一种电台推荐方法及系统技术方案

本发明专利技术涉及一种电台推荐方法及系统。该电台推荐方法包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为。根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵。根据用户听歌偏好矩阵和用户相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲。根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。本发明专利技术的目的是通过用户信息标签选择与用户匹配的歌曲构建电台，保证了电台的质量、好听度和多样性。

【技术实现步骤摘要】
一种电台推荐方法及系统
本专利技术涉及大数据、机器学习算法的个性化推荐，特别涉及一种电台推荐方法及系统。
技术介绍
当前，电台一般都是人工编辑完成，每个用户看到的电台界面都是一样的。这种人工推荐的效果非常差，效率也不高。人工编辑电台都是以热歌、老歌等各种歌曲为主，推荐形式单一。当前电台的推荐由人工编辑来完成，工作量大，编辑工作效率不高，同一电台内的歌曲相关性也不高，不能满足每一个用户的听歌需求。为了提高工作效率和和电台推荐相关性，故采用机器学习算法代替人工编辑的策略。人工编辑电台，电台中歌曲多样性不高，歌曲好听度也不能得到保证。
技术实现思路
本专利技术的目的是为了解决现有技术中存在的技术问题，提出了一种电台推荐方法及系统。为实现上述目的，一方面，本专利技术提供了一种电台推荐方法，该电台推荐方法包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为和被动听歌行为；根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；根据用户听歌偏好矩阵和用户听歌相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。优选地，根据用户的听歌行为和听歌来源计算得到用户听歌记录歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵的步骤之后还包括：根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。优选地，计算播放列表中每一首歌曲与播放列表中歌曲的相似度为：其中，为播放列表中每一首歌曲的向量，为播放列表中其它歌曲的向量。优选地，上述电台推荐方法还包括：根据用户行为构建用户画像，并对用户画像的标签进行权重计算，进而将用户画像信息标签化；其中，用户画像的标签包括时间标签、地点标签、事件标签和用户标签。优选地，电台推荐方法还包括的步骤为：根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。优选地，主动听歌行为包括：关注歌曲、下载歌曲、收藏歌曲、搜索歌曲、购买歌曲和本地上传歌曲中的一种或多种行为。另一方面，本专利技术提供了一种电台推荐系统，该电台推荐系统包括：第一构造单元、第二构造单元、选择单元和第三构造单元。第一构造单元用于根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；其中，听歌行为包括主动听歌行为；第二构造单元用于根据主动听歌行为和用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中其它歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；选择单元用于从根据用户听歌偏好矩阵和用户听歌相似矩阵中选择歌曲，并对选择歌曲的每一首歌曲相似得分进行计算，得到最终推荐的歌曲；第三构造单元用于根据最终推荐的歌曲构造歌曲电台，将电台推荐给用户。优选地，电台推荐系统还包括更新单元：更新单元用于根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新用户听歌偏好矩阵。优选地，电台推荐系统还包括第四构建单元：第四构建单元用于根据用户行为构建用户画像，并对用户画像的标签进行权重计算，进而将用户画像信息标签化；其中，用户画像的标签包括时间标签、地点标签、事件标签和用户标签。优选地，第三构建单元还用于：根据用户画像信息从最终推荐歌曲中选择与用户画像信息最匹配的歌曲构建歌曲电台，并将电台推荐给用户。本专利技术的目的通过用户信息标签选择与用户匹配的歌曲构建电台，保证了电台的质量、好听度和多样性。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种电台推荐方法的结构示意图；图2为图1中计算相似度的坐标图；图3为本专利技术实施例提供的一种电台推荐系统的结构示意图。具体实施方式下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。图1为本专利技术实施例提供的一种电台推荐方法的结构示意图。如图1所示，该电台推荐方法的步骤包括：步骤S100：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据偏好得分形成用户听歌偏好矩阵；根据用户听歌行为、听歌来源计算歌曲的偏好得分。听歌行为分为主动听歌行为和被动听歌行为。主动听歌行为包括：红心、取消红心、下载、收藏、搜索、购买、本地上传；被动听歌行为：播放、完整收听。听歌来源包括每日推荐、歌单、电台、分区、排行榜。例如，假定一共有M个听歌用户，每个用户听歌记录里保留top3000的歌曲，这样就会得到一个[Mx3000]维度的听歌偏好矩阵。步骤S110：根据主动听歌行为和用户播放歌曲的偏好得分从用户听歌偏好矩阵选择歌曲生成播放列表，并利用深度学习工具得到播放列表中每一首歌曲对应的歌曲词向量，以及计算播放列表中每一首歌曲与播放列表中歌曲的相似度，并依据播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；将用户红心列表、搜索、下载、本地上传等根据主动听歌行为用户播放歌曲的偏好得分将用户听歌偏好矩阵中主动听歌行为对应的歌曲产生生成播放列表，使用word2vec深度学习工具进行训练，得到播放列表中每一首歌曲对应的歌曲词向量。word2vec深度学习工具通过训练，可以把对歌曲文本内容的处理简化为K维向量空间中的向量运算，而进而通过向量空间上的相似度可以表示歌曲文本语义上的相似度，即歌曲的相似度。利用余弦距离计算播放列表中一首歌曲与播放列表其他歌曲的相似度，进而得到播放列表中一首歌与播放列表其他歌曲的相似度，结合组合播放列表中所有的歌曲的相似度，进而形成相似矩阵。如，计算每个歌曲最相近的top1000个歌曲，作为该歌曲的相似歌曲。假定一共有N歌曲，计算完每个歌曲的相似歌曲后，就会得到一个[Nx1000]维度的歌曲相似矩阵MusicSimilarMatrix。通过余弦相似度，得到播放列表中一首歌曲与播放列表中其他歌曲的相似度。例如，假定播放列表中一首歌的歌词曲向量为播放列表其他歌词曲向量为那么余弦定理改写成下面的形式：步骤S120：根据用户听歌偏好矩阵和用户听歌相似矩阵选择歌曲，并对选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；根据播放列表从歌曲相似矩阵中选择歌曲，并计算选择歌曲中每一首歌曲的相似得分，将相似得分较高歌曲作为最终推荐的歌曲。如，预先设置规则从歌曲相似矩阵中选择50首歌曲，需要从50首歌曲中选择相似得分排序前30的30首歌作为最终推荐的歌曲。从播放列表选择排在前50的歌曲[song01,song02,…,song50]。针对top50歌曲，从歌曲相似矩阵中选择该歌曲与播放列表中其他歌曲的相似度。[song01_similart01,song01本文档来自技高网...

