CN112860937A - 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备 - Google Patents

一种基于knn和词嵌入的混合音乐推荐方法、系统及设备 Download PDF

Info

Publication number
CN112860937A
CN112860937A CN202110120371.3A CN202110120371A CN112860937A CN 112860937 A CN112860937 A CN 112860937A CN 202110120371 A CN202110120371 A CN 202110120371A CN 112860937 A CN112860937 A CN 112860937A
Authority
CN
China
Prior art keywords
song
recommendation
songs
list
favorite
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
CN202110120371.3A
Other languages
English (en)
Other versions
CN112860937B (zh
Inventor
黄昭
范理涛
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.)
Shaanxi Normal University
Original Assignee
Shaanxi Normal University
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 Shaanxi Normal University filed Critical Shaanxi Normal University
Priority to CN202110120371.3A priority Critical patent/CN112860937B/zh
Publication of CN112860937A publication Critical patent/CN112860937A/zh
Application granted granted Critical
Publication of CN112860937B publication Critical patent/CN112860937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/63—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
    • G06F16/63—Querying
    • G06F16/638—Presentation of query results
    • G06F16/639—Presentation of query results using playlists
    • 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

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)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于KNN和词嵌入的混合音乐推荐方法、系统及设备，方法主要通过KNN算法和word2vec模型中的Skip‑Gram算法，推荐用户所喜爱的歌曲。其方法包括：获取用户的信息及用户喜爱音乐列表；根据用户播放记录计算，得到歌曲播放系数；通过KNN计算歌曲相似度，得到相似歌曲的歌单；使用Skip‑Gram方法，从相似歌单中计算出相似歌曲；最后根据用户的兴趣偏好和歌曲热度，设置兴趣衰减因子和歌曲热度因子，以此来调整推荐权值并完成推荐，从而获取最佳推荐性能；通过KNN算法和word2vec模型的Skip‑Gram算法进行混合推荐，有助于提高推荐准确性；利用兴趣衰减因子和歌曲热度因子，能够依据用户兴趣偏好和歌曲热度的变化，快速地调整要推荐的歌曲，提高推荐的多样性。

