[發明專利]一種歌曲推薦方法、系統、智能設備及存儲介質

在審

• 申請號: 202110367621.3
• 申請日: 2021-04-06
• 公開（公告）號: CN113010728A
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 葉建仲
• 申請（專利權）人: 金寶貝網絡科技（蘇州）有限公司
• 主分類號: G06F16/635
• 分類號: G06F16/635;G06F16/65
• 代理公司: 上海碩力知識產權代理事務所(普通合伙) 31251
• 代理人: 楊用玲

本發明提供了一種歌曲推薦方法、系統、智能設備及存儲介質，其方法包括步驟：對目標類型歌曲進行細分類；獲取各個細分類下的若干個歌曲文件，并將所述歌曲文件轉換成訓練聲譜圖；建立歌曲分類模型，并通過所述訓練聲譜圖對所述歌曲分類模型進行訓練；獲取用戶選擇的目標類型下的當前歌曲，并將所述當前歌曲對應的聲譜圖輸入訓練好的所述歌曲分類模型，獲得所述當前歌曲對應的當前細分類；根據所述當前細分類進行歌曲推薦。該方案不需要獲取用戶行為、數據等，便能夠根據歌曲本身的特征進行相似推薦，推薦精度更高，適用范圍更廣，能夠滿足不同類型人群的需求。

技術領域

本發明涉及兒歌推薦技術領域，尤指一種歌曲推薦方法、系統、智能設備及存儲介質。

背景技術

現有的歌曲推薦方法有很多，主流音樂推薦技術是通過大量的用戶行為數據、社交數據、用戶畫像等數據使用協同算法分類判斷，實現推薦，如spotify，蝦米音樂等。但該方法對于很多垂直型或相對小眾型用戶的應用，如兒歌就不太適用，因為用戶數據很少甚至沒有，就無法根據用戶行為、數據等做推薦或推薦的精度較低。因此，需要一種精度更高，且不需要獲取用戶的行為、數據等，便能夠進行歌曲推薦的方法。

發明內容

本發明的目的是提供一種歌曲推薦方法、系統、智能設備及存儲介質，該方案不需要獲取用戶行為、數據等，便能夠根據歌曲本身的特征進行相似推薦，推薦精度更高，適用范圍更廣，能夠滿足不同類型人群的需求。

本發明提供的技術方案如下：

本發明提供一種歌曲推薦方法，包括步驟：

對目標類型歌曲進行細分類；

獲取各個細分類下的若干個歌曲文件，并將所述歌曲文件轉換成訓練聲譜圖；

建立歌曲分類模型，并通過所述訓練聲譜圖對所述歌曲分類模型進行訓練；

獲取用戶選擇的目標類型下的當前歌曲，并將所述當前歌曲對應的聲譜圖輸入訓練好的所述歌曲分類模型，獲得所述當前歌曲對應的當前細分類；

根據所述當前細分類進行歌曲推薦。

具體的，可以對一個大類型的歌曲進行細分類，如可以將兒歌分成搖籃曲、游戲歌、數數歌、問答歌、繞口令、連鎖調、謎語歌、顛倒歌、字頭歌、故事類、抒情類、幼兒園、胎教音樂、睡眠歌、磨耳朵、動畫歌、貝瓦兒歌、三字經、古詩歌、英文兒歌、古典音樂等21個分類。當然，也可以按照其它標準進行分類。

在獲取各個細分類下的若干個歌曲文件作為訓練集時，為了提高模型的精準度，應每個細分類選擇較多的歌曲文件。以上述兒歌為例，在本實施例中，每個細分類選擇50個mp3歌曲文件，共1050個mp3文件。

音頻文件內包含的信息很多，為了提取特征并去噪，可以把音頻轉換為圖像形式，利用傅里葉變換法，將音頻信號轉換為頻域，用這種方法處理1050個MP3音頻文件，將每首歌提取轉換成聲譜圖。聲譜圖就是聲音頻率的頻譜隨著時間變化的可視化表示，圖譜中顏色的深淺表示該頻率下的聲音大小。

在本實施例中，歌曲分類模型為Tensorflow卷積神經網絡模型，在進行分類時，聲譜圖像將被轉換成一個表示每個像素的顏色的數字矩陣，之后數據經過卷積層、池化層以及全連接層等處理后轉換成softmax分類器，這個分類器是一個由多個數字(如與兒歌細分類對應的21個數字)組成的向量，包含了卷積神經網絡模型將各個歌曲細分類分配給聲譜圖的概率，最后選擇其中最大概率位置的分類為最終識別分類。在其它實施例中，還可以選用其它類似神經網絡模型進行歌曲分類。