本发明专利技术公开了一种基于音频相似度的音乐推荐方法、系统、装置及存储介质，包括：获取历史音乐的第一音频文件；将第一音频文件转换成第一声谱图；将第一声谱图转换成第一色度梯度图，将第一色度梯度图输入到训练好的色度特征提取模型以获得第一色度梯度矩阵；获取待选择音乐的第二音频文件，将第二音频文件转换成第二声谱图；将第二声谱图转换成第二色度梯度图，将第二色度梯度图输入到训练好的色度特征提取模型以获得第二色度梯度矩阵；计算第一色度梯度矩阵与第二色度梯度矩阵的相似度，并根据相似度确定推荐音乐。本发明专利技术实施例能够根据音乐的本质属性寻找并推荐相似度高的音乐，更符合用户需求，提高用户体验，可广泛应用于信息处理技术领域。息处理技术领域。息处理技术领域。
【技术实现步骤摘要】
基于音频相似度的音乐推荐方法、系统、装置及存储介质
[0001]本专利技术涉及信息处理
，尤其涉及一种基于音频相似度的音乐推荐方法、系统、装置及存储介质。
技术介绍
[0002]随着互联网的发展，数字音乐成为当前主流消费内容。然而其海量的音乐数据大大超出了受众的承受能力，在海量曲库中寻找个人喜欢的音乐可能引发用户信息疲劳。为了提升用户体验，音乐推荐系统应运而生。一个好的推荐系统能和用户之间建立密切的联系关系，对网站产生黏性，从而有效地提高网站的用户体验，创造经济价值。
[0003]在相关技术中，音乐推荐算法较多，如基于物品的协同过滤，通过共同喜好的用户计算物品之间的相似度并推荐；如基于标签之间的相似度来为用户推荐音乐等。由于每首音乐都具有独特的风格，如果不是根据音乐的固有属性进行推荐，可能达不到用户的需求或预期。
技术实现思路
[0004]有鉴于此，本专利技术实施例的目的是提供一种基于音频相似度的音乐推荐方法、系统、装置及存储介质，能够根据音乐的本质属性寻找并推荐相似度高的音乐，更符合用户需求，提高用户体验。
[0005]第一方面，本专利技术实施例提供了一种基于音频相似度的音乐推荐方法，包括：
[0006]获取历史音乐的第一音频文件；并将所述第一音频文件转换成第一声谱图；
[0007]将所述第一声谱图转换成第一色度梯度图，并将所述第一色度梯度图输入到训练好的色度特征提取模型以获得第一色度梯度矩阵；
[0008]获取待选择音乐的第二音频文件，并将所述第二音频文件转换成第二声谱图；
[0009]将所述第二声谱图转换成第二色度梯度图，并将所述第二色度梯度图输入到训练好的色度特征提取模型以获得第二色度梯度矩阵；
[0010]计算所述第一色度梯度矩阵与所述第二色度梯度矩阵的相似度，并根据所述相似度确定推荐音乐。
[0011]可选地，所述色度特征提取模型的训练方法如下：
[0012]获取色度图的样本文件，并标注所述色度图样本文件的色度梯度矩阵；
[0013]将所述色度图样本数据分成训练集和测试集；所述色度图样本数据包括所述样本文件及所述色度梯度矩阵；
[0014]结合注意力机制，根据所述训练集对学习模型进行训练，并通过所述测试集验证所述学习模型的预测精度，将预测精度最高的学习模型确定为色度特征提取模型。
[0015]可选地，所述学习模型包括卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、最大池化层及第二卷积层，所述第一卷积层包括水平滤波器和垂直滤波器。
[0016]可选地，所述将所述第一音频文件转换成第一声谱图，具体包括：
[0017]对所述第一音频文件进行分帧加窗得到若干帧音频文件；
[0018]对所述若干帧音频文件分别做快速傅里叶变换得到对应的若干帧频谱信息图；
[0019]将所述若干帧频谱信息图按顺序堆叠得到线性声谱图；
[0020]对所述线性声谱图进行过滤并取对数得到第一声谱图。
[0021]可选地，所述将所述第一声谱图转换成第一色度梯度图，具体包括：
[0022]获取所述第一声谱图中各像素点的色度；
[0023]根据各像素点的色度计算相邻像素点的色度差值，得到第一色度梯度图。
[0024]可选地，所述计算所述第一色度梯度矩阵与所述第二色度梯度矩阵的相似度，具体包括：
[0025]计算所述第一色度梯度矩阵与所述第二色度梯度矩阵的皮尔森相关系数；
[0026]将所述皮尔森相关系数作为所述第一色度梯度矩阵与所述第二色度梯度矩阵的相似度。
[0027]可选地，根据所述相似度确定推荐音乐，具体包括：
[0028]当所述相似度大于或等于预设阈值，将所述待选择音乐确定为推荐音乐；
[0029]当所述相似度小于预设阈值或为负值，将所述待选择音乐确定为放弃音乐。
[0030]第二方面，本专利技术实施例提供了一种基于音频相似度的音乐推荐系统，包括：
[0031]第一获取模块，用于获取历史音乐的第一音频文件；并将所述第一音频文件转换成第一声谱图；