Description

一种基于KNN和词嵌入的混合音乐推荐方法、系统及设备
技术领域
本发明属于计算机技术中的推荐系统领域，具体涉及一种基于KNN和词嵌入的混合音乐推荐方法、系统及设备。
背景技术
音乐推荐过程中，最主要的目的就是推荐符合用户喜好的音乐。推荐的核心是基于用户的评分数据，进行相似度计算。而现有的音乐软件很少有用户对音乐的直接评分反馈，因此需要采用可行的方式代替评分，进行相似度度量，实现需求的音乐推荐。现有的音乐推荐主要分为两种，一种是用户对歌曲的主动操作，如将歌曲添加至喜欢列表或移除出喜欢列表，根据用户对歌曲的操作进行推荐；另一种是根据用户的歌曲历史收听记录，推荐和收听记录相似的歌曲。前者音乐推荐中，只能初步判断用户对歌曲的偏好，并不能更具体反映出用户对歌曲的进一步偏好；后者音乐推荐中，凭用户的歌曲历史收听记录，不能准确地反映出用户对歌曲的偏好。因此，用户需要提供一种方便准确的推荐方法。
发明内容
为了解决现有音乐推荐过程中存在的问题，本发明提供一种基于KNN和词嵌入的混合音乐推荐方法，根据用户的现有音乐喜爱列表，使用KNN算法，得到与用户喜爱列表最接近的N个歌单，再根据word2vec算法，在N个歌单中推荐相似的歌曲。
为了达到上述目的，本发明采用的技术方案为：一种基于KNN和词嵌入的混合音乐推荐方法，具体如下：
获取用户信息及歌曲列表；
基于所述歌曲列表，获取在一个周期内所述歌曲列表中每一首歌曲的播放次数以及所述歌曲列表中歌曲总播放量，进而得到所述歌曲列表中每一首歌曲的播放系数Lu,i；使用KNN算法计算与每一首歌曲相似度最高的若干首歌曲作为喜爱歌曲集合，遍历曲库中的歌单，获取曲库中包含所述喜爱歌曲集合的歌单，并按照歌单中包含所述喜爱歌曲集合的数量由多到少排序；
在每个包含所述喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，所述喜爱歌曲集合中的每首歌曲都得到一个推荐列表；
根据用户兴趣的时效性以及歌曲在整个音乐平台的播放热度，对所述最相似的top-n首歌曲的概率进行修正，得到一个修正系数，将所述修正系数引入所述喜爱歌曲集合中的每首歌曲的推荐列表中，得到最终的推荐列表；将用户在一个周期内播放的歌曲历史记录按照时间轴排序，根据时间由近及远给予不同的兴趣衰减因子，时间最近的兴趣衰减因子值为1；根据歌曲在整个音乐平台的播放热度，给定不同的热度推荐因子，歌曲热度越高其热度推荐因子越高，热度推荐因子最高值为1。
所述周期为设定周期，所述周期为一年、一个月、一周、三天或一天。
所述用户信息包括用户的个人基本信息，所述个人基本信息从其他应用中读取或由用户输入，所述用户信息包括用户的地理位置以及用户输入的情境信息，所述音乐喜爱列表中所填内容是用户自己添加到喜爱列表的歌曲，歌曲信息包括歌曲的演唱歌手、歌曲时长、演唱专辑、演唱风格以及曲目作者。
歌曲的播放系数计算方式为：
Figure BDA0002921796760000021
countu,i为一首歌曲在一个周期内的播放量，total为一个周期内播放总曲次。
在得到用户对歌曲的播放系数Lu,i后，对于用户u喜爱列表中每一首歌曲，使用KNN算法计算出与该歌曲相似度最高的f首歌曲，并用N(u,mi)表示这f首歌曲的集合，相似度计算方法为：
Figure BDA0002921796760000031
其中Simmn表示歌曲m和歌曲n的相似度，Pmn表示都播放过歌曲m，n的用户集合，
Figure BDA0002921796760000032
和
Figure BDA0002921796760000033
分别表示歌曲m和n的平均播放系数，Lu,m表示用户u对歌曲m的播放系数，Lu.n表示用户u对歌曲n的播放系数。
在每个包含所述喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，得到一个歌曲推荐列表，具体如下：
确定所述喜爱歌曲集合中的歌曲mi为中心词，i为正整数，i最大值为所述喜爱歌曲集合中的歌曲数量，使用滑动窗口捕获所述喜爱歌曲集合中所述中心词的上下文歌曲集合；
在Skip-Gram神经网络的映射层处，对中心词和上下文词进行one-hot编码，所述喜爱歌曲集合中每首歌曲形成S*1的向量，整个歌曲表则表达为S*S的矩阵；
