歌曲推荐方法及装置制造方法及图纸

本申请实施例公开了一种歌曲推荐方法及装置，该方法首先获取目标用户的历史歌曲播放序列，根据歌曲在历史歌曲播放序列中的位置信息，从历史歌曲播放序列中的歌曲筛选得到短时歌曲和长时歌曲，使用预设的第一筛选条件，对短时歌曲进行筛选得到第一歌曲序列，使用预设的第二筛选条件，对长时歌曲进行筛选得到第二歌曲序列，根据第一歌曲序列和第二歌曲序列，对历史歌曲播放序列中的歌曲进行歌曲推荐；本申请通过人工智能从用户的历史歌曲播放序列中推荐用户可能重复收听的歌曲，考虑了用户的怀旧心理，提高了歌曲推荐结果的准确性，即本申请提高了歌曲推荐结果的精确度，提升了用户的使用体验，增强了用户粘度。

Song recommendation method and device

【技术实现步骤摘要】
歌曲推荐方法及装置
本申请涉及歌曲处理领域，具体涉及一种歌曲推荐方法及装置。
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曲的显性元素，如歌手、语言等，以及用户的显示元素，例如喜好歌手、位置等，进行用户与歌曲的匹配，进而从歌曲库召回歌曲并进行推荐，但是歌曲库内歌曲数据量较大，使得推荐结果不够精确。
技术实现思路
本申请实施例提供一种歌曲推荐方法及装置，以提高歌曲推荐结果的精确度。为解决上述技术问题，本申请实施例提供以下技术方案：一方面，本申请实施例提供了一种歌曲推荐方法，其包括：获取目标用户的历史歌曲播放序列；根据歌曲在历史歌曲播放序列中的位置信息，从历史歌曲播放序列中的歌曲筛选得到短时歌曲和长时歌曲；使用预设的第一筛选条件，对短时歌曲进行筛选得到第一歌曲序列；使用预设的第二筛选条件，对本文档来自技高网...

【技术保护点】
1.一种歌曲推荐方法，其特征在于，包括：/n获取目标用户的历史歌曲播放序列；/n根据歌曲在所述历史歌曲播放序列中的位置信息，从所述历史歌曲播放序列中的歌曲筛选得到短时歌曲和长时歌曲；/n使用预设的第一筛选条件，对所述短时歌曲进行筛选得到第一歌曲序列；/n使用预设的第二筛选条件，对所述长时歌曲进行筛选得到第二歌曲序列；/n根据所述第一歌曲序列和所述第二歌曲序列，对所述历史歌曲播放序列中的歌曲进行歌曲推荐。/n

【技术特征摘要】
1.一种歌曲推荐方法，其特征在于，包括：
获取目标用户的历史歌曲播放序列；
根据歌曲在所述历史歌曲播放序列中的位置信息，从所述历史歌曲播放序列中的歌曲筛选得到短时歌曲和长时歌曲；
使用预设的第一筛选条件，对所述短时歌曲进行筛选得到第一歌曲序列；
使用预设的第二筛选条件，对所述长时歌曲进行筛选得到第二歌曲序列；
根据所述第一歌曲序列和所述第二歌曲序列，对所述历史歌曲播放序列中的歌曲进行歌曲推荐。


2.根据权利要求1所述的歌曲推荐方法，其特征在于，所述使用预设的第一筛选条件，对所述短时歌曲进行筛选得到第一歌曲序列的步骤，包括：
获取所述目标用户的用户特征信息、以及短时歌曲的歌曲特征信息；
使用训练后的第一神经网络模型，根据所述用户特征信息以及所述短时歌曲的歌曲特征信息，得到所述目标用户对短时歌曲的播放概率；
根据所述目标用户对短时歌曲的播放概率，对所述短时歌曲进行筛选得到所述第一歌曲序列。


3.根据权利要求2所述的歌曲推荐方法，其特征在于，还包括：
获取第一训练数据；所述第一训练数据包括用户的用户特征信息、短时歌曲的歌曲特征信息、以及在预设时间内短时歌曲的播放信息；
使用所述第一训练数据，对所述第一神经网络模型进行训练，得到所述训练后的第一神经网络模型。


4.根据权利要求3所述的歌曲推荐方法，其特征在于，所述第一神经网络模型包括第一序列标注模型，所述使用所述第一训练数据，对所述第一神经网络模型进行训练的步骤，包括：
将所述用户的用户特征信息、短时歌曲的歌曲特征信息作为所述第一序列标注模型的输入，将所述短时歌曲的播放信息作为所述第一序列标注模型的输出，对所述第一序列标注模型进行训练，得到训练后的第一序列标注模型。


5.根据权利要求1所述的歌曲推荐方法，其特征在于，所述使用预设的第二筛选条件，对所述长时歌曲进行筛选得到第二歌曲序列的步骤，包括：
获取所述目标用户的用户特征信息、当前的环境信息、以及长时歌曲的歌曲特征信息；
使用训练后的第二神经网络模型，根据所述用户特征信息、所述当前的环境信息以及所述长时歌曲的歌曲特征信息，得到所述目标用户对长时歌曲的播放概率；
根据所述目标用户对长时歌曲的播放概率，对所述长时歌曲进行筛选得到所述第二歌曲序列。


6.根据权利要...

【专利技术属性】
技术研发人员：缪畅宇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44