一种音频推荐方法、装置、系统及存储介质制造方法及图纸

本发明专利技术提供了一种音频推荐方法、装置、系统及存储介质，方法包括：获取待推荐音频；对所述待推荐音频进行特征提取,得到所述待推荐音频的音质特征编码向量；基于所述待推荐音频的音质特征编码向量和用户偏好的音质特征编码向量集得到推荐结果,其中,所述推荐结果包括所述待推荐音频与用户音质特性偏好的匹配度。根据本发明专利技术的方法、系统及存储介质，基于用户对音质特性的偏好，无需依赖与其它用户之间的行为信息和音频的标注信息，完成对用户的音频推荐，实现了音频的个性化推荐，提升了用户体验。

【技术实现步骤摘要】
一种音频推荐方法、装置、系统及存储介质
本专利技术涉及音频
，更具体地涉及音频推荐的处理。
技术介绍
音频推荐是根据用户对音频的偏好的估计，为用户推荐潜在的用户偏好音乐。目前音频推荐的方式主要是基于音乐风格，标题，专辑等人工标注信息或通过用户行为分析得到的计算进行推荐。其中，通过用户行为分析进行音频推荐是基于用户的协同过滤和基于音频的协同过滤。以基于音乐的协同过滤算法为例，一个音频可能被许多用户喜欢，如果喜欢两首音乐的人的集合分别为A和B，如果A和B的人群高度重合，甚至是同一批人，那么可以认为这两个音乐是相似音乐，因此如果一个人喜欢其中一个音乐，就会根据协同过滤结果为此人推荐另一个相似音乐。可见，传统方法都是基于人工标注信息和用户的行为信息，与音频本身的音质特性是无关的，与音频本身的波形信息也是无关的。但是如果一个音频无法取得相应的人工标注标签，如专辑，标题，或者一个音频没有用户听过，也就不会有相应的用户行为信息，那么就无法进行音频推荐。对此，还有一种音频推荐方式将用户的音频波形映射到协同过滤的隐藏因子(latentfactor)本文档来自技高网...

【技术保护点】
1.一种音频推荐方法，其特征在于，所述方法包括：/n获取待推荐音频；/n对所述待推荐音频进行特征提取,得到所述待推荐音频的音质特征编码向量；/n基于所述待推荐音频的音质特征编码向量和用户偏好的音质特征编码向量集得到推荐结果,其中,所述推荐结果包括所述待推荐音频与用户音质特性偏好的匹配度。/n

【技术特征摘要】
1.一种音频推荐方法，其特征在于，所述方法包括：
获取待推荐音频；
对所述待推荐音频进行特征提取,得到所述待推荐音频的音质特征编码向量；
基于所述待推荐音频的音质特征编码向量和用户偏好的音质特征编码向量集得到推荐结果,其中,所述推荐结果包括所述待推荐音频与用户音质特性偏好的匹配度。


2.如权利要求1所述的方法，其特征在于，对所述待推荐音频进行特征提取,得到所述待推荐音频的音质特征编码向量，包括：
对所述待推荐音频进行特征提取，得到所述待推荐音频的音质特征；
将所述待推荐音频的音质特征进行聚类，得到所述待推荐音频的音质特征分布向量；
对所述待推荐音频的音质特征分布向量进行编码,得到所述待推荐音频的音质特征编码向量。


3.如权利要求2所述的方法，其特征在于，所述音质特征包括MFCC、一帧时域波形、多帧时域波形或人工设计特征中的至少一种。


4.如权利要求2所述的方法，其特征在于，对所述待推荐音频的音质特征分布向量进行编码包括：
将所述待推荐音频的音质特征分布向量输入训练好的编码网络进行所述编码；其中，得到所述训练好的编码网络的训练方法包括：
将用户偏好音频进行特征提取并聚类，得到所述用户偏好音频的音质特征分布向量；
基于所述用户偏好音频的音质特征分布向量训练无监督神经网络得到训练后的无监督神经网络；
选取所述训练后的无监督神经网络中至少一个隐层作为所述训练好的编码网络。


5.如权利要求4所述的方法，其特征在于，所述方法还包括：
将所述用户偏好音频的音质特征分布向量输入所述训练好的编码网络得到所述用户偏好的音质特征编码向量集。


6.如权利要求1所述的方法，其特征在于，基于所述待推荐音频的音质特征编码向量和用户偏好的音质特征编码向量集得到所述推荐结果，包括：
计算所述待推荐音频的音质特征编码向量和用户偏好的音质特征编码向量集之间的匹配度；
将所述匹配度满足预设条件的所述待推...

【专利技术属性】
技术研发人员：喻浩文，
申请(专利权)人：安克创新科技股份有限公司，
类型：发明
国别省市：湖南;43