歌单推荐方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种歌单推荐方法、装置及存储介质，所述方法包括：获取历史时段内的用户播放序列，且将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表，并向用户推送所述推荐歌单列表。本发明专利技术实施例通过根据历史时段内的用户播放序列以及训练好的循环神经网络模型预测用户下一时刻即将播放的歌单，并输出的推荐歌单列表，本案结合了用户播放时序上的长短期兴趣特征，提升了预测结果的精确度，使得推荐的歌单更贴近用户当前的需求和兴趣偏好。

【技术实现步骤摘要】
歌单推荐方法、装置及存储介质
本专利技术实施例涉及音频处理领域，具体涉及一种歌单推荐方法、装置及存储介质。
技术介绍
推荐系统一般包括召回模块和排序模块，其中，召回模块用于从整个数据集中召回几千个潜在的数据，排序模块用于对所述被召回的几千个潜在的数据进行排序，最后选取排名在预设位数的目标对象推送至用户。在歌单推荐中，目前的召回模块经常通过歌单的显性元素，如歌曲、标签、歌手、语言等形成倒排索引，进而通过歌曲、标签、歌手、语言等显性元素召回歌单，并没有考虑近一段时间内用户在时序上的播放特性，使得推荐结果不够精确。
技术实现思路
本专利技术实施例提供一种歌单推荐方法、装置及存储介质，提升了歌单推荐的精确度。本专利技术实施例提供一种歌单推荐方法，所述方法包括：获取历史时段内的用户播放序列；将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表；向用户推送所述推荐歌单列表。本专利技术实施例还提供一种歌单推荐装置，所述装置包括：获取模块，用于获取历史时段内的用户播放序列；预测模块，用于将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表；推荐模块，用于向用户推送所述推荐歌单列表。本专利技术实施例还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，执行本专利技术实施例所提供的任一种所述的歌单推荐方法中的步骤。本专利技术实施例通过获取历史时段内的用户播放序列，且将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表，并向用户推送所述推荐歌单列表。本专利技术实施例通过根据历史时段内的用户播放序列以及训练好的循环神经网络模型预测用户下一时刻即将播放的歌单，并输出的推荐歌单列表，本案结合了用户播放时序上的长短期兴趣特征，提升了预测结果的精确度，使得推荐的歌单更贴近用户当前的需求和兴趣偏好。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为本专利技术实施例提供的一种歌单推荐装置的系统示意图。图2为本专利技术实施例提供的一种歌单推荐方法的流程示意图。图3为本专利技术实施例提供的一种歌单推荐方法的另一流程示意图。图4为本专利技术实施例提供的一种歌单推荐方法的另一流程示意图。图5为本专利技术实施例提供的一种歌单推荐方法的另一流程示意图。图6为本专利技术实施例提供的一种歌单推荐方法的另一流程示意图。图7为本专利技术实施例提供的一种歌单推荐方法的另一流程示意图。图8为本专利技术实施例提供的LSTM模型的网络拓扑结构图。图9为本专利技术实施例提供的一种歌单推荐装置的结构示意图。图10为本专利技术实施例提供的一种歌单推荐装置的另一结构示意图。图11为本专利技术实施例提供的一种歌单推荐装置的另一结构示意图。图12为本专利技术实施例提供的一种歌单推荐装置的另一结构示意图。图13为本专利技术实施例提供的一种歌单推荐装置的另一结构示意图。图14为本专利技术实施例提供的一种歌单推荐装置的另一结构示意图。图15为本专利技术实施例提供的一种服务器的结构示意图。图16为本专利技术实施例提供的一种终端的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术中的术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本专利技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。推荐系统一般包括召回模块和排序模块，其中，召回模块用于从整个数据集中召回几千个潜在的数据，排序模块用于对所述被召回的几千个潜在的数据进行排序，最后选取排名在预设位数的目标对象推送至用户。在歌单推荐中，目前的召回模块经常通过歌单的显性元素，如歌曲、标签、歌手、语言等形成倒排索引，进而通过歌曲、标签、歌手、语言等显性元素召回歌单，并没有考虑近一段时间内用户在时序上的播放特性，使得推荐结果不够精确。因而，本专利技术实施例提供了一种歌单推荐方法、装置及存储介质，基于循环神经网络(RNN)模型，通过训练学习得到用户播放序列中在时序上的隐性特征，进而通过该隐性特征寻找整个曲库内同该隐性特征最相似的歌单，进而可以更精确地预测用户下一时刻即将播放的歌单。本专利技术实施例提供的歌单推荐方法，可实现在歌单推荐装置中，该歌单推荐装置具体可以集成在电子设备或其他具有音视频数据处理功能的设备中，电子设备包括但不限于计算机、智能电视、智能音箱、手机、平板电脑等设备。请参阅图1，图1为本专利技术实施例提供的一种歌单推荐装置的系统示意图。该歌单推荐装置主要用于模型的训练和模型的检测。本专利技术实施例提供的模型为循环神经网络模型。在进行模型训练时，预先获取用户播放序列样本，然后将所述用户播放序列样本输入循环神经网络模型中进行训练，以得到下一首歌曲的预测结果，直到所述下一首歌曲的预测结果与所述用户播放序列样本中的下一首歌曲的真实结果之间的欧式距离最小化时，完成模型的训练，以得到训练好的循环神经网络模型。在进行模型预测时，通过获取历史时段内的用户播放序列，且将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表，并向用户推送所述推荐歌单列表，通过结合用户播放时序上的长短期兴趣特征，提升了预测结果的精确度，使得推荐的歌单更贴近用户当前的需求和兴趣偏好。当循环神经网络模型的训练过程、实际检测过程都在电子设备端完成时，需要使用训练后的循环神经网络模型时，可以将获取到的用户播放序列输入到电子设备，电子设备实际预测完成后，电子设备再将预测出的推荐歌单列表推荐给用户。当循环神经网络模型的训练过程在服务器端完成，循环神经网络模型的实际检测过程在电子设备端完成时，需要使用由训练后的循环神经网络模型时，可以将获取到的用户播放序列输入到电子设备，电子设备实际预测完成后，电子设备再将预测出的推荐歌单列表推荐给用户。可选的，可以将训练好的循环神经网络模型文件(model文件)移植到电子设备上，若需要预测用户下一时刻即将播放的歌单，则将获取到的用户播放序列输入到训练好的循环神经网络模型文件(model文件)，通过计算即可得到推荐歌单列表。以下将分别进行详细说明，以下各个实施例的描述先后顺序并不构成对具体实施先后顺序的限定。请参阅图2至图4，图2至图4均为本专利技术实施例提供的一种歌单推荐方法的本文档来自技高网...

