[發(fā)明專利]一種基于用戶協(xié)同的歌曲推薦方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201611169137.5
• 申請日: 2016-12-16
• 公開（公告）號: CN108205533A
• 公開（公告）日: 2018-06-26
• 發(fā)明（設計）人: 高玉敏
• 申請（專利權）人: 北京酷我科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京億騰知識產(chǎn)權代理事務所 11309
• 代理人: 陳霽

本發(fā)明涉及一種基于用戶協(xié)同的歌曲推薦方法和系統(tǒng)。所述方法包括：通過對不同用戶收聽歌曲的列表數(shù)據(jù)進行模型訓練，得到相應的用戶相關度模型；根據(jù)用戶的聽歌行為信息以及聽歌來源信息，得到相應的用戶聽歌偏好模型；根據(jù)用戶相關度模型提取出相關度高的用戶，以及根據(jù)用戶聽歌偏好模型推選出的歌曲偏好度高的歌曲；對相關度高的用戶，且歌曲偏好度高的歌曲進行評分，得到相應的歌曲評分；并對歌曲評分進行排序，評分高的歌曲優(yōu)先進行推薦。本發(fā)明實施例中的用戶相關度模型，解決了目前用戶相關度低的問題，進一步地，對相關度高的用戶，且歌曲偏好度高的歌曲進行評分，并且將評分高的歌曲優(yōu)先進行推薦，解決了目前歌曲數(shù)據(jù)更新慢的問題。

技術領域

本發(fā)明涉及音頻技術領域，具體而言，本發(fā)明涉及一種基于用戶協(xié)同的歌曲推薦方法和系統(tǒng)。

背景技術

目前，常用的基于用戶協(xié)同的歌曲推薦方法，具體為：用戶A同時收聽了歌曲A和歌曲C，用戶B收聽了歌曲B，用戶C在收聽歌曲A、收聽歌曲C的同時，又收聽了歌曲D。基于用戶A和用戶C收聽的歌曲相似，因此，將用戶C收聽的歌曲D推薦給用戶A。

目前，現(xiàn)有的基于用戶協(xié)同的歌曲推薦方法，由于用戶收聽相同歌曲的數(shù)據(jù)不多，用戶收聽相同歌曲的數(shù)據(jù)重合度低。因此，基于用戶所收聽歌曲的相關度去推薦相應的歌曲的歌曲推薦方法，其可信度并不高。

其次，現(xiàn)有的基于用戶協(xié)同的歌曲推薦方法，由于不僅用戶收聽歌曲的數(shù)據(jù)量很大，而且用戶收聽相同歌曲的數(shù)據(jù)重合度低，因此，基于用戶喜好的相似度推薦的歌曲的更新速度慢。因此，需要一種新的基于用戶協(xié)同個歌曲推薦方法，解決用戶收聽相同歌曲的數(shù)據(jù)重合度低，基于用戶喜好的相似度推薦的歌曲的更新速度慢的問題，使得推薦給用戶的歌曲更加符合預期的效果。

發(fā)明內(nèi)容

本發(fā)明實施例在于提供一種基于用戶協(xié)同的歌曲推薦方法和系統(tǒng)，通過用戶相關度模型，解決了現(xiàn)有技術中的用戶相關度低的問題，進一步地，評分高的歌曲優(yōu)先進行推薦，解決了現(xiàn)有技術中的歌曲數(shù)據(jù)更新慢的問題。

第一方面，本發(fā)明實施例提供了一種基于用戶協(xié)同的歌曲推薦方法，所述方法包括：

通過對不同用戶收聽歌曲的列表數(shù)據(jù)進行模型訓練，得到相應的用戶相關度模型；

根據(jù)用戶的聽歌行為信息以及聽歌來源信息，得到相應的用戶聽歌偏好模型；

根據(jù)所述用戶相關度模型提取出相關度高的用戶，以及根據(jù)所述用戶聽歌偏好模型推選出的歌曲偏好度高的歌曲；

對相關度高的用戶，且歌曲偏好度高的歌曲進行評分，得到相應的歌曲評分；并對得到的歌曲評分進行排序，評分高的歌曲優(yōu)先進行推薦。

優(yōu)選的，所述通過對不同用戶收聽歌曲的列表數(shù)據(jù)進行模型訓練，得到相應的用戶相關度模型具體包括：

基于深度學習模型，通過對不同用戶收聽歌曲的列表數(shù)據(jù)進行模型訓練，得到用戶收聽歌曲的文檔向量和每首歌曲的詞向量；

基于余弦距離，對不同用戶收聽歌曲的文檔向量計算余弦距離，得到相應的用戶相關度；

匯總用戶相關度數(shù)據(jù)，并對用戶相關度數(shù)據(jù)進行修正，以得到相應的用戶相關度模型。

優(yōu)選的，所述基于余弦距離，對不同用戶收聽歌曲的文檔向量計算余弦距離，得到相應的用戶相關度具體包括：

從不同用戶收聽歌曲的文檔向量中提取出待計算余弦距離的兩個用戶收聽歌曲的文檔向量；

基于余弦距離，計算兩個用戶收聽歌曲的文檔向量夾角的余弦值；

若兩個用戶收聽歌曲的文檔向量夾角的余弦值接近于1，則得到兩個用戶收聽的歌曲相關度高，若兩個用戶收聽歌曲的文檔向量夾角的余弦值越小，則得到兩個用戶收聽的歌曲相關度越低。

優(yōu)選的，所述方法還包括：