CN114860985A - 音乐推荐方法、系统、电子设备及存储介质 - Google Patents
音乐推荐方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114860985A CN114860985A CN202210503862.0A CN202210503862A CN114860985A CN 114860985 A CN114860985 A CN 114860985A CN 202210503862 A CN202210503862 A CN 202210503862A CN 114860985 A CN114860985 A CN 114860985A
- Authority
- CN
- China
- Prior art keywords
- comment
- determining
- song
- keyword
- comments
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000002996 emotional effect Effects 0.000 claims abstract description 159
- 238000012545 processing Methods 0.000 claims description 42
- 230000008451 emotion Effects 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012552 review Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000007935 neutral effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000036651 mood Effects 0.000 description 3
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 2
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 240000007643 Phytolacca americana Species 0.000 description 1
- 241001180873 Saposhnikovia divaricata Species 0.000 description 1
- BUGBHKTXTAQXES-UHFFFAOYSA-N Selenium Chemical compound [Se] BUGBHKTXTAQXES-UHFFFAOYSA-N 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 229910052711 selenium Inorganic materials 0.000 description 1
- 239000011669 selenium Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了音乐推荐方法、系统、电子设备及存储介质,该方法包括:获取用户的情绪状态;根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;向所述用户发送所述推荐歌曲,通过本申请的技术方案实现音乐推荐。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种音乐推荐方法、系统、电子设备及存储介质。
背景技术
当前,随着网络技术的发展,网易云、咪咕音乐都有发展自己庞大的音乐爱好者社区,其中最成功的莫过于音乐评论,很多人会因为看了评论对歌曲有更多认识。因此,评论中会反映此刻用户的心情及近期经历的让人或喜或悲的事情。目前,通常根据用户的兴趣爱好、用户画像或者基于音频特征来确定评论可信度,进而根据可信度的评论推荐歌曲。但是,对于平台的新用户,由于缺少历史数据来绘制用户画像,导致无法准确推荐歌曲。
发明内容
本申请实施例通过提供一种音乐推荐方法、系统、电子设备及存储介质,旨在解决无法准确推荐歌曲的问题。
本申请实施例提供了一种音乐推荐方法,所述音乐推荐方法,包括:
获取用户的情绪状态;
根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
向所述用户发送所述推荐歌曲。
在一实施例中,所述根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲的步骤之前,还包括:
根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值;
根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值;
根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度;
根据所述评论的可信度确定所述歌曲中具有可信度的评论。
在一实施例中,所述根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与所述评论关联的至少一个评论回复之间的语义相似度分值的步骤包括:
获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词;
根据所述第一情感趋向与所述第二情感趋向的匹配结果确定第一分值;
根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值;