通过索引映射，将所述喜爱歌曲集合中每首歌曲映射到T维空间，则所述喜爱歌曲集合中所有的歌曲都映射到矩阵WS×T上，并且矩阵中WS×T的某列与所述喜爱歌曲集合中每首歌曲一一对应；
Skip-Gram神经网络的映射层与Skip-Gram神经网络的隐藏层之间组成一个权重矩阵W′，W′是一个S行T列的矩阵；
取出做为中心词的歌曲向量Sc，中心词的歌曲向量Sc与权重矩阵W′中的其他上下文歌曲向量做内积运算，得到每首歌曲的计算结果；
在Skip-Gram神经网络的输出层处，对得到的S个数字，采用Softmax函数对输出向量进行归一化处理，得到一个N维的概率值Softmax；Softmax是一个经由Softmax函数进行归一化处理获得N维的概率值，每一维都代表一首预测歌曲，其中概率最大的一行为预测出的中心词歌曲。
对得到概率最大的预测歌曲进行推荐分数修正，分数修正方法如下：
根据用户在周期内播放的歌曲历史记录，按照时间轴排序，根据时间由近及远给予不同的兴趣衰减因子，时间最近的兴趣衰减因子值为1，同时根据歌曲在整个音乐平台的播放热度，给定不同的热度推荐因子，歌曲热度越高其热度推荐因子越高，热度推荐因子最高值为1，
根据所述喜爱歌曲集合中的每首歌曲所得的兴趣衰减因子和热度推荐因子，对歌曲的预测歌曲进行推荐分数修正，修正分数公式为：
Figure BDA0002921796760000041
其中，Inti为用户i的兴趣衰减因子，Popm为歌曲m的热度推荐因子，Softmaxmi为歌曲m对用户i的推荐概率值；根据修正后的推荐分数，得到最终的预测歌曲列表并完成推荐。
一种基于KNN和词嵌入的混合音乐推荐系统，包括信息获取模块、喜爱歌曲集合获取模块以及推荐列表模块；其中信息获取模块用于获取用户信息及歌曲列表；
喜爱歌曲集合获取模块基于所获取的歌曲列表，获取在一个周期内所述歌曲列表中每一首歌曲的播放次数以及所述歌曲列表中歌曲总播放量，进而得到所述歌曲列表中每一首歌曲的播放系数Lu,i；使用KNN算法计算与每一首歌曲相似度最高的若干首歌曲作为喜爱歌曲集合，遍历曲库中的歌单，获取曲库中包含所述喜爱歌曲集合的歌单，并按照歌单中包含所述喜爱歌曲集合的数量由多到少排序；
推荐列表模块在每个包含所得到的喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，得到一个歌曲推荐列表。
一种计算机设备，包括一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于KNN和词嵌入的混合音乐推荐方法。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于KNN和词嵌入的混合音乐推荐方法。
与现有技术相比，本发明至少具有以下突出优点：
本发明相较于传统基于评分的方式，通过考虑用户的历史播放记录，以及设置歌曲的播放系数，能够更加准确的反映用户对歌曲的喜好程度；相较于传统的单一推荐方法，通过KNN算法和word2vec模型的Skip-Gram算法进行混合推荐，有助于提高推荐准确性；利用兴趣衰减因子和歌曲热度因子，能够依据用户兴趣偏好和歌曲热度的变化，快速地调整要推荐的歌曲，提高推荐的多样性。
附图说明
图1为基于KNN和词嵌入的混合音乐推荐方法。
具体实施方式
结合图1对本发明的实施方式进行如下说明。基于KNN和词嵌入的混合音乐推荐方法，按以下步骤实施：
步骤1，获取用户及用户所需音乐歌曲的信息。首先是用户的个人的基本信息及地理位置等情境信息，其次是用户的音乐喜爱列表，表中是用户自己添加到喜爱列表的歌曲，歌曲的信息包括歌曲的演唱歌手、演唱时长、演唱专辑、演唱风格、曲目作者等。
步骤2，对于用户的音乐喜爱列表，记录一个周期内的音乐播放次数，周期由用户设置，周期可选的时间范围为一年，一个月，一周，三天等，即从使用日起至今。用户在周期内的歌曲播放次数，反映了用户对歌曲的喜爱程度，将用户该歌曲的播放量除以总播放量得到用户对该歌曲的播放系数Lu,i。歌曲的播放系数Lu,i计算方式为：
Figure BDA0002921796760000061
在得到用户对歌曲的播放系数Lu,i后，对于用户u喜爱列表中每一首歌曲，使用KNN算法计算出与该歌曲相似度最高的f首歌曲，并用N(u,mi)表示这f首歌曲的集合。相似度计算方法为：
