基于车辆驾驶场景的音乐推荐方法技术

本发明专利技术提供一种基于车辆驾驶场景的音乐推荐方法，包括确定待推荐用户的人格特质信息；根据驾驶信息对车辆驾驶场景进行预分类；确定车辆当前驾驶场景；获取待推荐用户的音乐偏好信息；根据音乐偏好相似用户的音乐偏好信息、人格特质相似用户的人格特质信息、音乐偏好相似用户对各歌曲的偏好信息、人格特质相似用户对各歌曲的偏好信息确定待推荐用户对各歌曲的偏好度；并根据待推荐用户对各歌曲的偏好度构建音乐推荐列表。本方案在确定车辆驾驶场景时充分考虑了驾驶场景对用户心情的影响。而根据驾驶信息对车辆驾驶场景进行预分类可以有效地减少计算量，提高了推荐效率。提高了推荐效率。提高了推荐效率。

【技术实现步骤摘要】
基于车辆驾驶场景的音乐推荐方法


[0001]本专利技术涉及车载音乐推荐方法
，特别涉及一种基于车辆驾驶场景的音乐推荐方法。

技术介绍

[0002]随着大数据分析技术的广泛应用，基于用户兴趣推荐相关内容的功能也逐渐融入消费者的日常生活。其中，音乐推荐功能及相关产品越来越受到消费者的关注和好评。
[0003]现有的音乐推荐功能大都是根据用户的历史收听记录与用户画像分析出该用户会对哪些音乐曲目感兴趣，实现个性化的音乐推荐服务，从而提升用户的产品体验满意度。目前各大音乐产品平台都具有个性化音乐推荐服务，后台的推荐算法也各自不同。大致分为基于音乐内容分析的音乐推荐方法，如虾米音乐，Song Taste音乐网站。基于用户社区行为分析的音乐推荐方法，如网易云音乐。基于用户画像和历史收听列表的音乐推荐方法，如酷狗音乐、QQ音乐。基于音乐评论语境分析与用户偏好分析等数据的音乐推荐方法，如豆瓣电台。虽然各大互联网巨头都在音乐推荐产品上积极部署资源，建立音乐社交圈，撬动背后巨大的潜在商业利润，但是目前的产品都是应用在手机、平板电脑等客户移动端的，因此在推荐音乐的时候并不会考虑用户实时所处的场景信息，即使是考虑场景信息，也需要用户手动输入场景信息。
[0004]事实上，用户所处的场景决定了用户当前时刻的心情，而心情不同，想要听到的音乐也就不同。现有技术中在推荐音乐的时候不考虑用户实时所处的场景信息，会使得推荐结果准确度不高。即使是手动输入场景信息提高了准确度，手动操作也会降低用户的体验感。