根据所述第一分值与所述第二分值确定所述语义相似度分值。
在一实施例中,所述获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词的步骤包括:
将歌曲关联的评论与预设词典数据库中的第一预设评论进行比对,以及将所述评论关联的评论回复与预设词典数据库中的第二预设评论进行比对;
当所述预设词典数据库中存在与所述歌曲关联的评论匹配的第一预设评论时,根据所述匹配的第一预设评论关联的第一预设情感趋向确定所述歌曲关联的评论的第一情感趋向,以及当所述预设词典数据库中存在与所述评论关联的评论回复匹配的第二预设评论时,根据所述匹配的第二预设评论关联的第二预设情感趋向确定所述评论关联的评论回复的第二情感趋向;
确定所述评论进行语义提取处理、分词处理以及停用词处理后对应的第一词集,以及确定所述评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后对应的第二词集;
确定所述第一词集对应的第一词频和第一逆文档频率,以及确定所述第二词集对应的第二词频和第二逆文档频率;
根据所述第一词频和所述第一逆文档频率确定所述第一关键词,以及根据所述第二词频和所述第二逆文档频率确定所述第二关键词。
在一实施例中,获取歌曲关联的评论的第一情感趋向包括:
获取歌曲关联的评论的词向量;
确定所述词向量与预设词典数据库中的预设词向量的余弦相似度;
根据所述余弦相似度确定所述第一情感趋向。
在一实施例中,所述根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值的步骤包括:
确定所述第一关键词对应的第一同义词集,以及所述第二关键词对应的第二同义词集;
确定所述第一同义词集与所述第二同义词集之间的词重复率;
根据所述词重复率确定得到所述第二分值。
在一实施例中,所述社交信息包括歌手名称、歌曲名称、歌词和歌手关系中的至少一个,所述根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值的步骤包括:
根据所述社交信息确定社交关键词集;
根据所述第一关键词与所述社交关键词集之间的重复率,确定所述社交信息匹配分值。
此外,为实现上述目的,本发明还提供了一种音乐推荐系统,所述音乐推荐系统包括:
获取模块,用于获取用户的情绪状态;
匹配模块,用于根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
推荐模块,用于向所述用户发送所述推荐歌曲。
此外,为实现上述目的,本发明还提供了一种电子设备,该电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音乐推荐程序,所述音乐推荐程序被所述处理器执行时实现上述的音乐推荐方法的步骤。
此外,为实现上述目的,本发明还提供了一种计算机可读存储介质,其上存储有音乐推荐程序,所述音乐推荐程序被处理器执行时实现上述的音乐推荐方法的步骤。
本申请实施例中提供的一种音乐推荐方法、系统、电子设备及存储介质的技术方案,采用了获取用户的情绪状态;根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;向所述用户发送所述推荐歌曲的技术方案,由于通过歌曲下的评论以及评论的回复确定歌曲的情感趋向,从而向用户推荐与该情感趋向相匹配的歌曲,解决了无法准确推荐歌曲的问题,通过本申请的技术方案提高推荐歌曲的准确性。
附图说明
图1为本发明电子设备的结构示意图;
图2为本发明音乐推荐方法第一实施例的流程示意图;
图3为本发明音乐推荐系统的功能模块图;
图4为本发明B-Tree树状结构示意图;
图5为本发明歌曲的社交关系判断示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明,上述附图只是一个实施例图,而不是发明的全部。
具体实施方式
本发明采用两种判断方法:第一、利用评论以及评论关联的评论回复生成以评论为根节点的B-Tree树状结构,通过递归判断子节点与父节点的语义和情感趋向是否大致相同,来判断评论是否可信。第二、基于歌曲中描述的社交信息(亲情、友情、爱情)来判断评论可信度是否高。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,图1为本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是,图1即可为电子设备的硬件运行环境的结构示意图。
如图1所示,该电子设备可以包括:处理器1001,例如CPU,存储器1005,用户接口1003,网络接口1004,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的电子设备结构并不构成对电子设备限定,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。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及音乐推荐程序。其中,操作系统是管理和控制电子设备硬件和软件资源的程序,音乐推荐程序以及其它软件或程序的运行。
在图1所示的电子设备中,用户接口1003主要用于连接终端,与终端进行数据通信;网络接口1004主要用于后台服务器,与后台服务器进行数据通信;处理器1001可以用于调用存储器1005中存储的音乐推荐程序。
在本实施例中,电子设备包括:存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的音乐推荐程序,其中:
处理器1001调用存储器1005中存储的音乐推荐程序时,执行以下操作:
获取用户的情绪状态;