Figure BDA0002921796760000062
其中Simmn表示歌曲m和歌曲n的相似度，Pmn表示都播放过歌曲m，n的用户集合，
Figure BDA0002921796760000063
和
Figure BDA0002921796760000064
分别表示歌曲m和n的平均播放系数，Lu,m表示用户u对歌曲m的播放系数，Lu.n表示用户u对歌曲n的播放系数。
找出音乐程序中包含N(u，mi)集合中歌曲数量最多的歌单，并按照歌单中包含N(u，mi)集合中歌曲数量多少进行排序。
步骤3，在步骤2得到歌单排序后，在每个歌单中使用word2vec的Skip-Gram方法，为歌单中包含的N(u，mi)集合中的每首歌曲求出最相似的top-n首歌曲，得到预测歌曲songlist(mi)。
具体实施为：
①，确定N(u，mi)中的歌曲mi为中心词，使用大小为w滑动窗口捕获歌单中mi的相关上下文歌曲集合Ci；
②，在Skip-Gram神经网络的映射层处，对中心词和上下文词进行one-hot编码，每首歌曲形成S*1的向量，整个歌曲表就是S*S的矩阵；
③，通过索引映射，可以将每首歌曲映射到T维空间，这样就将所有的歌曲都映射到矩阵WS×T上，并且矩阵中的某列与每首歌曲一一对应。
④，初始化Skip-Gram神经网络的映射层与Skip-Gram神经网络的隐藏层之间的权重矩阵W′，W′是一个S行T列的矩阵。
⑤，取出做为中心词的歌曲向量Sc(它的形状为T维的向量1*T),与权重矩阵W′中的其他上下文歌曲向量做内积运算，得到每首歌曲的计算结果。
在Skip-Gram神经网络的输出层处对得到的S个数字采用Softmax函数对输出向量进行归一化处理，得到一个N维的概率值Softmax。Softmax是一个经由Softmax函数进行归一化处理获得N维的概率值，每一维都代表一首预测歌曲，概率最大的那一行为预测出的中心词歌曲；
重复以上步骤，为N(u，mi)中的每首歌曲mi都求出预测歌曲songlist(mi)，得到一个推荐列表。
步骤4，步骤3得到概率最大的预测歌曲songlist(mi)之后，根据用户兴趣的时效性，对得到的歌曲概率进行调整。根据用户在周期内播放的歌曲历史记录按照时间轴排序，根据时间由近及远给予不同的兴趣衰减因子，时间最近的兴趣衰减因子值为1。同时根据歌曲在整个音乐平台的播放热度，给定不同的热度推荐因子，歌曲热度越高其热度推荐因子越高，热度推荐因子最高值为1。根据N(u，mi)中的每首歌曲mi所得的兴趣衰减因子和热度推荐因子，对歌曲mi的预测歌曲songlist(mi)进行推荐分数修正。
修正分数公式为：
Figure BDA0002921796760000071
其中Inti为用户i的兴趣衰减因子，Popm为歌曲m的热度推荐因子，
Figure BDA0002921796760000072
为歌曲m经过步骤3得到的用户i的推荐概率值。
根据修正后的推荐分数，得到最终的预测歌曲songlist(mi)并完成推荐。
可选的，本发明还提供一种计算机设备，包括但不限于一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于KNN和词嵌入的混合音乐推荐方法的部分步骤或所有步骤。
一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于KNN和词嵌入的混合音乐推荐方法。
所述计算机设备可以采用笔记本电脑、平板电脑、桌面型计算机、手机或工作站。
处理器可以是中央处理器(CPU)、数字信号处理器(DSP)、专用集成电路(ASIC)或现成可编程门阵列(FPGA)。
对于本发明所述存储器，可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。
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。计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance Random Access Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。

