发明内容
本发明提供一种音乐的推荐方法和装置,用以解决车载音乐的推荐精度较低的问题。
一方面,本发明提供一种音乐的推荐方法,包括:
获取第一车辆当前所处的第一车载场景,其中,所述第一车载场景的数据包括以下数据中的至少一种:所述第一车辆对应的第一用户的驾驶习惯数据、所述第一用户的心理状态以及所述第一车辆所处道路的第一拥堵数据;
确定每首待播放的歌曲对应的歌曲信息;
将所述歌曲信息以及所述第一车载场景的数据输入至排序模型,输出所述排序模型排序后的各首所述歌曲。
在一实施例中,当所述第一车载场景的数据包括所述第一拥堵数据,且所述第一拥堵数据为第一拥堵分值时,所述获取第一车辆当前所处的第一车载场景的步骤包括:
获取所述第一车辆的在第一时间段内的车速;
根据所述第一车辆的车速确定所述第一拥堵分值,其中,所述车速与所述第一拥堵分值为负相关关系。
在一实施例中,当所述第一车载场景的数据包括所述第一用户的驾驶习惯数据,且所述第一用户的驾驶习惯数据为驾驶习惯分值时,所述获取第一车辆当前所处的第一车载场景包括:
获取所述第一车辆在第二时间段内的速度参数;
根据所述第一车辆的速度参数确定第一加速度方差、平均过弯速度以及平均跟车距离;
对所述第一加速度方差、所述平均过弯速度以及所述平均跟车距离进行加权计算,得到所述第一用户的驾驶习惯分值。
在一实施例中,当所述第一车载场景的数据包括所述第一用户的心理状态时,所述获取第一车辆当前所处的第一车载场景包括:
获取所述第一车辆在第三时间段内的速度参数,并根据所述在第三时间段内的速度参数获取当前的第二加速度方差以及历史的各个第三加速度方差;
对各个所述第三加速度方差以及所述第二加速度方差进行排序,并根据所述第一加速度方差的排序序号确定所述第一用户的心理状态。
在一实施例中,所述第一车载场景的数据还包括以下数据中的至少一种:所述第一用户的性别、年龄段、所述第一行驶时长所在的区间、第一听歌活跃度、所述第一车辆所处商圈、所述第一车辆所处位置的天气以及当前时间段。
在一实施例中,所述将所述歌曲信息以及所述第一车载场景的数据输入至排序模型的步骤之前,还包括:
获取训练样本,所述训练样本包括第二车载场景的数据以及标签,所述第二车载场景的数据包括以下数据中的至少一种:所述第二车辆对应的第二用户的驾驶习惯数据、所述第二用户的心理状态以及所述第二车辆所处道路的第二拥堵数据;
根据各个所述训练样本对预设模型进行训练,得到所述排序模型。
在一实施例中,所述获取训练样本的步骤包括:
获取所述第二车辆的速度参数以及所述第二用户的听歌状态;
根据所述第二车辆的速度参数确定所述第二车辆对应的第二车载场景的数据,并根据所述听歌状态确定所述标签;
根据所述第二车载场景的数据以及所述标签确定所述训练样本。
在一实施例中,所述第二车载场景的数据包括以下数据中的至少一种:所述第二用户的性别、年龄段、所述第二行驶时长所在的区间、第二听歌活跃度、所述第二车辆所处商圈、所述第二车辆所处位置的天气以及所述驾驶时间点所在时间段。
在一实施例中,所述歌曲为第三方终端推荐的歌曲,且所述歌曲为所述第一用户喜好的歌曲。
另一方面,本发明还提供一种车辆,包括:
获取模块,用于获取第一车辆当前所处的第一车载场景,其中,所述第一车载场景的数据包括以下数据中的至少一种:所述第一车辆对应的第一用户的驾驶习惯数据、所述第一用户的心理状态以及所述第一车辆所处道路的第一拥堵数据;
确定模块,用于确定每首待播放的歌曲对应的歌曲信息;
输入模块,用于将所述歌曲信息以及所述第一车载场景的数据输入至排序模型,输出所述排序模型排序后的各首所述歌曲。
另一方面,本发明还提供一种车辆,包括:存储器和处理器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上所述的音乐的推荐方法。
另一方面,本发明还提供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计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上所述的音乐的推荐方法。
