一种歌曲推荐方法、系统、智能设备及存储介质技术方案

本发明专利技术提供了一种歌曲推荐方法、系统、智能设备及存储介质，其方法包括步骤：对目标类型歌曲进行细分类；获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图；建立歌曲分类模型，并通过所述训练声谱图对所述歌曲分类模型进行训练；获取用户选择的目标类型下的当前歌曲，并将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，获得所述当前歌曲对应的当前细分类；根据所述当前细分类进行歌曲推荐。该方案不需要获取用户行为、数据等，便能够根据歌曲本身的特征进行相似推荐，推荐精度更高，适用范围更广，能够满足不同类型人群的需求。

【技术实现步骤摘要】
一种歌曲推荐方法、系统、智能设备及存储介质
本专利技术涉及儿歌推荐
，尤指一种歌曲推荐方法、系统、智能设备及存储介质。
技术介绍
现有的歌曲推荐方法有很多，主流音乐推荐技术是通过大量的用户行为数据、社交数据、用户画像等数据使用协同算法分类判断，实现推荐，如spotify，虾米音乐等。但该方法对于很多垂直型或相对小众型用户的应用，如儿歌就不太适用，因为用户数据很少甚至没有，就无法根据用户行为、数据等做推荐或推荐的精度较低。因此，需要一种精度更高，且不需要获取用户的行为、数据等，便能够进行歌曲推荐的方法。
技术实现思路
本专利技术的目的是提供一种歌曲推荐方法、系统、智能设备及存储介质，该方案不需要获取用户行为、数据等，便能够根据歌曲本身的特征进行相似推荐，推荐精度更高，适用范围更广，能够满足不同类型人群的需求。本专利技术提供的技术方案如下：本专利技术提供一种歌曲推荐方法，包括步骤：对目标类型歌曲进行细分类；获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图；建立歌曲分类模型，并通过所述训练声谱图对所述歌曲分类模型进行训练；获取用户选择的目标类型下的当前歌曲，并将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，获得所述当前歌曲对应的当前细分类；根据所述当前细分类进行歌曲推荐。具体的，可以对一个大类型的歌曲进行细分类，如可以将儿歌分成摇篮曲、游戏歌、数数歌、问答歌、绕口令、连锁调、谜语歌、颠倒歌、字头歌、故事类、抒情类、幼儿园、胎教音乐、睡眠歌、磨耳朵、动画歌、贝瓦儿歌、三字经、古诗歌、英文儿歌、古典音乐等21个分类。当然，也可以按照其它标准进行分类。在获取各个细分类下的若干个歌曲文件作为训练集时，为了提高模型的精准度，应每个细分类选择较多的歌曲文件。以上述儿歌为例，在本实施例中，每个细分类选择50个mp3歌曲文件，共1050个mp3文件。音频文件内包含的信息很多，为了提取特征并去噪，可以把音频转换为图像形式，利用傅里叶变换法，将音频信号转换为频域，用这种方法处理1050个MP3音频文件，将每首歌提取转换成声谱图。声谱图就是声音频率的频谱随着时间变化的可视化表示，图谱中颜色的深浅表示该频率下的声音大小。在本实施例中，歌曲分类模型为Tensorflow卷积神经网络模型，在进行分类时，声谱图像将被转换成一个表示每个像素的颜色的数字矩阵，之后数据经过卷积层、池化层以及全连接层等处理后转换成softmax分类器，这个分类器是一个由多个数字(如与儿歌细分类对应的21个数字)组成的向量，包含了卷积神经网络模型将各个歌曲细分类分配给声谱图的概率，最后选择其中最大概率位置的分类为最终识别分类。在其它实施例中，还可以选用其它类似神经网络模型进行歌曲分类。通过对目标类型歌曲进行细分类，并获取各个细分类下的若干个歌曲文件，再将歌曲文件转换成训练声谱图，能够对歌曲分类模型进行训练；在用户选择目标类型下的一首歌曲时，将当前歌曲对应的声谱图输入到训练好的歌曲分类模型中，便能获得当前歌曲对应的当前细分类，从而可以根据当前细分类进行歌曲推荐。由于本方案不需要获取用户行为、数据等，便能够根据歌曲本身的特征进行相似推荐，使得该方案的推荐精度更高，适用范围更广，能够满足不同类型人群的需求。进一步地，所述的通过所述训练声谱图对所述歌曲分类模型进行训练之后，还包括步骤：通过训练好的所述歌曲分类模型对存储的目标类型下的所有歌曲进行细分类；为每个细分类建立歌曲相似模型，并通过所述歌曲相似模型提取各个细分类下所有歌曲的特征向量；所述的获得所述当前歌曲对应的当前细分类之后，还包括步骤：通过所述当前细分类对应的所述歌曲相似模型提取所述当前歌曲对应的特征向量：将所述当前歌曲对应的特征向量与所述当前细分类下的所有歌曲的特征向量进行比较，获得相似度最高的目标歌曲并进行推荐。具体的，为了更准确的推荐目标歌曲，可以在训练好歌曲分类模型时，对存储的目标类型下的所有歌曲进行细分类，并为每个细分类建立歌曲相似模型，再通过歌曲相似模型提取各个细分类下所有歌曲的特征向量；在确定当前歌曲的细分类后，通过当前细分类对应的歌曲相似模型提取当前歌曲对应的特征向量，将当前歌曲对应的特征向量与当前细分类下的所有歌曲的特征向量进行比较，能够获得相似度最高的目标歌曲进行推荐，从而提高推荐的精准度。进一步地，通过余弦相似性算法对所述当前歌曲对应的特征向量与所述当前细分类下的所有歌曲的特征向量进行比较；将最大余弦相似性的歌曲作为目标歌曲进行推荐。具体的，可以通过余弦相似性算法对当前歌曲对应的特征向量与当前细分类下的所有歌曲的特征向量进行比较。余弦相似性算法是将向量根据坐标值，绘制到向量空间中，求得它们的夹角，并得出夹角对应的余弦值，此余弦值就可以用来衡量这两个向量的相似性；夹角越小，余弦值越接近于1，两个向量就越相似。因此，可以用余弦相似性做为主要指标来对歌曲的相似度进行比较，将最大余弦相似性的歌曲作为目标歌曲进行推荐。进一步地，所述的获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图，具体包括：提取所述歌曲文件内的预设时间段的音频；将所述预设时间段的音频转换成完整声谱图；将所述完整声谱图平分成预设数量的所述训练声谱图；所述的将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，具体包括：提取所述当前歌曲的预设时间段的音频；将所述当前歌曲对应的预设时间段的音频转换成预设数量的声谱图；将所述当前歌曲对应的预设数量的声谱图输入训练好的所述歌曲分类模型。具体的，为了保证数据的统一性，可以提取歌曲文件内的预设时间段的音频，并将预设时间段的音频转换成完整声谱图，再将完整声谱图平分成预设数量的所述训练声谱图。例如以上述的儿歌分类为例，可以每首歌曲提取约2分钟的音频，然后转换成声谱图，然后将图片分256x256像素的正方图，每张图大概5秒的音频，一首歌曲大概24张声谱图，处理分割后总共大概有25200张图，并为每张图做一个标签，标注分类。通过将每首歌拆分成24张声谱图，能够提高模型训练的精准度，避免偶然性。当然，在其它实施例中，可以根据实际需求进行声谱图的不同拆分。进一步地，所述的通过所述歌曲相似模型提取各个细分类下所有歌曲的特征向量，具体包括：提取各个细分类下所有歌曲的预设时间段的音频；将各个细分类下所有歌曲对应的预设时间段的音频转换成预设数量的声谱图；通过所述歌曲相似模型提取各个细分类下与各个歌曲的预设数量的声谱图对应的预设数量的特征向量；计算各个细分类下各个歌曲的平均向量；所述的通过所述当前细分类对应的所述歌曲相似模型提取所述当前歌曲对应的特征向量，具体包括：通过所述当前细分类对应的所述歌曲相似模型提取与所述当前歌曲的预设数量的声谱图对应的预设数量的特征向量；计算所述当前歌曲对应的平均向量；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，包括步骤：/n对目标类型歌曲进行细分类；/n获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图；/n建立歌曲分类模型，并通过所述训练声谱图对所述歌曲分类模型进行训练；/n获取用户选择的目标类型下的当前歌曲，并将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，获得所述当前歌曲对应的当前细分类；/n根据所述当前细分类进行歌曲推荐。/n