Claims (9)

1.一种基于KNN和词嵌入的混合音乐推荐方法，其特征在于，具体如下：
获取用户信息及歌曲列表；
基于所述歌曲列表，获取在一个周期内所述歌曲列表中每一首歌曲的播放次数以及所述歌曲列表中歌曲总播放量，进而得到所述歌曲列表中每一首歌曲的播放系数Lu,i；使用KNN算法计算与每一首歌曲相似度最高的若干首歌曲作为喜爱歌曲集合，遍历曲库中的歌单，获取曲库中包含所述喜爱歌曲集合的歌单，并按照歌单中包含所述喜爱歌曲集合的数量由多到少排序；
在每个包含所述喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，所述喜爱歌曲集合中的每首歌曲都得到一个推荐列表；
根据用户兴趣的时效性以及歌曲在整个音乐平台的播放热度，对所述最相似的top-n首歌曲的概率进行修正，得到一个修正系数，将所述修正系数引入所述喜爱歌曲集合中的每首歌曲的推荐列表中，得到最终的推荐列表；将用户在一个周期内播放的歌曲历史记录按照时间轴排序，根据时间由近及远给予不同的兴趣衰减因子，时间最近的兴趣衰减因子值为1；根据歌曲在整个音乐平台的播放热度，给定不同的热度推荐因子，歌曲热度越高其热度推荐因子越高，热度推荐因子最高值为1。
2.根据权利要求1所述的基于KNN和词嵌入的混合音乐推荐方法，其特征在于，所述周期为设定周期，所述周期为一年、一个月、一周、三天或一天。
3.根据权利要求1所述的基于KNN和词嵌入的混合音乐推荐方法，其特征在于，所述用户信息包括用户的个人基本信息，所述个人基本信息从其他应用中读取或由用户输入，所述用户信息包括用户的地理位置以及用户输入的情境信息，所述音乐喜爱列表中所填内容是用户自己添加到喜爱列表的歌曲，歌曲信息包括歌曲的演唱歌手、歌曲时长、演唱专辑、演唱风格以及曲目作者。
4.根据权利要求1所述的基于KNN和词嵌入的混合音乐推荐方法，其特征在于，歌曲的播放系数计算方式为：
Figure FDA0002921796750000021
countu,i为一首歌曲在一个周期内的播放量，total为一个周期内播放总曲次；
在得到用户对歌曲的播放系数Lu,i后，对于用户u喜爱列表中每一首歌曲，使用KNN算法计算出与该歌曲相似度最高的f首歌曲，并用N(u,mi)表示这f首歌曲的集合，相似度计算方法为：
Figure FDA0002921796750000022
其中Simmn表示歌曲m和歌曲n的相似度，Pmn表示都播放过歌曲m，n的用户集合，
Figure FDA0002921796750000023
和
Figure FDA0002921796750000024
分别表示歌曲m和n的平均播放系数，Lu,m表示用户u对歌曲m的播放系数，Lu.n表示用户u对歌曲n的播放系数。
5.根据权利要求1所述的基于KNN和词嵌入的混合音乐推荐方法，其特征在于，在每个包含所述喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，得到一个歌曲推荐列表，具体如下：
确定所述喜爱歌曲集合中的歌曲mi为中心词，i为正整数，i最大值为所述喜爱歌曲集合中的歌曲数量，使用滑动窗口捕获所述喜爱歌曲集合中所述中心词的上下文歌曲集合；
在Skip-Gram神经网络的映射层处，对中心词和上下文词进行one-hot编码，所述喜爱歌曲集合中每首歌曲形成S*1的向量，整个歌曲表则表达为S*S的矩阵；
通过索引映射，将所述喜爱歌曲集合中每首歌曲映射到T维空间，则所述喜爱歌曲集合中所有的歌曲都映射到矩阵WS×T上，并且矩阵中WS×T的某列与所述喜爱歌曲集合中每首歌曲一一对应；
Skip-Gram神经网络的映射层与Skip-Gram神经网络的隐藏层之间组成一个权重矩阵W′，W′是一个S行T列的矩阵；
取出做为中心词的歌曲向量Sc，中心词的歌曲向量Sc与权重矩阵W′中的其他上下文歌曲向量做内积运算，得到每首歌曲的计算结果；
在Skip-Gram神经网络的输出层处，对得到的S个数字，采用Softmax函数对输出向量进行归一化处理，得到一个N维的概率值Softmax；Softmax是一个经由Softmax函数进行归一化处理获得N维的概率值，每一维都代表一首预测歌曲，其中概率最大的一行为预测出的中心词歌曲。
6.根据权利要求1所述基于KNN和词嵌入的混合音乐推荐方法，其特征在于，对得到概率最大的预测歌曲进行推荐分数修正，分数修正方法如下：
根据用户在周期内播放的歌曲历史记录，按照时间轴排序，根据时间由近及远给予不同的兴趣衰减因子，时间最近的兴趣衰减因子值为1，同时根据歌曲在整个音乐平台的播放热度，给定不同的热度推荐因子，歌曲热度越高其热度推荐因子越高，热度推荐因子最高值为1，
根据所述喜爱歌曲集合中的每首歌曲所得的兴趣衰减因子和热度推荐因子，对歌曲的预测歌曲进行推荐分数修正，修正分数公式为：
Figure FDA0002921796750000031
其中，Inti为用户i的兴趣衰减因子，Popm为歌曲m的热度推荐因子，
Figure FDA0002921796750000032
为歌曲m对用户i的推荐概率值；根据修正后的推荐分数，得到最终的预测歌曲列表并完成推荐。
7.一种基于KNN和词嵌入的混合音乐推荐系统，其特征在于，包括信息获取模块、喜爱歌曲集合获取模块以及推荐列表模块；其中信息获取模块用于获取用户信息及歌曲列表；
喜爱歌曲集合获取模块基于所获取的歌曲列表，获取在一个周期内所述歌曲列表中每一首歌曲的播放次数以及所述歌曲列表中歌曲总播放量，进而得到所述歌曲列表中每一首歌曲的播放系数Lu,i；使用KNN算法计算与每一首歌曲相似度最高的若干首歌曲作为喜爱歌曲集合，遍历曲库中的歌单，获取曲库中包含所述喜爱歌曲集合的歌单，并按照歌单中包含所述喜爱歌曲集合的数量由多到少排序；
推荐列表模块在每个包含所得到的喜爱歌曲集合的歌单中使用word2vec的Skip-Gram方法，为歌单中包含所述喜爱歌曲集合中的每首歌求出最相似的top-n首歌曲，得到一个歌曲推荐列表。
8.一种计算机设备，其特征在于，包括一个或多个处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现权利要求1～6中任一项所述基于KNN和词嵌入的混合音乐推荐方法。
9.一种计算机可读存储介质，其特征在于，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现如权利要求1～6中任一项所述的基于KNN和词嵌入的混合音乐推荐方法。
CN202110120371.3A 2021-01-28 2021-01-28 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备 Active CN112860937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110120371.3A CN112860937B (zh) 2021-01-28 2021-01-28 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110120371.3A CN112860937B (zh) 2021-01-28 2021-01-28 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备

