CN115168642A - 一种车载音乐推荐方法、装置、设备、存储介质及车辆 - Google Patents

一种车载音乐推荐方法、装置、设备、存储介质及车辆 Download PDF

Info

Publication number
CN115168642A
CN115168642A CN202210941961.7A CN202210941961A CN115168642A CN 115168642 A CN115168642 A CN 115168642A CN 202210941961 A CN202210941961 A CN 202210941961A CN 115168642 A CN115168642 A CN 115168642A
Authority
CN
China
Prior art keywords
music
vehicle
user group
songs
preset
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
Application number
CN202210941961.7A
Other languages
English (en)
Inventor
凌海峰
梁伟强
刘俊峰
张莹
冉光伟
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.)
Xinghe Zhilian Automobile Technology Co Ltd
Original Assignee
Xinghe Zhilian Automobile 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 Xinghe Zhilian Automobile Technology Co Ltd filed Critical Xinghe Zhilian Automobile Technology Co Ltd
Priority to CN202210941961.7A priority Critical patent/CN115168642A/zh
Publication of CN115168642A publication Critical patent/CN115168642A/zh
Pending legal-status Critical Current

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
    • G06F16/636—Filtering based on additional data, e.g. user or group profiles by using biological or physiological data
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
    • G06V20/597—Recognising the driver's state or behaviour, e.g. attention or drowsiness

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)

Abstract

本发明公开一种车载音乐推荐方法、装置、设备、存储介质及车辆，包括：基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。本发明实施例考虑了车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感，提高了乘客的乘车音乐体验感。