根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
向所述用户发送所述推荐歌曲。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值;
根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值;
根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度;
根据所述评论的可信度确定所述歌曲中具有可信度的评论。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词;
根据所述第一情感趋向与所述第二情感趋向的匹配结果确定第一分值;
根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值;
根据所述第一分值与所述第二分值确定所述语义相似度分值。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
将歌曲关联的评论与预设词典数据库中的第一预设评论进行比对,以及将所述评论关联的评论回复与预设词典数据库中的第二预设评论进行比对;
当所述预设词典数据库中存在与所述歌曲关联的评论匹配的第一预设评论时,根据所述匹配的第一预设评论关联的第一预设情感趋向确定所述歌曲关联的评论的第一情感趋向,以及当所述预设词典数据库中存在与所述评论关联的评论回复匹配的第二预设评论时,根据所述匹配的第二预设评论关联的第二预设情感趋向确定所述评论关联的评论回复的第二情感趋向;
确定所述评论进行语义提取处理、分词处理以及停用词处理后对应的第一词集,以及确定所述评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后对应的第二词集;
确定所述第一词集对应的第一词频和第一逆文档频率,以及确定所述第二词集对应的第二词频和第二逆文档频率;
根据所述第一词频和所述第一逆文档频率确定所述第一关键词,以及根据所述第二词频和所述第二逆文档频率确定所述第二关键词。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
获取歌曲关联的评论的词向量;
确定所述词向量与预设词典数据库中的预设词向量的余弦相似度;
根据所述余弦相似度确定所述第一情感趋向。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
确定所述第一关键词对应的第一同义词集,以及所述第二关键词对应的第二同义词集;
确定所述第一同义词集与所述第二同义词集之间的词重复率;
根据所述词重复率确定得到所述第二分值。
处理器1001调用存储器1005中存储的音乐推荐程序时,还执行以下操作:
根据所述社交信息确定社交关键词集;
根据所述第一关键词与所述社交关键词集之间的重复率,确定所述社交信息匹配分值。
本发明实施例提供了音乐推荐方法的实施例,需要说明的是,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
以下将以实施例的方式介绍本申请的技术方案。
如图2所示,在本申请的第一实施例中,本申请的音乐推荐方法,包括以下步骤:
步骤S110,获取用户的情绪状态;
步骤S120,根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
步骤S130,向所述用户发送所述推荐歌曲。
在本实施例中,利用可信度高的评论,获取其关键词集合作为歌曲标签。利用每首歌下面的评论及评论回复挖掘音乐相关信息,获取音乐的情感趋向和关键词作为音乐标签。
在本实施例中,用户的情绪状态可根据用户对该歌曲的评论进行确定;具体可为根据用户在给歌曲下的评论确定歌曲的情感趋向,进而根据该情感趋向预判当前用户的情绪状态。根据该情绪状态以及该歌曲的情感趋向确定相匹配的推荐歌曲。
在本实施例中,对不同歌曲的音频数据、歌词数据、用户评论这三种不同模态的信息分别进行预处理,依据情感类别构建数据集;所述情感类别包括怀旧、伤感、治愈、放松、孤独、感动、快乐、思念可以通过歌曲标签、歌曲情感趋向的相似度推荐歌曲,同时实时获取用户当前对歌曲的评论,获取当下用户的情绪状态,结合用户情绪状态和歌曲的情感趋向进行歌曲推荐。具体的,通过实时爬取和存储当前用户的评论和准确时间,通过将用户的评论按时间归类,并获取用户评论的情感趋向,准确预判当前用户的情绪状态,结合当前用户情绪状态进行歌曲推荐。
本实施例根据上述技术方案,实时获取用户对于歌曲的评论,进行评论的情感分析,获取当下用户的心情,结合用户心情进行音乐推荐。
在一实施例中,在根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲的步骤之前还包括:
步骤S210,根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值。
在本实施例中,由于无法确定歌曲评论的可信度会导致后续不利于歌曲的推荐。因此,本申请提出了一种音乐推荐方法,该方法通过歌曲下的评论以及评论关联的至少一个评论回复确定评论的语义和情感趋向是否大致相同,从而确定评论是否可信;同时,又通过歌曲中描述的社交信息来判断评论可信度高低,从而确定评论的可信度。