[0032]第一预测模块，用于将所述第一声谱图转换成第一色度梯度图，并将所述第一色度梯度图输入到训练好的色度特征提取模型以获得第一色度梯度矩阵；
[0033]第二获取模块，用于获取待选择音乐的第二音频文件，并将所述第二音频文件转换成第二声谱图；
[0034]第二预测模块，用于将所述第二声谱图转换成第二色度梯度图，并将所述第二色度梯度图输入到训练好的色度特征提取模型以获得第二色度梯度矩阵；
[0035]推荐模块，用于计算所述第一色度梯度矩阵与所述第二色度梯度矩阵的相似度，并根据所述相似度确定推荐音乐。
[0036]第三方面，本专利技术实施例提供了一种基于音频相似度的音乐推荐装置，包括：
[0037]至少一个处理器；
[0038]至少一个存储器，用于存储至少一个程序；
[0039]当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述的方法。
[0040]第四方面，本专利技术实施例提供了一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的方法。
[0041]实施本专利技术实施例包括以下有益效果：本专利技术实施例将历史音乐的第一音频文件转换成第一声谱图，并将第一声谱图通过色度特征提取模型获得第一色度梯度矩阵；将待选择音乐的第二音频文件转换成第二声谱图，并将第二声谱图通过色度特征提取模型获得第二色度梯度矩阵；根据第一色度梯度矩阵与第二色度梯度矩阵的相似度确定推荐音乐；通过从音乐的音频文件中提取色度梯度矩阵，并从色度梯度矩阵中提取显著特征，以此计算音乐的相似度及推荐的音乐，能够根据音乐的本质属性寻找并推荐相似度高的音乐，更
符合用户需求，提高用户体验。
附图说明
[0042]图1是本专利技术实施例提供的一种基于音频相似度的音乐推荐方法的步骤流程示意图；
[0043]图2是本专利技术实施例提供的一种将音频文件转换成声谱图的步骤流程示意图；
[0044]图3是本专利技术实施例提供的一种声谱图示例；
[0045]图4是本专利技术实施例提供的一种基于音频相似度的音乐推荐系统的结构框图；
[0046]图5是本专利技术实施例提供的一种基于音频相似度的音乐推荐装置的结构框图。
具体实施方式
[0047]下面结合附图和具体实施例对本专利技术做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
[0048]如图1所示，本专利技术实施例提供了一种基于音频相似度的音乐推荐方法，其包括的步骤如下所示。
[0049]S100、获取历史音乐的第一音频文件；并将所述第一音频文件转换成第一声谱图。
[0050]需要说明的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于音频相似度的音乐推荐方法，其特征在于，包括：获取历史音乐的第一音频文件；并将所述第一音频文件转换成第一声谱图；将所述第一声谱图转换成第一色度梯度图，并将所述第一色度梯度图输入到训练好的色度特征提取模型以获得第一色度梯度矩阵；获取待选择音乐的第二音频文件，并将所述第二音频文件转换成第二声谱图；将所述第二声谱图转换成第二色度梯度图，并将所述第二色度梯度图输入到训练好的色度特征提取模型以获得第二色度梯度矩阵；计算所述第一色度梯度矩阵与所述第二色度梯度矩阵的相似度，并根据所述相似度确定推荐音乐。2.根据权利要求1所述的方法，其特征在于，所述色度特征提取模型的训练方法如下：获取色度图的样本文件，并标注所述色度图样本文件的色度梯度矩阵；将所述色度图样本数据分成训练集和测试集；所述色度图样本数据包括所述样本文件及所述色度梯度矩阵；结合注意力机制，根据所述训练集对学习模型进行训练，并通过所述测试集验证所述学习模型的预测精度，将预测精度最高的学习模型确定为色度特征提取模型。3.根据权利要求2所述的方法，其特征在于，所述学习模型包括卷积神经网络，所述卷积神经网络包括依次连接的第一卷积层、最大池化层及第二卷积层，所述第一卷积层包括水平滤波器和垂直滤波器。4.根据权利要求1所述的方法，其特征在于，所述将所述第一音频文件转换成第一声谱图，具体包括：对所述第一音频文件进行分帧加窗得到若干帧音频文件；对所述若干帧音频文件分别做快速傅里叶变换得到对应的若干帧频谱信息图；将所述若干帧频谱信息图按顺序堆叠得到线性声谱图；对所述线性声谱图进行过滤并取对数得到第一声谱图。5.根据权利要求1所述的方法，其特征在于，所述将所述第一声谱图转换成第一色度梯度图，具体包括：获取所述第一声谱图中各像素点的色度；根据各像素点的色度计算相邻像素点的色度差值，得到第一...
【专利技术属性】
技术研发人员：朱恩强，刘帅，
申请(专利权)人：广州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。