【技术特征摘要】
1.一种歌曲推荐方法，其特征在于，包括步骤：
对目标类型歌曲进行细分类；
获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图；
建立歌曲分类模型，并通过所述训练声谱图对所述歌曲分类模型进行训练；
获取用户选择的目标类型下的当前歌曲，并将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，获得所述当前歌曲对应的当前细分类；
根据所述当前细分类进行歌曲推荐。


2.根据权利要求1所述的一种歌曲推荐方法，其特征在于，所述的通过所述训练声谱图对所述歌曲分类模型进行训练之后，还包括步骤：
通过训练好的所述歌曲分类模型对存储的目标类型下的所有歌曲进行细分类；
为每个细分类建立歌曲相似模型，并通过所述歌曲相似模型提取各个细分类下所有歌曲的特征向量；
所述的获得所述当前歌曲对应的当前细分类之后，还包括步骤：
通过所述当前细分类对应的所述歌曲相似模型提取所述当前歌曲对应的特征向量：
将所述当前歌曲对应的特征向量与所述当前细分类下的所有歌曲的特征向量进行比较，获得相似度最高的目标歌曲并进行推荐。


3.根据权利要求2所述的一种歌曲推荐方法，其特征在于：通过余弦相似性算法对所述当前歌曲对应的特征向量与所述当前细分类下的所有歌曲的特征向量进行比较；
将最大余弦相似性的歌曲作为目标歌曲进行推荐。


4.根据权利要求2所述的一种歌曲推荐方法，其特征在于，所述的获取各个细分类下的若干个歌曲文件，并将所述歌曲文件转换成训练声谱图，具体包括：
提取所述歌曲文件内的预设时间段的音频；
将所述预设时间段的音频转换成完整声谱图；
将所述完整声谱图平分成预设数量的所述训练声谱图；
所述的将所述当前歌曲对应的声谱图输入训练好的所述歌曲分类模型，具体包括：
提取所述当前歌曲的预设时间段的音频；
将所述当前歌曲对应的预设时间段的音频转换成预设数量的声谱图；
将所述当前歌曲对应的预设数量的声谱图输入训练好的所述歌曲分类模型。


5.根据权利要求4所述的一种歌曲推荐方法，其特征在于，所述的通过所述歌曲相似模型提取各个细分类下所有歌曲的特征向量，具体包括：
提取各个细分类下所有歌曲的预设时间段的音频；
将各个细分类下所有歌曲对应的预设时间段的音频转换成预设数量的声谱图；
通过所述歌曲相似模型提取各个细分类下与各个歌曲的预设数量的声谱图对应的预设数量的特征向量；
...

【专利技术属性】
技术研发人员：叶建仲，
申请(专利权)人：金宝贝网络科技苏州有限公司，
类型：发明
国别省市：江苏;32