Description

一种车载音乐推荐方法、装置、设备、存储介质及车辆
技术领域
本发明涉及车辆技术领域，具体的说，涉及的是一种车载音乐推荐方法、装置、设备、存储介质及车辆。
背景技术
随着人们生活水平的提高，车辆已经成为一种普遍的交通工具，车载音乐成为了汽车内一种常见的娱乐方式。现有车载音乐推荐方式都是将驾驶员作为音乐推荐的对象，但是在很多时候座舱内可能不只是驾驶员一个人，还有其他的乘客，现有的车载音乐推荐方式没有考虑座舱内其他乘客，导致部分乘客的乘车音乐体验感较差。
发明内容
基于此，本发明提供了一种车载音乐推荐方法、装置、设备、存储介质及介质，以解决现有技术中乘客乘车音乐体验感差的问题，其能够通过考虑车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感。
为实现上述目的，本发明实施例提供了一种车载音乐推荐方法，包括：
基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
作为上述方案的改进，所述用户组特征计算公式通过以下方式获得:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000021
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000022
其中，0.5<a<1。
作为上述方案的改进，所述基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，具体包括：
基于预设的歌曲与音乐类型的映射关系，计算所述目标音乐类型与每一歌曲的音乐类型的相似度；
选取相似度最大的预设数量的歌曲作为推荐歌曲。
作为上述方案的改进，所述训练样本包括正训练样本和负训练样本；所述正训练样本包括历史用户组特征、与所述历史用户组特征对应的正向音乐类型；所述负训练样本包括历史用户组特征、与所述历史用户组特征对应的负向音乐类型；其中，所述正向音乐类型为历史播放完成度达到预设第一完成度的歌曲的音乐类型，所述负向音乐类型为历史播放完成度小于预设第一完成度的歌曲的音乐类型。
作为上述方案的改进，所述用户特征包括性别、年龄、情绪中的至少一种。
为实现上述目的，本发明实施例还提供了一种车载音乐推荐装置，包括：
用户组特征计算模块，用于基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
音乐类型确定模块，用于将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
推荐歌曲确定模块，用于基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
作为上述方案的改进，还包括公式确定模块，用于:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000031
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000032
其中，0.5<a<1。
为实现上述目的，本发明实施例还提供了一种车载音乐推荐设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的车载音乐推荐方法。
为实现上述目的，本发明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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的车载音乐推荐方法。
为实现上述目的，本发明实施例还提供了一种车辆，包括车辆本体和如上述任一实施例所述的车载音乐推荐装置。
与现有技术相比，本发明实施例公开的车载音乐推荐方法、装置、设备、存储介质及车辆，通过基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征来计算得到用户组特征，通过将所述用户组特征输入到预先训练的音乐类型推荐模型，得到目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型，基于预设的歌曲与音乐类型的映射关系，通过根据目标音乐类型，来确定预设数量的推荐歌曲，并播放所述推荐歌曲。由此可见，本发明实施例考虑了车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感，提高了乘客的乘车音乐体验感。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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发明的一些实施方式，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是本发明一实施例提供的一种车载音乐推荐方法的流程示意图；
图2是本发明一实施例提供的一种车载音乐推荐方法的流程示意图；
图3是本发明一实施例提供的一种车载音乐推荐系统的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明一实施例提供的一种车载音乐推荐方法的流程示意图。
具体地，所述方法包括步骤S11～S13：
S11、基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
S12、将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
S13、基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
值得说明的是，通过响应音乐播放指令，执行步骤S11，音乐播放指令可以由车内成员通过触摸屏或者按键或者语音输入等，音乐播放指令的输入方式并不局限于上述具体方式，可根据实际情况进行设置。
具体地，步骤S12中的音乐类型推荐模型由若干训练样本训练得到，训练样本为采集的历史数据，由历史用户组特征和对应的音乐类型(歌曲特征向量)拼接，以音乐类型作为历史用户组特征的标签，基于深度学习网络，利用训练样本训练得到音乐类型推荐模型。
具体地，所述音乐推荐方法可以在云端执行，当在云端的服务器执行时，云端从终端设备处(如车端)获取车内所有成员的用户特征，并基于预设的用户组特征计算公式计算用户组特征，将用户组特征输入到音乐类型推荐模型中，得到目标音乐类型，通过根据目标音乐类型来确定若干推荐歌曲，并将推荐歌曲的信息下发到车端，以使车端根据下发的信息进行音乐播放。音乐推荐方法也可以在车机执行，车机是安装于车辆里面的车载信息娱乐产品，能够实现人与车，车与外界的信息通讯。优选的，为了减少车端负担，所述方法一般在云端执行。