【技术保护点】
1.一种歌单推荐方法，其特征在于，所述方法包括：获取历史时段内的用户播放序列；将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表；向用户推送所述推荐歌单列表。

【技术特征摘要】
1.一种歌单推荐方法，其特征在于，所述方法包括：获取历史时段内的用户播放序列；将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表；向用户推送所述推荐歌单列表。2.如权利要求1所述的歌单推荐方法，其特征在于，所述方法还包括：对所述循环神经网络模型进行模型训练。3.如权利要求2所述的歌单推荐方法，其特征在于，所述对所述循环神经网络模型进行模型训练，包括：获取用户播放序列样本；将所述用户播放序列样本输入循环神经网络模型中进行训练，以得到下一首歌曲的预测结果；计算所述下一首歌曲的预测结果与所述用户播放序列样本中的下一首歌曲的真实结果之间的欧式距离，其中，所述欧式距离作为所述循环神经网络模型的损失函数；若所述欧式距离大于或者等于预设阈值，则继续对所述循环神经网络模型进行模型训练；以及若所述欧式距离小于预设阈值，则停止对所述循环神经网络模型进行模型训练，以得到所述训练好的循环神经网络模型。4.如权利要求3所述的歌单推荐方法，其特征在于，所述获取用户播放序列样本，包括：获取用户在历史时段内的歌曲完整播放序列；通过word2vec工具对所述歌曲完整播放序列中的歌曲进行词向量表示的训练，以得到所述歌曲完整播放序列中的每一首歌曲的歌曲词向量；根据所述歌曲完整播放序列中的每一首歌曲的歌曲词向量，生成歌单词向量，以获取所述用户播放序列样本；所述将所述用户播放序列样本输入循环神经网络模型中进行训练，以得到下一首歌曲的预测结果，包括：将所述歌单词向量输入循环神经网络模型中进行训练，以得到下一首歌曲的预测结果。5.如权利要求4所述的歌单推荐方法，其特征在于，所述通过word2vec工具对所述歌曲完整播放序列中的歌曲进行词向量表示的训练，以得到所述歌曲完整播放序列中的每一首歌曲的歌曲词向量，包括：对所述歌曲完整播放序列中的歌曲随机初始化一个K维的向量，其中，所述向量内的各个维度的数值为初始随机数；以下一首歌曲为训练目标，通过所述word2vec工具对所述歌曲完整播放序列中的歌曲进行训练，并调整所述向量内各个维度的数值，使得所述训练目标的预测结果与真实结果收敛，以得到所述歌曲完整播放序列中的每一首歌曲的歌曲词向量。6.如权利要求5所述的歌单推荐方法，其特征在于，所述根据所述歌曲完整播放序列中的每一首歌曲的歌曲词向量，生成歌单词向量，以获取所述用户播放序列样本，包括：通过将所述歌曲完整播放序列中的每一首歌曲的歌曲词向量在各个维度上进行加和取均值，以得到所述歌单词向量，其中所述歌单词向量构成所述用户播放序列样本。7.如权利要求1所述的歌单推荐方法，其特征在于，所述将所述用户播放序列输入训练好的循环神经网络模型中进行预测处理，以获取输出的推荐歌单列表，包括：将所述用户播放序列输入所述循环神经网络模型中进行处理，以得到所述用户播放序列在时序上的隐性特征；在曲库内寻找与所述隐性特征的相似度达到阈值的歌单，以作为所述推荐歌单列表进行输出。8.如权利要求1所述的歌单推荐方法，其特征在于，所述获取历史时段内的用户播放序列，包括：采集历史时段内用户播放数据，所述用户播放数据中的每一首歌曲的播放均达到完整播放条件，所述用户播放数据包括每一首歌曲的播放时间、播放地点、操作行为以及歌曲标签；根据所述播放时间对所述用户播放数据中的所有歌曲进行排序，以生成所述用户播放...

【专利技术属性】
技术研发人员：张龙，
申请(专利权)人：腾讯音乐娱乐科技深圳有限公司，
类型：发明
国别省市：广东,44