112241494B (zh) 基于用户行为数据的关键信息推送方法及装置
JP6451583B2 (ja) 運転支援装置
CN111125658A (zh) 识别欺诈用户的方法、装置、服务器和存储介质
CN114117213A (zh) 一种推荐模型训练、推荐方法、装置、介质和设备
CN113722474A (zh) 文本分类方法、装置、设备及存储介质
CN112612917B (zh) 歌曲推荐方法、装置、设备及存储介质
CN115222443A (zh) 客户群体划分方法、装置、设备及存储介质
Halim et al. Deep neural network-based identification of driving risk utilizing driver dependent vehicle driving features: A scheme for critical infrastructure protection
Liao et al. Driver profile modeling based on driving style, personality traits, and mood states
CN114706985A (zh) 文本分类方法、装置、电子设备及存储介质
CN110929169A (zh) 基于改进Canopy聚类协同过滤算法的职位推荐方法
CN114416929A (zh) 实体召回模型的样本生成方法、装置、设备及存储介质
CN110378389A (zh) 一种Adaboost分类器计算机创建装置
CN106446696B (zh) 一种信息处理方法及电子设备
CN111709473A (zh) 对象特征的聚类方法及装置
CN111833080A (zh) 信息推送的方法、装置、电子设备和计算机可读存储介质
JP7402492B2 (ja) コメント評価システム、コメント評価方法、及びプログラム

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