在本实施例中，通过基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征来计算得到用户组特征，通过将所述用户组特征输入到预先训练的音乐类型推荐模型，得到目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型，基于预设的歌曲与音乐类型的映射关系，通过根据目标音乐类型，来确定预设数量的推荐歌曲，并播放所述推荐歌曲。由此可见，本发明实施例考虑了车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感，提高了乘客的乘车音乐体验感。
在一种实施方式中，所述用户组特征计算公式通过以下方式获得:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000061
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000062
其中，0.5<a<1。
值得说明的是，驾驶员需要保持良好的驾驶状态以降低事故发生的概率，而播放符合用户偏好的音乐对用户有提神作用，因此有必要对驾驶员的驾驶状态进行判断，在驾驶员处于疲劳状态时，适当加大符合驾驶员音乐偏好的推荐力度；其中，疲劳状态并不意味着驾驶员已经达到了危害到行车安全的疲劳驾驶状态，仅代表驾驶状态没有达到设定的优秀状态。
值得说明的是，驾驶状态的具体获得方式可采用现有技术，例如采用车内摄像头监测驾驶员的眼睛睁闭状况、头部姿态等参数并进行参数计算，或者对车辆驾驶路径进行监测计算等方式，在此不作赘述。
具体地，当驾驶员的驾驶状态较为良好时，处于预设的非疲劳状态时，此时车内所有成员的权重相同，将所有成员的用户特征向量(用户特征)进行平均处理，得到综合的用户组特征；当驾驶员的驾驶状态处于预设的疲劳状态时，此时增大驾驶员的权重，例如驾驶员的权重a为0.6，使得综合计算得到的用户组特征偏向于驾驶员的特征；其中，非疲劳状态的疲劳程度小于疲劳状态的疲劳程度。具体地，采用Embedding方法，得到驾驶员的疲劳状态特征向量，与预设的驾驶状态向量进行对比以确定驾驶员的驾驶状态。
可以理解的，当用户特征由若干类型的特征组成(如年龄、性别、情绪等)，每一类型特征均采用上述具体的计算方式计算得到对应的综合特征并组成用户组特征向量(用户组特征)。
在一种实施方式中，所述基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，具体包括：
基于预设的歌曲与音乐类型的映射关系，计算所述目标音乐类型与每一歌曲的音乐类型的相似度；
选取相似度最大的预设数量的歌曲作为推荐歌曲。
具体地，预先设置曲库中所有歌曲的音乐类型，通过对曲库中的数据进行分析，确定每一歌曲的标签(音乐类型)(例如语种、风格、场景、情感、主题等)，建立起歌曲与音乐类型的映射关系，具体分类型如下表。
Figure BDA0003786053390000071
Figure BDA0003786053390000081
值得说明的是，对歌曲的ID进行Embedding，得到对应歌曲ID的Embedding特征向量，一首歌曲可能具备多种风格，对于这种多值特征采用Embedding加权平均来计算风格的Embedding特征向量，语种、场景、情感、主题等特征按照同样方法进行处理。歌曲的标签设置并不局限于上述具体设置，可根据实际情况进行设置。
具体地，根据以下公式计算目标音乐类型和每一歌曲的音乐类型的相似度：
Figure BDA0003786053390000082
其中，u表示目标音乐类型的特征向量，向量的维度为n；m表示一首歌曲的特征向量，向量的维度为n；uj表示目标音乐类型的第j个维度的特征值；mj表示一首歌曲的第j个维度的特征值；
将计算得到的相似度降序排序，取预设数量的排名较前的歌曲作为推荐歌曲并将推荐歌曲的信息返回至车端以供车端进行音乐播放，兼顾了驾驶员和乘客的乘车体验。
在一种实施方式中，所述训练样本包括正训练样本和负训练样本；所述正训练样本包括历史用户组特征、与所述历史用户组特征对应的正向音乐类型；所述负训练样本包括历史用户组特征、与所述历史用户组特征对应的负向音乐类型；其中，所述正向音乐类型为历史播放完成度达到预设第一完成度的歌曲的音乐类型，所述负向音乐类型为历史播放完成度小于预设第一完成度的歌曲的音乐类型。
可以理解的，对于不符合用户偏好的歌曲，播放完成度会相对较低，因此，通过设置第一完成度(例如70％)，将播放完成度大于70％的歌曲作为正样本，小于70％的歌曲作为负样本。
在一种实施方式中，所述用户特征包括性别、年龄、情绪中的至少一种。
示例性的，用户特征包括性别、年龄、情绪，对于用户的性别、年龄、情绪状态特征进行类别划分，具体分类如下：1、性别分类：男、女、未知；2、年龄段分类：<10、10～17、18～24、25～34、35～44、45～49、50～55、>55；3、情绪状态分类：生气、害怕、开心、中立、悲伤、惊讶、厌倦。
具体地，可通过外设(摄像头、麦克风、中控屏等)采集汽车座舱内的数据，实时采集座舱内的驾驶员和其他乘客的数据，根据数据协议，通过中央控制单元上传到云端供深度学习算法模型进行分析。具体地，上述实施例的工作过程还可参见图2和图3，利用前装摄像头或后装摄像头，通过蓝牙或线束连接到中央控制单元总线，可以在中央控制单元的控制下达到不同的角度进行拍摄，采集驾驶员和其他乘客的图像数据；利用前装或后装麦克风，通过蓝牙或线束连接到中央控制单元总线，可以在中央控制单元的控制下，采集驾驶员和乘客的音频数据；利用前装或后装中控屏，通过蓝牙或线束连接到中央控制单元总线，采集用户在娱乐与学习中的个性化数据；中央控制单元接收外设(摄像头、麦克风、中控屏)数据上传，也用于接收云端下发的指令进行相关警示和相关控制；基于深度学习中的神经网络模型，对通过外设(摄像头、麦克风、中控屏)采集上报的驾驶员和乘客状态特征数据、行为特征数据、歌曲特征数据进行分析与训练；推荐系统通过神经网络模型计算出的多用户和歌曲的特征向量，利用多用户的特征和歌曲的特征向量，为座舱内多用户进行音乐推荐；其中，云端的数据库用于存放所有歌曲属性数据和用户属性、行为数据，用于持久的自学习模型训练，使神经网络算法样本覆盖更全，精度更准。
相较于现有技术，本发明实施例考虑了车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感，提高了乘客的乘车音乐体验感。
本发明实施例还提供了一种车载音乐推荐装置，包括：
用户组特征计算模块，用于基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
音乐类型确定模块，用于将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
推荐歌曲确定模块，用于基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
在一种实施方式中，还包括公式确定模块，用于:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000101
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure BDA0003786053390000102
其中，0.5<a<1。