【技术保护点】
一种电台推荐方法，其特征在于，包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵；其中，所述听歌行为包括主动听歌行为；根据所述主动听歌行为和所述用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到所述播放列表中每一首歌曲对应的歌曲词向量，以及计算所述播放列表中每一首歌曲与所述播放列表中其它歌曲的相似度，并依据所述播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；根据所述用户听歌偏好矩阵和所述用户歌曲相似矩阵选择歌曲，并对所述选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；根据所述最终推荐的歌曲构造歌曲电台，将所述电台推荐给用户。

【技术特征摘要】
1.一种电台推荐方法，其特征在于，包括：根据用户的听歌行为和听歌来源得到用户播放歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵；其中，所述听歌行为包括主动听歌行为；根据所述主动听歌行为和所述用户播放歌曲的偏好得分生成播放列表，并利用深度学习工具得到所述播放列表中每一首歌曲对应的歌曲词向量，以及计算所述播放列表中每一首歌曲与所述播放列表中其它歌曲的相似度，并依据所述播放列表中每一首歌曲的相似度形成用户听歌相似矩阵；根据所述用户听歌偏好矩阵和所述用户歌曲相似矩阵选择歌曲，并对所述选择歌曲中每一首歌曲相似得分进行计算，得到最终推荐的歌曲；根据所述最终推荐的歌曲构造歌曲电台，将所述电台推荐给用户。2.根据权利要求1所述的方法，其特征在于，根据用户的听歌行为和听歌来源计算得到用户听歌记录歌曲的偏好得分,进而根据所述偏好得分形成用户听歌偏好矩阵的步骤之后还包括：根据歌曲时间衰减、歌曲热度降权更新用户听歌记录歌曲的偏好得分，进而更新所述用户听歌偏好矩阵。3.根据权利要求2所述的方法，其特征在于，所述计算所述播放列表中每一首歌曲与所述播放列表中歌曲的相似度为：其中，为播放列表中每一首歌曲的向量，为播放列表中其它歌曲的向量。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：根据用户行为构建任务事件模型，并对任务事件模型的标签进行权重计算，进而将用户画像信息标签化；其中，任务事件模型的标签包括时间标签、地点标签、事件标签和用户标签。5.根据权利要求1或4所述的方法，其特征在于，所述方法还包括的步骤为：根据所述用户画像信...

【专利技术属性】
技术研发人员：王志鹏，高玉敏，
申请(专利权)人：北京酷我科技有限公司，
类型：发明
国别省市：北京,11