技术实现思路

>[0005]本专利技术的目的在于解决现有技术中在推荐音乐的时候不考虑用户实时所处的场景信息，会使得推荐结果准确度不高。即使是手动输入场景信息提高了准确度，手动操作也会降低用户的体验感的问题。
[0006]为解决上述问题，本专利技术的实施方式公开了一种基于车辆驾驶场景的音乐推荐方法，包括以下步骤：
[0007]S1：根据人格评测工具确定待推荐用户的人格特质信息；
[0008]S2：采集车辆的埋点数据，并将埋点数据随机分为训练集和测试集；其中，埋点数据包括驾驶信息和场景信息；
[0009]S3：根据埋点数据的驾驶信息对训练集的数据的驾驶信息进行预分类；
[0010]S4：根据预分类结果以及待推荐用户当前的驾驶信息，确定待推荐用户当前的驾驶场景；
[0011]S5：对待推荐用户当前的驾驶场景对应的场景信息进行相关性分析，以获取待推荐用户的音乐偏好信息；
[0012]S6：根据音乐偏好信息确定与待推荐用户的音乐偏好相近的若干音乐偏好相似用户，并根据人格特质信息确定与待推荐用户的人格特质相近的若干人格特质相似用户；
[0013]S7：根据音乐偏好相似用户的音乐偏好信息、人格特质相似用户的人格特质信息、音乐偏好相似用户对各歌曲的偏好信息、人格特质相似用户对各歌曲的偏好信息确定待推荐用户对各歌曲的偏好度；并根据待推荐用户对各歌曲的偏好度构建音乐推荐列表。
[0014]采用上述方案，根据驾驶信息及场景确定车辆驾驶场景，充分考虑了驾驶场景对用户心情的影响。根据驾驶信息对车辆驾驶场景进行预分类，在后续构建音乐推荐列表时，只需根据预分类结果评估待推荐用户属于哪一类，然后再该类别中根据偏好度和人格特质构建音乐推荐列表，有效地减少了计算量，提高了推荐效率。
[0015]根据本专利技术的另一具体实施方式，本专利技术实施方式公开的基于车辆驾驶场景的音乐推荐方法，其中
[0016]在步骤S1中，人格测评工具包括晴天音乐子人格测评量表；并且
[0017]在步骤S2中，埋点数据的驾驶信息包括行车速度和驾驶行为习惯，埋点数据的场景信息包括天气情况、道路状况、节假日信息和歌曲收听列表；其中驾驶信息为连续型变量，场景信息为离散型变量。
[0018]采用上述方案，根据行车速度和驾驶行为习惯，以及天气情况、道路状况、节假日信息和歌曲收听列表等因素，可以全面地判断用户在当前的驾驶场景下的心情。由此，在后续构建音乐推荐列表时，充分考虑了用户受心情影响的音乐偏好，使得推荐结果更准确。
[0019]根据本专利技术的另一具体实施方式，本专利技术实施方式公开的基于车辆驾驶场景的音乐推荐方法，在步骤S2中，采集车辆的埋点数据包括：
[0020]获得预定时间段内的车辆的平均行车速度，并以该平均行车速度作为行车速度；
[0021]获得预定时间段之前、车辆的百公里行驶状况，并且根据以下公式计算驾驶行为习惯：
[0022][0023]其中，S为驾驶行为习惯；A1为百公里内急加速次数；A2为百公里内急减速次数；W为百公里内急转弯次数；L1为百公里内超速10％及以下次数；L2为百公里内超速10％以上及20％以下次数；L3为百公里内超速20％及以上次数；T为百公里内转向未打转向灯次数。
[0024]采用上述方案，根据百公里内急加速次数、百公里内急减速次数、百公里内急转弯次数等确定驾驶行为习惯，能够准确地对用户的驾驶行为习惯进行判断。提高了推荐结果的准确性。
[0025]根据本专利技术的另一具体实施方式，本专利技术实施方式公开的基于车辆驾驶场景的音乐推荐方法，步骤S3包括：
[0026]S31：根据埋点数据的驾驶信息建立混合高斯模型；
[0027]S32：利用最大期望算法确定混合高斯模型的最大化模型参数；
[0028]S33：利用贝叶斯信息标准对训练集的数据的驾驶信息进行预分类。
[0029]根据本专利技术的另一具体实施方式，本专利技术实施方式公开的基于车辆驾驶场景的音乐推荐方法，步骤S31中，根据埋点数据的驾驶信息建立混合高斯模型时，以驾驶信息为特征列，其中，每一类驾驶场景中每一个待推荐用户的特征列均包括场景信息；
[0030]步骤S32包括：
[0031]S321：将行车速度和驾驶行为习惯作为混合高斯模型的样本数据；
[0032]S322：对混合高斯模型设置初始化模型参数并重复执行S323和S324；
[0033]S323：根据初始化模型参数或上一次迭代的模型参数计算混合高斯模型中隐变量的后验概率；