另一方面,本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上所述的音乐的推荐方法。
本发明提供的音乐的推荐方法和装置,获取包括用户的驾驶习惯数据、用户心理状态、车辆所处道路的第一拥堵数据等数据的车载场景,并将待播放的多首歌曲的歌曲信息以及车载场景的数据作为输入参数输入至排序模型,从而输出排序模型排序后的各首歌曲。本发明车载音乐是通过用户驾驶习惯数据、用户心理状态、车辆所处道路拥堵数据等车载场景进行排序推荐的,使得推荐的歌曲符合用户当前的驾驶状态以及心理状态,提高了车载音乐的推荐精度。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供一种音乐的推荐方法,可以通过图1所示的系统构架图实现。如图1所示,车辆100与第一服务器200通信连接,第一服务器200上存储有车辆100注册时填写的用户信息,车辆100通过第一服务器200获取驾驶车辆100的用户信息。车辆100还与第二服务器300连接,第二服务器300可以是定位服务器,第二服务器300可以对车辆100进行定位,从而基于车辆100的位置确定车辆100所处的商圈、车辆100所在位置的道路情况以及天气信息,并将此类信息发送至车辆100。车辆100还与第三服务器400连接,第三服务器400可以是音乐服务器,音乐服务器存储有车辆100的用户所喜爱的歌曲,第三服务器400将歌曲推送至车辆100。车辆100通过自身的传感器可以采集到速度参数,车辆100通过速度参数、第一服务器200发送的信息、第二服务器300发送的信息确定车辆100当前所处的车载场景的数据,车载场景的数据包括:用户的驾驶习惯数据、心理状态、道路的拥堵数据、用户的性别、年龄段、车辆行驶时长所在的区间、用户的听歌活跃度、车辆所处商圈、车辆所处位置的天气以及当前时间段中的至少一种数据。车辆100将车载场景的数据以及歌曲的歌曲信息输入至排序模型,进而输出排序模型排序后的各首歌曲,实现了车载音乐的推荐。
需要说明的,进行音乐推荐的可以由第一服务器100、第二服务器200、第三服务器300或者第三方终端实现,并不限定于车辆100实现。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
参照图2,图2为本发明音乐的推荐方法的第一实施例,音乐的推荐方法包括以下步骤:
步骤S10,获取第一车辆当前所处的第一车载场景,第一车载场景的数据包括以下数据中的至少一种:第一车辆对应的第一用户的驾驶习惯数据、第一用户的心理状态及车辆所处道路的第一拥堵数据。
在本实施例中,将需要进行音乐推荐的车辆定义为第一车辆,执行主体可以是车辆也可以是服务器,为了便于描述,采用装置指代执行主体。装置获取第一车辆当前所处的第一车载场景。第一车载场景指的是车辆所处的环境、车辆上用户的表面情绪以及心理状态、或者车辆上用户的驾驶习惯等,也即第一车载场景的数据包括第一车辆对应的第一用户的驾驶习惯数据、第一用户的心理状态以及车辆所处道路的第一拥堵数据中的至少一种。第一用户即为驾驶第一车辆的用户。第一用户的驾驶习惯数据可以通过第一用户驾驶第一车辆的速度参数进行大数据分析,得到第一用户的习惯驾驶速度、习惯加速度等驾驶习惯数据。第一用户的心理状态可以通过第一用户的面部表情确定,装置可以通过对第一车辆拍摄的第一用户的人脸进行识别,从而从人脸上确定用户的情绪,基于情绪确定用户的心理状态,心理状态可以为轻松、焦躁等。道路的第一拥堵数据则可以通过第一车道当前所处道路的路况信息进行确定,第一拥堵数据可以为畅通、堵塞等。
步骤S20,确定每首待播放的歌曲对应的歌曲信息。