在本实施例中,评论为用户在歌曲下的评论,可根据实际情况确定评论的数量,并获取该评论的第一情感趋向和第一关键词。该评论关联的评论回复的数量也可根据实际情况进行确定。例如,可以是该评论下的点赞次数位于前三名的评论回复。分别获取点赞次数位于前三名的评论回复的第二情感趋向和第二关键词。第一情感趋向为评论的情感趋向,该第一情感趋向包括消极、积极和中立三个类型。可用0代表中立,1代表积极,-1代表消极。第二情感趋向为评论回复的情感趋向,与第一情感趋向类似,第二情感趋向也可包括以上三种类型。该第一情感趋向可以与第二情感趋向相同,也可以不同,可通过对评论和评论回复分别进行情感分析,从而得到对应的第一情感趋向以及第二情感趋向。第一关键词为评论的关键词,第二关键词为评论回复的关键词,通过对评论以及评论回复进行分析,从而确定评论的第一关键词以及评论回复的第二关键词。该第一关键词的数量以及第二关键词的数量可根据评论的语义进行确定。
在本实施例中,在确定第一情感趋向和第一关键词,第二情感趋向和第二关键词之后,进而根据第一情感趋向、第一关键词、第二情感趋向和第二关键词确定语义相似度分值。具体的,可以将第一情感趋向与第二情感趋向进行比对,第一关键词与第二关键词进行比对,进而根据上述两者之间的比较结果确定语义相似度分值。
在本实施例中,使用python的selenium库获取歌曲信息和用户信息,包括歌曲唯一标识符、歌手名称、歌曲名称。同时,对页面源码进行实时分析,一般情况下评论和评论回复属于同一HTML结构下,获取歌曲关联的评论及该评论的评论回复。其中,歌曲信息存储结构参照以下表格:
字段名称 | 字段类型 | 中文说明 |
MusicID | Varchar | 歌曲唯一标识符 |
SongName | Varchar | 歌曲名称 |
Singer | Varchar | 歌手名称 |
Comments | Array | 评论 |
UserID | Varchar | 评论者 |
用户信息存储结构参照以下表格:
在本实施例中,评论的可信度分析主要从三个维度,首先是评论和评论的评论回复的语义相似度;其次是评论与该歌曲的前三名高赞评论的语义相似度;最后是基于歌曲的社交信息(亲情、友情、爱情),每个维度的满分为20分,总分为60分。若最终评论的总分值为48分及以上则为高度可信。
在一实施例中,根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值具体包括以下步骤:
步骤S211,获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词;
在一实施例中,获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的评论回复的第二情感趋向和第二关键词具体包括以下步骤:
步骤S2111,将歌曲关联的评论与预设词典数据库中的第一预设评论进行比对,以及将所述评论关联的评论回复与预设词典数据库中的第二预设评论进行比对;
步骤S2112,当所述预设词典数据库中存在与所述歌曲关联的评论匹配的第一预设评论时,根据所述匹配的第一预设评论关联的第一预设情感趋向确定所述歌曲关联的评论的第一情感趋向,以及当所述预设词典数据库中存在与所述评论关联的评论回复匹配的第二预设评论时,根据所述匹配的第二预设评论关联的第二预设情感趋向确定所述评论关联的评论回复的第二情感趋向;
在本实施例中,由于预设词典数据库中存储着评论关联的情感趋向,通过将歌曲关联的评论在预设词典数据库中匹配对应的第一预设评论,将第一预设评论关联的情感趋向确定为评论的第一情感趋向。同时,通过将评论回复在预设词典数据库中匹配对应的第二预设评论,将第二预设评论关联的情感趋向确定为评论回复的第二情感趋向。
步骤S2113,确定所述评论进行语义提取处理、分词处理以及停用词处理后对应的第一词集,以及确定所述评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后对应的第二词集;
在本实施例中,对评论进行语义提取处理、分词处理以及停用词处理后,得到评论对应的第一词集。同样,对评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后,得到评论回复对应的第二词集。其中,电子设备采用自然语言处理技术提取歌曲的评论的关键词。具体的,首先采用中文分词技术(如结巴分词),对评论进行分词处理,并保存分词结果;然后对分词结果中的无用信息进行剔除。电子设备采用建立停用词库、正则表达式等方式去除分词结果中的符号,如标点符号和换行符,以及无用词语等无用信息,保留歌曲的评论的关键词。
步骤S2114,确定所述第一词集对应的第一词频和第一逆文档频率,以及确定所述第二词集对应的第二词频和第二逆文档频率;
在本实施例中,获得评论的第一关键词以及评论回复的第二关键词。具体的,通过上述方式获取第一词集和第二词集之后,分别确定第一词集和第二词集中各个词出现的频率,即确定第一词集中各个词的第一词频以及第二词集中各个词的第二词频。同时,确定第一词集对应的第一逆文档频率和第二词集对应的第二逆文档频率。
步骤S2115,根据所述第一词频和所述第一逆文档频率确定所述第一关键词,以及根据所述第二词频和所述第二逆文档频率确定所述第二关键词。
在本实施例中,在通过上述方式确定第一词频、第一逆文档频率、第二词频和第二逆文档频率之后,根据第一词频和第一逆文档频率的乘积确定第一关键词;根据第二词频和第二逆文档频率的乘积确定第二关键词。具体采用以下公式进行计算:
TF-IDF=词频(TF)*逆文档频率(IDF)。
例如,以歌曲《父亲》为例进行评论的可信度分析,采集到歌曲下的前三名高赞评论如图4所示的B-Tree树状结构示意图。
首先,对‘希望爸爸长命百岁’进行情感分析,共有积极(乐观)、消极(悲观)、中立三个大类。0代表中立,1代表积极,-1代表消极,准备好现有的数据集,建立模型训练特征,得到评论的第一情感趋向以及评论回复的第二情感趋向。
接着,对“希望爸爸长命百岁”进行语义提取,获取该句子的主语(我)、谓语(希望)、宾语(长命百岁),同时对于“希望爸爸长命百岁”进行分词、停用词处理,通过TF-IDF算法获得精彩评论的关键词集合即keywords数组:
Skeywords=[w1,w2,w3,w4,...,wn]。
最后,递归遍历每一层评论回复节点,进行情感趋向分析和语义提取,并将节点的情感趋向及关键词更新到节点对象中,同时将此维度总分的20分平均分给情感趋向和关键词相似度;
每个节点的结构如下图所示:
在本实施例的技术方案中,通过将评论以及评论回复分别与预设词典数据库中的预设评论进行比对,从而确定对应的情感趋向。以及采用TF-IDF确定评论以及评论回复对应的关键词。利用评论、评论回复生成以评论为根节点的B-Tree树状结构,通过递归判断子节点与父节点的语义和情感趋向是否大致相同,来判断评论是否可信。
在一实施例中,获取歌曲关联的评论的第一情感趋向包括:
步骤S3111,获取歌曲关联的评论的词向量;
步骤S3112,确定所述词向量与预设词典数据库中的预设词向量的余弦相似度;
步骤S3113,根据所述余弦相似度确定所述第一情感趋向。
在本实施例中,还可采用余弦相似度算法确定评论的第一情感趋向。以下以歌曲的评论为例,说明提取歌曲的评论的关键词的过程。
例如,一首歌的评论如下:回到情歌的层面来讲,《×××》就是要戳人心、要感动听者的耳朵、要用感性的创作让听者听到感性的心声;钢琴、吉他、弦乐的配搭,令听习惯亚洲情歌的听众熟悉又安心,心酸气息的背后还有一种默默陪伴的安适感,或是你和回忆的相伴,或是歌手用音乐与你的相伴。该评论的第一关键词以列表形式保存为W=[情歌,感性,相伴,配搭,安适,吉他,心声,弦乐,心酸,陪伴,失眠,钢琴,默默,安心,气息]。
在本实施例中,电子设备在基于词嵌入Word2Vec模型,通过该Word2Vec模型确定第一关键词的词向量后,确定关键词之间的距离,针对每个关键词,分别进行以下操作:判断该关键词与其他关键词的距离均大于第一预设值,剔除该关键词。由于两个关键词之间的距离能够体现两者之间的相似性,若歌曲的文本信息的某个关键词与其他关键词的距离大于第一预设值,可以认为该关键词与其他关键词均不相似。造成这一情况的原因可能是提取出该关键词的评论文本为不真实评论文本(如有意误导的评论文本),或,该关键词对应的评论文本的评论者在评论时出现了拼写错误,因此,该关键词属于干扰性关键词。电子设备将干扰性关键词剔除,以免该关键词的词向量对电子设备分析歌曲的音乐特征造成干扰。其中,第一预设值可以根据实际情况设置。
在本实施例中,在通过上述方式获取词向量之后,确定该词向量与预设词典数据库中的预设词向量的余弦相似度,进而将相似度高的预设词向量关联的预设情感趋向确定为第一情感趋向。
同样,也可根据余弦相似度算法确定评论回复的第二情感趋向。方式与评论相同,在此不再赘述。
步骤S212,根据所述第一情感趋向与所述第二情感趋向的匹配结果确定第一分值;
在本实施例中,将第一情感趋向与第二情感趋向进行匹配,进而根据匹配结果确定第一分值。例如,默认将中立(0)视作与积极(1)和消极(-1)的情感趋向相同,若第一情感趋向与第二情感趋向相同,则情感趋向的分数为10分。若第一情感趋向与第二情感趋向不同,得分为0。上述评分规则可根据实际情况进行设置。
步骤S213,根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值;
在本实施例中,将评论的第一关键词和评论回复的第二关键词进行匹配,进而根据匹配结果确定第二分值。可设定匹配规则,采用该匹配规则确定匹配结果相同时对应的分值,以及匹配结果不同时对应的分值。
在一实施例中,根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值包括以下步骤:
步骤S2131,确定所述第一关键词对应的第一同义词集,以及所述第二关键词对应的第二同义词集;
步骤S2132,确定所述第一同义词集与所述第二同义词集之间的词重复率;
步骤S2133,根据所述词重复率确定得到所述第二分值。
在本实施例中,对比关键词的重复率,首先对关键词做同义词扩展,否则会出现如果两个词是近义词。因此,需要对第一关键词进行同义词扩展,得到第一同义词集。以及对第二关键词进行同义词扩展,得到第二同义词集。将第一同义词集与第二同义词集进行比对,进而确定第一同义词集与第二同义词集之间的词重复率。在得到词重复率之后,根据该词重复率确定第二分值。
例如,某个评论A的关键词集合中包含了“爸爸”,其评论回复B包括关键词“父亲”,直接对比会被认定为不一致;基于目前的《同义词词库》上增加扩展,得到近义词集合类似于:[父亲,爸爸,老爸,爹爹,爹地],将Skeywords的每一个词进行树形结构扩展。最后再将评论A及评论回复B经过同义词扩展之后的Wkeywords进行对比。若词重复率为80%以上,则为语义相近,得分为10分,否则为0。上述评分规则可根据实际情况进行设置。
在本实施例的技术方案中,通过对第一关键词以及第二关键词进行扩展后再比对,提高比对结果的准确性。
步骤S214,根据所述第一分值与所述第二分值确定所述语义相似度分值。
在本实施例中,判断评论及评论回复的语义相似度,包括情感趋向是否相同及关键词集合的重复率。因此,在得到第一分值与第二分值之后,将第一分值与第二分值进行相加,进而可得到语义相似度分值。
步骤S220,根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值。
在本实施例中,歌曲关联的社交信息包括歌手名称、歌曲名称、歌词和歌手关系中的至少一个。在得到歌曲关联的社交信息之后,会根据该社交信息生成对应的数据库,例如爱情、亲情、友情数据库。将第一关键词与数据库中的社交信息进行匹配,进而得到社交信息匹配分值。
在一实施例中,根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值包括以下步骤:
步骤S221,根据所述社交信息确定社交关键词集;
步骤S222,根据所述第一关键词与所述社交关键词集之间的重复率,确定所述社交信息匹配分值。
在本实施例中,所述社交信息包括歌手名称、歌曲名称、歌词和歌手关系中的至少一个。具体的,参照图5的社交关系判断示意图。首先,若歌曲的歌手数大于等于2,利用事先爬取下来的关于歌手的具体资料进行匹配,判断歌手之间是否是恋人或者亲人,若无法判断则认定为朋友,得到歌手之间的关系。其次,利用歌曲名称,是否包含描述亲情、友情、爱情的词汇。最后,获取歌词中的关键词集合,同时进行同义词扩展。再判断是否出现了描述歌曲(爱情、亲情、友情)中任意一种或几种的词汇。最终得到歌曲的社交信息(歌颂亲情、友情、爱情)。
在本实施例中,判断上述获取的评论的第一关键词是否属于亲情库、爱情库、友情库形成的社交关键词集中。具体的,将第一关键词与社交关键词集进行比对,确定重复率。在重复率达到百分之八十,则认定评论描述的社交信息与歌曲本身一致,得到10分,否则为0。
步骤S230,根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度;
步骤S240,根据所述评论的可信度确定所述歌曲中具有可信度的评论。
在本实施例中,在得到语义相似度分值以及社交信息匹配分值之后,将语义相似度分值与社交信息匹配分值的和确定评论的可信度,进而根据评论的可信度确定所述歌曲中具有可信度的评论。例如,若最终评论得分大于等于48被认定为高度可信,将该最终评论确定为歌曲中具有可信度的评论得到最后结构化的歌曲信息:
字段名称 | 字段类型 | 中文说明 |
SongName | Varchar | 歌曲名 |
Singer | Varchar | 歌手名 |
歌曲标签 | Array | 评论的关键词集合 |
情感趋向 | Number | 0代表中立,1代表积极,-1代表消极 |
本实施例根据上述技术方案,由于采用了根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的评论回复对应的第二情感趋向和第二关键词,进而确定所述评论与所述评论回复之间的语义相似度分值;并且根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值;进而根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度,根据评论的可信度确定歌曲中具有可信度的评论的技术方案,由于通过歌曲下的评论以及评论的回复确定评论的语义和情感趋向是否大致相同,从而确定评论是否可信;同时,又通过歌曲中描述的社交信息来判断评论可信度高低,解决了歌曲的评论可信度低的问题,通过本申请的技术方案实现了对歌曲评论可信度的验证。
如图3所示,本申请提供的一种音乐推荐系统,该音乐推荐系统包括:
获取模块10,用于获取用户的情绪状态;
匹配模块20,用于根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
推荐模块30,用于向所述用户发送所述推荐歌曲。
在一实施例中,所述音乐推荐系统还包括可信度评论的确定模块,所述可信度评论的确定模块用于根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值;根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值;根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度;根据所述评论的可信度确定所述歌曲中具有可信度的评论。
在一实施例中,所述可信度评论的确定模块用于获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词;根据所述第一情感趋向与所述第二情感趋向的匹配结果确定第一分值;根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值;根据所述第一分值与所述第二分值确定所述语义相似度分值。
在一实施例中,所述可信度评论的确定模块用于将歌曲关联的评论与预设词典数据库中的第一预设评论进行比对,以及将所述评论关联的评论回复与预设词典数据库中的第二预设评论进行比对;当所述预设词典数据库中存在与所述歌曲关联的评论匹配的第一预设评论时,根据所述匹配的第一预设评论关联的第一预设情感趋向确定所述歌曲关联的评论的第一情感趋向,以及当所述预设词典数据库中存在与所述评论关联的评论回复匹配的第二预设评论时,根据所述匹配的第二预设评论关联的第二预设情感趋向确定所述评论关联的评论回复的第二情感趋向;确定所述评论进行语义提取处理、分词处理以及停用词处理后对应的第一词集,以及确定所述评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后对应的第二词集;确定所述第一词集对应的第一词频和第一逆文档频率,以及确定所述第二词集对应的第二词频和第二逆文档频率;根据所述第一词频和所述第一逆文档频率确定所述第一关键词,以及根据所述第二词频和所述第二逆文档频率确定所述第二关键词。
在一实施例中,所述可信度评论的确定模块用于获取歌曲关联的评论的词向量;确定所述词向量与预设词典数据库中的预设词向量的余弦相似度;根据所述余弦相似度确定所述第一情感趋向。
在一实施例中,所述可信度评论的确定模块用于确定所述第一关键词对应的第一同义词集,以及所述第二关键词对应的第二同义词集;确定所述第一同义词集与所述第二同义词集之间的词重复率;根据所述词重复率确定得到所述第二分值。
在一实施例中,所述可信度评论的确定模块用于根据所述社交信息确定社交关键词集;根据所述第一关键词与所述社交关键词集之间的重复率,确定所述社交信息匹配分值。