值得说明的是，具体的车载音乐推荐装置的工作过程可参考上述实施例中所述车载音乐推荐方法的工作过程，在此不再赘述。
与现有技术相比，本发明实施例公开的车载音乐推荐方法、装置、设备、存储介质及车辆，通过基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征来计算得到用户组特征，通过将所述用户组特征输入到预先训练的音乐类型推荐模型，得到目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型，基于预设的歌曲与音乐类型的映射关系，通过根据目标音乐类型，来确定预设数量的推荐歌曲，并播放所述推荐歌曲。由此可见，本发明实施例考虑了车内所有人员，以所有人员作为音乐推荐对象，根据用户组特征来选出歌曲并进行播放，兼顾了驾驶员和乘客的乘车音乐体验感，提高了乘客的乘车音乐体验感。
本发明实施例还提供一种车辆，所述车辆包括车辆本体和上述任一实施例所述的车载音乐推荐装置。
本发明一实施例还提供的一种车载音乐推荐设备，所述车载音乐推荐设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述车载音乐推荐方法实施例中的步骤，例如图1中所述的步骤S11～S13；或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车载音乐推荐装置中的执行过程。例如，所述计算机程序可以被分割成多个模块，各模块具体功能如下：
用户组特征计算模块，用于基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
音乐类型确定模块，用于将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
推荐歌曲确定模块，用于基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
各个模块具体的工作过程可参考上述实施例所述的车载音乐推荐装置的工作过程，在此不再赘述。
所述车载音乐推荐装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车载音乐推荐装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车载音乐推荐设备的示例，并不构成对车载音乐推荐装置的限定，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，例如所述车载音乐推荐装置还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述车载音乐推荐装置的控制中心，利用各种接口和线路连接整个车载音乐推荐装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述车载音乐推荐装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述车载音乐推荐装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车载音乐推荐方法，其特征在于，包括：
基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
2.如权利要求1所述的车载音乐推荐方法，其特征在于，所述用户组特征计算公式通过以下方式获得:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure FDA0003786053380000011
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure FDA0003786053380000012
其中，0.5<a<1。
3.如权利要求1所述的车载音乐推荐方法，其特征在于，所述基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，具体包括：
基于预设的歌曲与音乐类型的映射关系，计算所述目标音乐类型与每一歌曲的音乐类型的相似度；
选取相似度最大的预设数量的歌曲作为推荐歌曲。
4.如权利要求1所述的车载音乐推荐方法，其特征在于，所述训练样本包括正训练样本和负训练样本；所述正训练样本包括历史用户组特征、与所述历史用户组特征对应的正向音乐类型；所述负训练样本包括历史用户组特征、与所述历史用户组特征对应的负向音乐类型；其中，所述正向音乐类型为历史播放完成度达到预设第一完成度的歌曲的音乐类型，所述负向音乐类型为历史播放完成度小于预设第一完成度的歌曲的音乐类型。
5.如权利要求1所述的车载音乐推荐方法，其特征在于，所述用户特征包括性别、年龄、情绪中的至少一种。
6.一种车载音乐推荐装置，其特征在于，包括：
用户组特征计算模块，用于基于预设的用户组特征计算公式，根据获取的车内所有成员的用户特征计算得到用户组特征；
音乐类型确定模块，用于将所述用户组特征输入到预先训练的音乐类型推荐模型，输出目标音乐类型；其中，所述音乐类型推荐模型由若干训练样本训练得到，所述训练样本包括历史用户组特征、与所述历史用户组特征对应的音乐类型；
推荐歌曲确定模块，用于基于预设的歌曲与音乐类型的映射关系，根据目标音乐类型，确定预设数量的推荐歌曲，以用于车内音乐的播放。
7.如权利要求6所述的车载音乐推荐装置，其特征在于，还包括公式确定模块，用于:
获取驾驶员的驾驶状态；
当所述驾驶状态为非疲劳状态时，所述用户组特征计算公式为：
Figure FDA0003786053380000031
其中，S为用户组特征，Si为第i个用户的用户特征，S0为驾驶员的用户特征，N为车内的总人数；
当所述驾驶状态为疲劳状态时，所述用户组特征计算公式为：
Figure FDA0003786053380000032
其中，0.5<a<1。
8.一种车载音乐推荐设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5任意一项所述的车载音乐推荐方法。
9.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至5中任意一项所述的车载音乐推荐方法。
10.一种车辆，其特征在于，包括车辆本体和如权利要求6或7所述的车载音乐推荐装置。
CN202210941961.7A 2022-08-08 2022-08-08 一种车载音乐推荐方法、装置、设备、存储介质及车辆 Pending CN115168642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210941961.7A CN115168642A (zh) 2022-08-08 2022-08-08 一种车载音乐推荐方法、装置、设备、存储介质及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210941961.7A CN115168642A (zh) 2022-08-08 2022-08-08 一种车载音乐推荐方法、装置、设备、存储介质及车辆