装置中存储有第一车辆待播放的歌曲。歌曲可以由第三方终端推荐的第一用户所喜好的歌曲。第三方终端可以记录第一用户播放歌曲的次数,次数大于阈值的歌曲即可确定为第一用户所喜欢的歌曲。第三方终端可以将这些歌曲以及歌曲所对应的歌曲信息发送至装置,装置即可得到第一车辆待播放的每首歌曲所对应的歌曲信息。歌曲信息中包括有该歌曲的曲风、歌手的介绍等。
当然,各首待播放的歌曲也可以是第三方终端随机推送至装置的。
步骤S30,将歌曲信息以及第一车载场景的数据输入至排序模型,输出排序模型排序后的各首歌曲。
装置中设有排序模型,排序模型用于对各首待播放歌曲进行排序。具体的,装置将第一车载场景的数据以及各首歌曲所对应的歌曲信息作为输入参数,输入至排序模型中,排序模型输出排序后的各首歌曲。装置再输出各首排序后的歌曲,以供第一车辆按照排序的顺序进行歌曲的播放。
排序模型基于第一车载场景的数据以及歌曲信息,会确定第一车载场景与歌曲信息对应的歌曲的匹配度,排序模型确定每首歌曲的匹配度后,会将各首歌曲按照匹配度从大到小进行排序。
在本实施例提供的技术方案中,获取包括用户的驾驶习惯数据、用户心理状态、车辆所处道路的第一拥堵数据等数据的车载场景,并将待播放的多首歌曲的歌曲信息以及车载场景的数据作为输入参数输入至排序模型,从而输出排序模型排序后的各首歌曲。本发明车载音乐是通过用户的驾驶习惯数据、用户心理状态、车辆所处道路拥堵数据等车载场景进行排序推荐的,使得推荐的歌曲符合用户当前的驾驶状态以及心理状态,提高了车载音乐的推荐精度。
参照图3,图3为本发明音乐的推荐方法第二实施例,基于第一实施例,步骤S10包括:
步骤S11,获取第一车辆的在第一时间段内的车速。
步骤S12,根据第一车辆的车速确定第一拥堵分值,其中,车速与第一拥堵分值为负相关关系。
在本实施例中,当第一车载场景的数据包括第一拥堵数据,且第一拥堵数据为第一拥堵分值。装置获取第一车辆在第一时间段的车速,第一时间段指的是包含当前时间点的时间段,例如,当前时间点为9:05am,以前10min为浮动范围,则第一时间段为8:55am-9:05am。装置可以基于车速确定道路的通畅程度,从而基于通畅程度进行打分,分值越大,则表示道路越为拥堵。车速可以是第一时间段内的平均车速。可以理解的是,车速与第一拥堵分值为负相关关系。此外,装置可以划分为多个速度区间,每个速度区间对应一个分值,装置确定车速所处的速度区间,从而将该速度区间对应的分值确定为第一拥堵分值。
在本实施例提供的技术方案中,装置获取第一车辆在第一时间段内的车速,从而基于车速准确的确定车载场景内的第一拥堵分值。
参照图4,图4为本发明音乐的推荐方法的第三实施例,基于第一或第二实施例,步骤S10包括:
步骤S13,获取第一车辆在第二时间段内的速度参数。
步骤S14,根据第一车辆的速度参数确定第一加速度方差、平均过弯速度以及平均跟车距离。
步骤S15,对第一加速度方差、平均过弯速度以及平均跟车距离进行加权计算,得到第一用户的驾驶习惯分值。
在本实施例中,当第一车载场景的数据包括第一用户的驾驶习惯数据,且第一用户的驾驶习惯数据为驾驶习惯分值。
装置获取第一车辆在第二时间段内的速度参数。第二时间段可以为任意时长的时间段,例如,第二时间段可以是距今天之前的90天。速度参数包括第一车辆的速度、加速度、第一车辆和其他车辆之间的距离。装置基于速度参数确定第一车辆的第一加速度方差,并统计第一车辆在第二时间段的过弯速度,从而计算得到平均过弯速度。装置再通过第一车辆在第二时间段内的根据距离计算得到平均跟车距离。
第一加速度方差、平均过弯速度以及平均跟车距离均可以表征第一用户的驾驶习惯。装置为第一加速度方差、平均过弯速度以及平均跟车距离设置对应的权重。例如,装置分别对第一加速度方差、平均过弯速度以及平均跟车距离设置0.4、0.4以及0.2的权重。装置再对第一加速度方差、平均过弯速度以及平均跟车距离进行加权计算,得到第一用户的驾驶习惯分值。
为了便于计算驾驶习惯分值,装置将速度参数进行归一化,也即将速度参数转化到0-1之间。