本发明音乐推荐系统具体实施方式与上述音乐推荐方法各实施例基本相同,在此不再赘述。
基于同一发明构思,本申请实施例还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存储有音乐推荐程序,所述音乐推荐程序被处理器执行时实现如上所述的音乐推荐方法的各个步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
由于本申请实施例提供的存储介质,为实施本申请实施例的方法所采用的存储介质,故而基于本申请实施例所介绍的方法,本领域所属人员能够了解该存储介质的具体结构及变形,故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种音乐推荐方法,其特征在于,所述音乐推荐方法包括:
获取用户的情绪状态;
根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
向所述用户发送所述推荐歌曲。
2.如权利要求1所述的音乐推荐方法,其特征在于,所述根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲的步骤之前,还包括:
根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与评论关联的至少一个评论回复之间的语义相似度分值;
根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值;
根据所述语义相似度分值以及所述社交信息匹配分值,确定所述评论的可信度;
根据所述评论的可信度确定所述歌曲中具有可信度的评论。
3.如权利要求2所述的音乐推荐方法,其特征在于,所述根据歌曲关联的评论对应的第一情感趋向和第一关键词,以及与所述评论关联的至少一个评论回复对应的第二情感趋向和第二关键词,确定所述评论与所述评论关联的至少一个评论回复之间的语义相似度分值的步骤包括:
获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词;
根据所述第一情感趋向与所述第二情感趋向的匹配结果确定第一分值;
根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值;
根据所述第一分值与所述第二分值确定所述语义相似度分值。
4.如权利要求3所述的音乐推荐方法,其特征在于,所述获取歌曲关联的评论的第一情感趋向和第一关键词,以及获取所述评论关联的至少一个评论回复的第二情感趋向和第二关键词的步骤包括:
将歌曲关联的评论与预设词典数据库中的第一预设评论进行比对,以及将所述评论关联的评论回复与预设词典数据库中的第二预设评论进行比对;
当所述预设词典数据库中存在与所述歌曲关联的评论匹配的第一预设评论时,根据所述匹配的第一预设评论关联的第一预设情感趋向确定所述歌曲关联的评论的第一情感趋向,以及当所述预设词典数据库中存在与所述评论关联的评论回复匹配的第二预设评论时,根据所述匹配的第二预设评论关联的第二预设情感趋向确定所述评论关联的评论回复的第二情感趋向;
确定所述评论进行语义提取处理、分词处理以及停用词处理后对应的第一词集,以及确定所述评论关联的评论回复进行语义提取处理、分词处理以及停用词处理后对应的第二词集;
确定所述第一词集对应的第一词频和第一逆文档频率,以及确定所述第二词集对应的第二词频和第二逆文档频率;
根据所述第一词频和所述第一逆文档频率确定所述第一关键词,以及根据所述第二词频和所述第二逆文档频率确定所述第二关键词。
5.如权利要求3所述的音乐推荐方法,其特征在于,获取歌曲关联的评论的第一情感趋向包括:
获取歌曲关联的评论的词向量;
确定所述词向量与预设词典数据库中的预设词向量的余弦相似度;
根据所述余弦相似度确定所述第一情感趋向。
6.如权利要求3所述的音乐推荐方法,其特征在于,所述根据所述第一关键词与所述第二关键词之间的匹配结果确定第二分值的步骤包括:
确定所述第一关键词对应的第一同义词集,以及所述第二关键词对应的第二同义词集;
确定所述第一同义词集与所述第二同义词集之间的词重复率;
根据所述词重复率确定得到所述第二分值。
7.如权利要求2所述的音乐推荐方法,其特征在于,所述社交信息包括歌手名称、歌曲名称、歌词和歌手关系中的至少一个,所述根据所述歌曲关联的社交信息以及所述第一关键词,确定所述歌曲与所述评论之间的社交信息匹配分值的步骤包括:
根据所述社交信息确定社交关键词集;
根据所述第一关键词与所述社交关键词集之间的重复率,确定所述社交信息匹配分值。
8.一种音乐推荐系统,其特征在于,所述音乐推荐系统包括:
获取模块,用于获取用户的情绪状态;
匹配模块,用于根据歌曲的情感趋向,确定与所述情绪状态相匹配的推荐歌曲;其中,所述歌曲的情感趋向是根据所述歌曲中具有可信度的评论确定,所述具有可信度的评论包括至少一个评论回复,所述具有可信度的评论的情感趋向和所述至少一个评论回复的情感趋向的匹配度大于预设阈值;
推荐模块,用于向所述用户发送所述推荐歌曲。
9.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的音乐推荐程序,所述音乐推荐程序被所述处理器执行时实现如权利要求1-7中任一项所述的音乐推荐方法的步骤。