Publications (2)

Publication Number Publication Date
CN112860937A true CN112860937A (zh) 2021-05-28
CN112860937B CN112860937B (zh) 2022-09-02

Family

ID=75987809

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110120371.3A Active CN112860937B (zh) 2021-01-28 2021-01-28 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112860937B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536027A (zh) * 2021-07-27 2021-10-22 咪咕音乐有限公司 音乐推荐方法、装置、设备以及计算机可读存储介质
CN114020956A (zh) * 2021-10-19 2022-02-08 成都统信软件技术有限公司 数据智能化赋值方法和数据智能化赋值装置
CN114173140A (zh) * 2021-11-10 2022-03-11 天翼爱音乐文化科技有限公司 直播间音乐的推荐方法、系统、装置及存储介质
CN115862572A (zh) * 2022-11-22 2023-03-28 广州珠江艾茉森数码乐器股份有限公司 一种智能钢琴系统及使用方法
CN117033798A (zh) * 2023-09-06 2023-11-10 杭州赢势通科技有限公司 一种音乐推荐方法和音乐播放器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075259A (ko) * 2009-12-28 2011-07-06 에스케이텔레콤 주식회사 사용자 선호와 평가를 반영한 음악 재생 목록을 생성하는 온라인 음악 서비스 장치 및 방법
CN108009181A (zh) * 2016-10-28 2018-05-08 北京酷我科技有限公司 一种电台推荐方法及系统
CN108021568A (zh) * 2016-10-31 2018-05-11 北京酷我科技有限公司 一种歌单推荐方法及装置
CN108509534A (zh) * 2018-03-15 2018-09-07 华南理工大学 基于深度学习的个性化音乐推荐系统及其实现方法
US20180341704A1 (en) * 2017-05-25 2018-11-29 Microsoft Technology Licensing, Llc Song similarity determination
CN108932308A (zh) * 2018-06-15 2018-12-04 重庆知遨科技有限公司 一种基于混合推荐算法的歌曲推荐方法
CN111428076A (zh) * 2020-03-25 2020-07-17 陕西师范大学 基于词嵌入的个性化音乐推荐方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110075259A (ko) * 2009-12-28 2011-07-06 에스케이텔레콤 주식회사 사용자 선호와 평가를 반영한 음악 재생 목록을 생성하는 온라인 음악 서비스 장치 및 방법
CN108009181A (zh) * 2016-10-28 2018-05-08 北京酷我科技有限公司 一种电台推荐方法及系统
CN108021568A (zh) * 2016-10-31 2018-05-11 北京酷我科技有限公司 一种歌单推荐方法及装置
US20180341704A1 (en) * 2017-05-25 2018-11-29 Microsoft Technology Licensing, Llc Song similarity determination
CN108509534A (zh) * 2018-03-15 2018-09-07 华南理工大学 基于深度学习的个性化音乐推荐系统及其实现方法
CN108932308A (zh) * 2018-06-15 2018-12-04 重庆知遨科技有限公司 一种基于混合推荐算法的歌曲推荐方法
CN111428076A (zh) * 2020-03-25 2020-07-17 陕西师范大学 基于词嵌入的个性化音乐推荐方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
AISHWARIYA BUDHRANI ETC.: "Music2Vec: Music Genre Classification and Recommendation System", 《 2020 4TH INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATION AND AEROSPACE TECHNOLOGY (ICECA)》 *
AISHWARIYA BUDHRANI ETC.: "Music2Vec: Music Genre Classification and Recommendation System", 《2020 4TH INTERNATIONAL CONFERENCE ON ELECTRONICS, COMMUNICATION AND AEROSPACE TECHNOLOGY (ICECA)》 *
于帅等: "大规模隐式反馈的词向量音乐推荐模型", 《计算机系统应用》 *
周航帆等: "基于会话记录的Word2Vec音乐推荐算法研究", 《通信技术》 *
李淑芝 等: "结合Skip-gram和加权损失函数的神经网络推荐模型", 《计算机工程与应用》 *
陈亮 等: "基于DNN算法的移动视频推荐策略", 《计算机学报》 *
黄梓炜: "基于机器学习优化用户音乐喜好个性化推荐的研究", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 *
黄聪: "基于词向量的标签语义推荐算法研究", 《中国优秀硕士学位论文全文数据库（哲学与人文科学辑）》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536027A (zh) * 2021-07-27 2021-10-22 咪咕音乐有限公司 音乐推荐方法、装置、设备以及计算机可读存储介质
CN114020956A (zh) * 2021-10-19 2022-02-08 成都统信软件技术有限公司 数据智能化赋值方法和数据智能化赋值装置
CN114173140A (zh) * 2021-11-10 2022-03-11 天翼爱音乐文化科技有限公司 直播间音乐的推荐方法、系统、装置及存储介质
CN114173140B (zh) * 2021-11-10 2023-03-14 天翼爱音乐文化科技有限公司 直播间音乐的推荐方法、系统、装置及存储介质
CN115862572A (zh) * 2022-11-22 2023-03-28 广州珠江艾茉森数码乐器股份有限公司 一种智能钢琴系统及使用方法
CN115862572B (zh) * 2022-11-22 2023-11-03 广州珠江艾茉森数码乐器股份有限公司 一种智能钢琴系统及使用方法
CN117033798A (zh) * 2023-09-06 2023-11-10 杭州赢势通科技有限公司 一种音乐推荐方法和音乐播放器
CN117033798B (zh) * 2023-09-06 2024-01-26 杭州赢势通科技有限公司 一种音乐推荐方法和音乐播放器