在本年实施例提供的技术方案中,装置基于第一车辆在第二时间段的速度参数确定加速度方差、平均过弯速度以及平均跟车距离,再对第一加速度方差、平均过弯速度以及平均跟车距离进行加权计算,从而准确的得到第一车载场景中的驾驶习惯分值。
参照图5,图5为本发明音乐的推荐方法的第四实施例,基于第一至第三中任一实施例,步骤S10包括:
步骤S16,获取第一车辆在第三时间段内的速度参数,并根据在第三时间段内的速度参数获取当前的第二加速度方差以及历史的各个第三加速度方差。
步骤S17,对各个第三加速度方差以及第二加速度方差进行排序,并根据第一加速度方差的排序序号确定第一用户的心理状态。
在本实施例中,第一车载场景的数据包括第一用户的心理状态。第一用户的心理状态可以根据第一车辆的速度参数进行确定。
具体的,装置获取第一车辆在第三时间段内的速度参数。装置基于速度参数获取当前的第二加速度方差,以及历史的各个第三加速度方差。当前的第二加速度方差指的是距离当前时间最近的加速度方差,而历史的第三加速度指的在第二加速度方差之前所确定的加速度方差,且第三加速度方差以及第二加速度方差均是通过第三时间段的加速度确定的。装置可以计算当前所采集的一组加速度数据,从而通过当前采集的加速度数据计算得到的人加速度方差。装置将第二加速度方差以及各个第三加速度方差进行从小到大的排序,若是第二加速度方差的排序序号越大,则表示第一用户越烦躁,若是第二加速度方差的排序序号越小,则表示第一用户越轻松。例如,第二加速度方差以及第三加速度方差总共为10个,且第二加速度方差的排序序号为8,则用户的心理状态分值为8分,用户的心理状态为严重烦躁。
在本实施例提供的技术方案中,装置获取第一车辆在第三时间段内的速度参数,并根据速度参数获取当前的第二加速度方差以及历史的各个第三加速度方差,从而对第二加速度方差以及第三加速度方差进行排序,进而通过第二加速度方差的排序序号准确的确定用户的心理状态。
在一实施例中,第一车载场景的数据还包括以下数据中的至少一种:第一用户的性别、年龄段、第一行驶时长所在的区间、第一听歌活跃度、第一车辆所处商圈、第一车辆所处位置的天气以及当前时间段。此类数据可作为排序模型的输入参数,用于排序模型辅助确定歌曲与第一车载场景的场景度,能够提高排序模型对歌曲的排序精度。
具体的,装置获取用户唯一标识得到用户的画像信息,从而通过画像信息得到第一用户的用户信息,进而通过用户信息确定第一用户的性别和年龄段。
装置可以获取第一车辆的第一行驶时长,并确定第一行驶时长所在的区间。例如,装置将行驶时长进行分段处理,处理后取值为行驶时长较短(半小时以内)、行驶时长适中(半小时至2小时)、行驶时长较长(2小时至4小时)、疲劳驾驶(4小时以上),进而通过当前的第一行驶时长所在的区间去掉第一用户驾驶车辆的疲劳程度。
装置可以获取第一车辆所在的位置,通过位置确定商圈以及位置所对应的天气信息。
装置可以通过第一车辆上传的用户的听歌时长来确定第一用户的第一听歌活跃度。装置可以通过听歌时长与车辆的行驶时长的比值来确定听歌活跃度,比值越大,则听歌活跃度越大。
装置还可以确定当前时间段。例如,装置将采集时间进行分段处理,分为深夜(0点-7点)、上班高峰期(7点-10点)、上午(10点-12点)、午休(12点-14点)、下午(14点-17点)、下班高峰期(17点-20点)、996下班高峰期(20点-21点30分)、夜生活时间段(21点30分至24点)。
参照图6,图6为本发明音乐的推荐方法第五实施例,基于第一至第四中任一实施例,步骤S10之前,还包括:
步骤S40,获取训练样本,训练样本包括第二车载场景的数据以及标签,第二车载场景的数据以下数据中的至少一种:第二车辆对应的第二用户的驾驶习惯数据、第二用户的心理状态、第二车辆所处道路的第二拥堵数据。
步骤S50,根据各个训练样本对预设模型进行训练,得到排序模型。