[0034]S324：根据后验概率计算混合高斯模型的似然函数，并将似然函数最大化以获取新的模型参数；
[0035]S325：当新的模型参数与迭代的模型参数的差值小于预设参数阈值时，停止迭代，并将停止迭代时的新的模型参数作为使似然函数最大化的最大化模型参数；
[0036]步骤S33中，根据以下公式对车辆驾驶场景进行预分类：
[0037]BIC＝kln(m)-2ln(L)
[0038]其中，BIC为车辆驾驶场景数量；k为最大化模型参数个数；m为样本数量；L为似然函数。
[0039]根据本专利技术的另一具体实施方式，本专利技术实施方式公开的基于车辆驾驶场景的音乐推荐方法，混合高斯模型中隐变量的后验概率的最大值对应的驾驶场景的类别即为待推荐用户当前的驾驶场景。
[0040]根据本专利技术的另一具体实施方式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车辆驾驶场景的音乐推荐方法，其特征在于，包括以下步骤：S1：根据人格评测工具确定待推荐用户的人格特质信息；S2：采集车辆的埋点数据，并将所述埋点数据随机分为训练集和测试集；其中，所述埋点数据包括驾驶信息和场景信息；S3：根据所述埋点数据的所述驾驶信息对所述训练集的数据的所述驾驶信息进行预分类；S4：根据预分类结果以及所述待推荐用户当前的驾驶信息，确定待推荐用户当前的驾驶场景；S5：对所述待推荐用户当前的驾驶场景对应的所述场景信息进行相关性分析，以获取所述待推荐用户的音乐偏好信息；S6：根据所述音乐偏好信息确定与所述待推荐用户的音乐偏好相近的若干音乐偏好相似用户，并根据所述人格特质信息确定与所述待推荐用户的人格特质相近的若干人格特质相似用户；S7：根据所述音乐偏好相似用户的音乐偏好信息、所述人格特质相似用户的人格特质信息、所述音乐偏好相似用户对各歌曲的偏好信息、所述人格特质相似用户对各歌曲的偏好信息确定所述待推荐用户对各歌曲的偏好度；并根据所述待推荐用户对各歌曲的偏好度构建音乐推荐列表。2.如权利要求1所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，其中在所述步骤S1中，所述人格测评工具包括晴天音乐子人格测评量表；并且在所述步骤S2中，所述埋点数据的所述驾驶信息包括行车速度和驾驶行为习惯，所述埋点数据的所述场景信息包括天气情况、道路状况、节假日信息和歌曲收听列表；其中所述驾驶信息为连续型变量，所述场景信息为离散型变量。3.如权利要求2所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，在所述步骤S2中，所述采集车辆的埋点数据包括：获得预定时间段内的所述车辆的平均行车速度，并以该平均行车速度作为所述行车速度；获得所述预定时间段之前、所述车辆的百公里行驶状况，并且根据以下公式计算所述驾驶行为习惯：其中，S为驾驶行为习惯；A1为百公里内急加速次数；A2为百公里内急减速次数；W为百公里内急转弯次数；L1为百公里内超速10％及以下次数；L2为百公里内超速10％以上及20％以下次数；L3为百公里内超速20％及以上次数；T为百公里内转向未打转向灯次数。4.如权利要求3所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，步骤S3包括：S31：根据所述埋点数据的所述驾驶信息建立混合高斯模型；S32：利用最大期望算法确定所述混合高斯模型的最大化模型参数；S33：利用贝叶斯信息标准对所述训练集的数据的所述驾驶信息进行预分类。5.如权利要求4所述的基于车辆驾驶场景的音乐推荐方法，其特征在于，步骤S31中，根据所述埋点数据的所述驾驶信息建立混合高斯模型时，以所述驾驶信息为特征列，其中，每
一类所述驾驶场景中每一个待推荐用户的特征列均包括所述场景信息；步骤S32包括：S321：将所述行车速度和所述驾驶行为习惯作为所述混合高斯模型的样本数据；S322：对所述混合高斯模型设置初始化模型参数并重复执行S323和S324；S323：根据初始化模型参数或上一次迭代的模型参数计算所述混合高斯模型中隐变量的后验概率；S324：根据所述后验概率计算所述混合高斯模型的似然函数，并将所述似然函数最大化以获取新的模型参数；S325：当所述新的模型参数与所述迭代的模型参数的差值小于预设参数阈...

【专利技术属性】
技术研发人员：苗晓婷，蔡如意，
申请(专利权)人：上海汽车集团股份有限公司，
类型：发明
国别省市：