Publications (1)

Publication Number Publication Date
CN115168642A true CN115168642A (zh) 2022-10-11

Family

ID=83479728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210941961.7A Pending CN115168642A (zh) 2022-08-08 2022-08-08 一种车载音乐推荐方法、装置、设备、存储介质及车辆

Country Status (1)

Country Link
CN (1) CN115168642A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116039653A (zh) * 2023-03-31 2023-05-02 小米汽车科技有限公司 状态识别方法、装置、车辆及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116039653A (zh) * 2023-03-31 2023-05-02 小米汽车科技有限公司 状态识别方法、装置、车辆及存储介质

Similar Documents

Publication Publication Date Title
US10893236B2 (en) System and method for providing virtual interpersonal communication
US9507326B2 (en) System and method for using biometrics to predict and select music preferences
CN108875682A (zh) 信息推送方法和装置
JP2015076104A (ja) ランダムフォレストモデルを用いた、リアルタイムの多クラス運転者動作認識
EP3674924A1 (en) Agile video query using ensembles of deep neural networks
JP7475105B2 (ja) 学習装置、学習方法及びプログラム
CN111341349A (zh) 情绪推断装置、情绪推断方法、及存储介质
CN115168642A (zh) 一种车载音乐推荐方法、装置、设备、存储介质及车辆
CN108882202A (zh) 一种基于智能手机的车载交互方法及装置
CN115577173A (zh) 信息推送方法、装置、设备及存储介质
CN116049548A (zh) 车辆服务的推送方法及装置
CN115214696A (zh) 一种车机虚拟形象交互方法、系统、车辆及存储介质
US11450209B2 (en) Vehicle and method for controlling thereof
JP7448350B2 (ja) エージェント装置、エージェントシステム、及びエージェントプログラム
CN114694199A (zh) 媒体内容推荐方法、装置、车载终端及存储介质
US20230223039A1 (en) Emotion modeling method and apparatus thereof
CN116968744B (zh) 一种驾驶模式实时切换方法、系统、电子设备及介质
CN109597914B (zh) 音乐推送方法、装置、车辆终端及计算机存储介质
CN116712723A (zh) 一种基于面部识别和语音识别的车载游戏方法和装置
CN115240253A (zh) 一种驾驶员情绪关怀方法、装置及电子设备
CN116415023A (zh) 车载音乐推荐方法、装置及电子设备
CN117508019A (zh) 辅助交谈方法、存储介质及车辆
CN117799627A (zh) 情景模式推荐方法、系统、车辆和计算机可读存储介质
CN115641845A (zh) 一种车辆的语音交互方法、装置、设备及存储介质
CN118082635A (zh) 车辆座椅的控制方法、电子设备及车辆

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