在本实施例中,装置采用训练样本对预设模型进行训练得到排序模型。训练样本包括第二车载场景的数据以及标签,而第二车载场景的数据包括以下数据中的至少一种:第二车辆对应的第二用户的驾驶习惯数据、心理状态、第二车辆所处道路的第二拥堵数据。标签通过第二用户的听歌状态确定,而第二车载场景的数据则通过第二车辆的速度参数确定,第二车载场景的数据的确定流程可以参照第一车载场景的数据确定流程,在此不再进行赘述。模型的训练可以是在步骤S10之前,也可以在步骤S30之前。
第二用户的听歌状态包括切歌以及完播,完播指的是第二用户未进行切歌完整的听完整首歌曲。切歌,则标签记为0;完播,则标签记为1。
此外,第二车载场景的数据还包括以下数据中的至少一种:第二用户的性别、年龄段、第二行驶时长所在的区间、第二听歌活跃度、第二车辆所处商圈、第二车辆所处位置的天气以及驾驶时间点所在时间段。
装置从车联网平台上获取数据,并通过数据得到训练样本,数据可以如表-1所示:
表-1
POI为Point of Interest的缩写,POI为兴趣点。POI可以是一栋房子、一个商铺、一个邮筒、一个公交站等。
装置对数据进行清洗和特征提取,主要包含:
a、根据用户唯一标识获取用户的画像信息。
b、根据歌曲的唯一标识获取歌曲的相关属性。
c、已驾驶时间进行分段处理,处理后取值为驾驶时长较短(半小时以内)、驾驶时长适中(半小时至2小时)、驾驶时长较长(2小时至4小时)、疲劳驾驶(4小时以上)。
d、POI,通过POI获取用户所在地区的商圈信息、通过POI的经纬度来获取当地的天气信息(晴、小雨、中雨、大雨)。
e、通过车速计算得出当前所处的道路拥堵情况,按通畅程度依次打分为0-10分,分值越大表示越拥堵;f、驾驶习惯。通过用户90天内的加速度方差、平均过弯速度、跟车距离来加权计算用户的驾驶习惯分。先对每个数据进行数据归一化,将数值转化到0-1之间,对加速度方差、平均过完速度、跟车举例分别采用权重0.4、0.4、0.2。计算得到驾驶习惯分,总分为0-1之间。
g、通过加速度的变化计算得出当前用户的心理状态,使用用户前半个小时内采集到的加速度数据,计算这组加速度的方差,把所有用户按照方差大小进行排序,由小到大平均分为10份,表示从轻松到烦躁的分数,一次为0-9分。
h、采集时间进行分段处理,分为深夜(0点-7点)、上班高峰期(7点-10点)、上午(10点-12点)、午休(12点-14点)、下午(14点-17点)、下班高峰期(17点-20点)、996下班高峰期(20点-21点30分)、夜生活时间段(21点30分至24点)。
i、用户行为根据用户的切歌行为或者歌曲完播转化为对应标签(1-歌曲完播,0-用户切歌)。
经过清洗及特征提取后,得到如下第二车载场景的数据,具体如表-2:
表-2
预设模型的神经网络层共4层,Embedding层为输入层,且包括3个隐层和1个输出层。
输入层为Embedding层,每个离散属性会被映射为一个32维向量,包含(性别、年龄段、车型、驾驶习惯、歌曲曲风、歌手、驾驶时长、所在商圈、当前天气、当前时间段等)。输入层的数值型属性除了自身数值外,进行了取对数、开平方的非线性变换,包含活跃度、道路拥堵、用户心态。
第一个隐层有两层,一层为256个节点的全连接层,输入为Embedding层的所有节点,激活函数为relu,另一层为128个节点的全连接层,输入节点为驾驶习惯、道路拥堵和用户心态的向量,激活函数为relu。
第二个隐层有两层,也均为全连接层,激活函数为relu。并对输出层进行拼接。
第三个隐层对连接拼接后的层,节点数为32个,激活函数为relu。
所有隐层dropout20%激活值进行正则化,防止过拟合。
输出层为一个节点,激活函数为sigmoid。
将提取的第二车载场景的数据以及标签作为训练样本,再将各个训练样本输入至预设模型进行训练,训练完毕即可得到排序模型。排序模型的结构与预设模型的结构相同,在此不在进行赘述。
需要说明的是,排序模型核心点为:
1、针对数值类型新增对数和平方值作为特征,增强特征的非线性表达。
2、对驾驶习惯、道路拥堵、用户心态三个特征单独构建部分网络,强化这三类特征的权重。
参照图7,图7为排序模型的训练流程交互图:
1、用户所在车辆向训练平台发送训练模型的请求;
2、训练平台向数据平台发送获取原始数据的请求;、
3、数据平台将原始数据返回给训练平台;
4、训练平台对原始数据进行清洗,并提取特征;
5、训练平台将提取的特征输入至模型进行训练得到,训练完成的模型;
6、训练平台将训练完成的模型发送至车辆。
进一步的,参照图8,图8为音乐推荐的交互图,具体如下:
1、用户在车辆通过推荐模块播放歌曲,也即车辆向车载推荐模型服务发送指令,请求获取歌曲的推荐结果;
2.车载推荐模型服务向第三方终端的推荐接口发送获取推荐结果,推荐结果即为推荐歌曲列表;
3、第三方终端返回推荐结果;
4、车载推荐模型服务排序模型对第三方终端的推荐歌曲列重新排序,得到适合当前场景下更合理的排序;
5、车载推荐模型服务将重排后的歌曲列表返回给用户,进行显示。
本发明还提供一种车辆,参照图9,车辆900包括:
获取模块901,用于获取第一车辆当前所处的第一车载场景,其中,第一车载场景的数据包括以下数据中的至少一种:第一车辆对应的第一用户的驾驶习惯数据、第一用户的心理状态以及第一车辆所处道路的第一拥堵数据;
确定模块902,用于确定每首待播放的歌曲对应的歌曲信息;
输入模块903,用于将歌曲信息以及第一车载场景的数据输入至排序模型,输出排序模型排序后的各首歌曲。
在一实施例中,车辆900还包括:
获取模块901,用于获取第一车辆的在第一时间段内的车速;
确定模块902,用于根据第一车辆的车速确定第一拥堵分值,其中,车速与第一拥堵分值为负相关关系。
在一实施例中,车辆900还包括:
获取模块901,用于获取第一车辆在第二时间段内的速度参数;
确定模块902,用于根据第一车辆的速度参数确定第一加速度方差、平均过弯速度以及平均跟车距离;
计算模块,用于对第一加速度方差、平均过弯速度以及平均跟车距离进行加权计算,得到第一用户的驾驶习惯分值。
在一实施例中,车辆900还包括:
获取模块901,用于获取第一车辆在第三时间段内的速度参数,并根据在第三时间段内的速度参数获取当前的第二加速度方差以及历史的各个第三加速度方差;
排序模块,用于对各个第三加速度方差以及第二加速度方差进行排序,并根据第一加速度方差的排序序号确定第一用户的心理状态。
在一实施例中,车辆900还包括:
获取模块901,用于获取训练样本,训练样本包括第二车载场景的数据以及标签,第二车载场景的数据以下数据中的至少一种:第二车辆对应的第二用户的驾驶习惯数据、第二用户的心理状态、第二车辆所处道路的第二拥堵数据;
训练模块,用于根据各个训练样本对预设模型进行训练,得到排序模型。
在一实施例中,车辆900还包括:
获取模块901,用于获取第二车辆的速度参数以及第二用户的听歌状态;
确定模块902,用于根据第二车辆的速度参数确定第二车辆对应的第二车载场景的数据,并根据听歌状态确定标签;
确定模块902,用于根据第二车载场景的数据以及标签确定训练样本。
图10是根据一示例性实施例示出的一种车辆的框图。
车辆可以包括:处理器1001,例如CPU,存储器1002以及收发器1003。本领域技术人员可以理解,图10中示出的结构并不构成对车辆的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。存储器1002可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
处理器1001可以调用存储器1002内存储的计算机程序,以完成上述的音乐的推荐方法的全部或部分步骤。
收发器1003用于接收外部设备发送的信息以及向外部设备发送信息。
一种非临时性计算机可读存储介质,当该存储介质中的指令由车辆的处理器执行时,使得车辆能够执行上述音乐的推荐方法。
一种计算机程序产品,包括计算机程序,当该计算机程序由车辆的处理器执行时,使得车辆能够执行上述音乐的推荐方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。