10.一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存储有音乐推荐程序,所述音乐推荐程序被处理器执行时实现权利要求1-7中任一项所述的音乐推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503862.0A CN114860985A (zh) | 2022-05-10 | 2022-05-10 | 音乐推荐方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210503862.0A CN114860985A (zh) | 2022-05-10 | 2022-05-10 | 音乐推荐方法、系统、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114860985A true CN114860985A (zh) | 2022-08-05 |
Family
ID=82637933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210503862.0A Pending CN114860985A (zh) | 2022-05-10 | 2022-05-10 | 音乐推荐方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114860985A (zh) |
-
2022
- 2022-05-10 CN CN202210503862.0A patent/CN114860985A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI687823B (zh) | 內容推薦方法及裝置 | |
Hossain et al. | " President Vows to Cut< Taxes> Hair": Dataset and Analysis of Creative Text Editing for Humorous Headlines | |
US10706113B2 (en) | Domain review system for identifying entity relationships and corresponding insights | |
CN112214593B (zh) | 问答处理方法、装置、电子设备及存储介质 | |
US9582757B1 (en) | Scalable curation system | |
US9348900B2 (en) | Generating an answer from multiple pipelines using clustering | |
US8452772B1 (en) | Methods, systems, and articles of manufacture for addressing popular topics in a socials sphere | |
US10083226B1 (en) | Using web ranking to resolve anaphora | |
CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
JP6466952B2 (ja) | 文章生成システム | |
US9678945B2 (en) | Automated reading comprehension | |
Ren et al. | Semi-automatic creation of youth slang corpus and its application to affective computing | |
CN111984793A (zh) | 文本情感分类模型训练方法、装置、计算机设备及介质 | |
US9720962B2 (en) | Answering superlative questions with a question and answer system | |
MXPA04010820A (es) | Sistema para identificar parafrasis utilizando tecnicas de traduccion de maquina. | |
JP2017504105A (ja) | インメモリデータベースサーチのためのシステム及び方法 | |
CN112989208B (zh) | 一种信息推荐方法、装置、电子设备及存储介质 | |
Houjeij et al. | A novel approach for emotion classification based on fusion of text and speech | |
CN113626704A (zh) | 基于word2vec模型的推荐信息方法、装置及设备 | |
Zemlyanskiy et al. | DOCENT: Learning self-supervised entity representations from large document collections | |
Jawad et al. | Combination of convolution neural networks and deep neural networks for fake news detection | |
CN113988057A (zh) | 基于概念抽取的标题生成方法、装置、设备及介质 | |
CN110717008A (zh) | 基于语意识别的搜索结果排序方法及相关装置 | |
Mizzaro et al. | Short text categorization exploiting contextual enrichment and external knowledge | |
JP2019083040A (ja) | 文章生成のためのデータを生成するシステム及び方法 |
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 |