Also Published As

Publication number Publication date
CN112860937B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN112860937B (zh) 一种基于knn和词嵌入的混合音乐推荐方法、系统及设备
US11698932B2 (en) Media content item recommendation system
US10558682B2 (en) Cross media recommendation
US9348898B2 (en) Recommendation system with dual collaborative filter usage matrix
CN104424210B (zh) 一种信息推荐方法、系统及服务器
US8301692B1 (en) Person to person similarities based on media experiences
US20100274782A1 (en) Generating metadata for association with a collection of content items
CN112052387B (zh) 一种内容推荐方法、装置和计算机可读存储介质
CN107885852A (zh) 一种基于app使用记录的app推荐方法及系统
CN102033927B (zh) 一种基于gpu实现的快速音频检索方法
CN109328330A (zh) 具有多媒体资产的数据存储系统
CN115511071A (zh) 模型训练方法、装置及可读存储介质
KR102275406B1 (ko) 대상 화자 음성과 동일한 음성을 가진 컨텐츠를 검색하는 방법 및 이를 실행하기 위한 장치
CN110209863B (zh) 用于相似图片检索的方法与设备
CN111488485B (zh) 基于卷积神经网络的音乐推荐方法、存储介质和电子装置
CN110119465B (zh) 融合lfm潜在因子与svd的手机应用用户喜好检索方法
CN115129915A (zh) 重复图像检索方法、装置、设备及存储介质
CN111708745A (zh) 一种跨媒体数据共享表示方法及用户行为分析方法、系统
CN102074233A (zh) 乐曲辨识系统及方法
US6668258B2 (en) Method for the scaling of the indexing data of a multimedia document
JP2005309712A (ja) 楽曲検索システムおよび楽曲検索方法
CN111488484B (zh) 基于类指数分布和tf-idf特征的歌曲推荐方法、介质和装置
Shen et al. EMIF: towards a scalable and effective indexing framework for large scale music retrieval
CN115048546A (zh) 视频彩铃配乐推荐方法、装置、设备及计算机存储介质
CN115203000A (zh) 验证搜索召回质量的方法、装置、计算机设备

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