一种车载音乐推荐方法技术

本发明专利技术公开了一种车载音乐推荐方法

【技术实现步骤摘要】
一种车载音乐推荐方法、装置及计算机存储介质


[0001]本专利技术涉及数据推荐领域，特别是涉及一种车载音乐推荐方法
、
装置及计算机存储介质
。

技术介绍

[0002]在物联网时代，车联网场景下的音乐推荐服务是一个待开发的巨大的流量市场，根据艾瑞咨询统计研究数据显示：
80
％以上的用户在行车过程中会收听广播，其中有
40
％以上的用户收听的是音乐，因此在行车过程中如何更好的针对每一位用户进行个性化音乐数据推荐是提高用户智能座舱体验的关键
。
相关技术中，座舱内部的音乐推荐系统和传统互联网上的音乐推荐模式有很大的不同，主流的基于智能座舱下的个性化音乐推荐方式有三种：第一种是车机系统直接使用第三方的音乐推荐服务，日志系统不保存；第二种是车机厂自建个性化音乐推荐系统，其中包含自建音乐源
、
推荐算法的训练
、
部署和音乐的转化等；第三种是自研和第三方相结合的方式进行联合开发，但当前由于车企数据不对外开放，导致服务提供商缺乏获得用户画像数据的方法或者工具
。
随着用户在智能座舱场景下与音乐推荐系统交互数据的累积，传统的基于单一客户端和被动式音乐交互已经无法满足用户在车机和手机之间无缝体验个性化音乐的需求，个性化音乐推荐作为智能座舱场景下提升用户感知体验的重要一步，如何更好地进行个性化和主动式的音乐推荐是目前亟待解决的问题
。

技术实现思路

[0003]本专利技术的目的在于提供一种车载音乐推荐方法
、
装置及计算机存储介质，可联动用户和驾驶场景的交互，实现音乐个性化推荐，为用户提供更好的车载音乐体验，缓解音乐推荐的冷启动问题
。
[0004]为达到上述目的，本专利技术的技术方案是这样实现的：
[0005]第一方面，本专利技术实施例提供了一种车载音乐推荐方法，所述车载音乐推荐方法包括：
[0006]获取用户交互信息以及驾驶场景信息；
[0007]根据所述用户交互信息以及所述驾驶场景信息，获取预设音乐数据库中的候选音乐排序；
[0008]根据所述候选音乐排序，向用户推荐音乐
。
[0009]作为其中一种实施方式，所述根据所述用户交互信息以及所述驾驶场景信息，获取预设音乐数据库中的候选音乐排序，包括：
[0010]根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型；
[0011]基于所述深度学习特征交叉模型，根据
Sigmoid
函数获取音乐推荐指数；
[0012]根据所述音乐推荐指数，获取所述预设音乐数据库中的候选音乐排序
。
[0013]作为其中一种实施方式，所述根据所述用户交互信息以及所述驾驶场景信息，构
建深度学习特征交叉模型，包括：
[0014]对所述用户交互信息进行数据拼接，所述用户交互信息至少包括用户个人信息
、
用户交互数据和相关音乐信息；
[0015]对拼接后的用户交互信息进行数据特征划分和编码；
[0016]通过关键词抽取和文本分类，获取所述相关音乐信息的标签
。
[0017]作为其中一种实施方式，所述根据所述通过关键词抽取和文本分类，获取所述相关音乐信息的标签之后，包括：
[0018]根据所述用户交互信息，对所述相关音乐信息进行数据标注
。
[0019]作为其中一种实施方式，所述根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型，还包括：
[0020]获取用户使用音乐推荐功能的频次的平均值；
[0021]根据所述平均值及预设数据去除比例，去除相对应的用户历史交互信息
。
[0022]作为其中一种实施方式，所述根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型，还包括：
[0023]基于
10
折交叉验证方法，通过交叉熵损失
、AUC、GAUC
和融合指标
F
‑
AUC
对所述深度学习特征交叉模型进行有效性验证
。
[0024]作为其中一种实施方式，所述基于所述深度学习特征交叉模型，根据
Sigmoid
函数获取音乐推荐指数，包括：
[0025]根据以下公式计算所述音乐推荐指数：
[0026][0027]其中，表示音乐推荐指数
(
也即深度学习特征交叉模型数据抽取器加和回归结果
)
，
y
FM
表示使用
FM
层进行特征抽取和深度学习特征交叉模型回归输出的结果，
y
DNN
表示使用
DNN
层进行特征抽取和深度学习特征交叉模型回归输出的结果，
y
Attention
表示使用
Multi
‑
Head Self
‑
Attention
层进行特征抽取和深度学习特征交叉模型回归输出的结果
。
[0028]作为其中一种实施方式，所述基于所述深度学习特征交叉模型，根据
Sigmoid
函数获取音乐推荐指数，包括：
[0029]根据以下公式计算
y
FM
：
[0030][0031]其中，
w0表示深度学习特征交叉模型的偏差常数，
w
i
表示第
i
个参数的偏差常数，
n
表示样本的特征数量，
v
i
表示第
i
个样本的隐向量的特征值，
v
j
表示第
j
个样本的隐向量的特征值，
x
i
表示第
i
个样本的特征值，
x
j
表示第
j
个样本的特征值
。
[0032]第二方面，本专利技术实施例提供了一种车载音乐推荐装置，包括存储器
、
处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述车载音乐推荐方法的步骤
。
[0033]第三方面，本专利技术实施例提供了一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述车载音乐推荐方法
的步骤
。
[0034]本专利技术实施例提供的一种车载音乐推荐方法
、
装置及计算机存储介质，所述车载音乐推荐方法包括：获取用户交互信息以及驾驶场景信息；根据所述用户交互信息以及所述驾驶场景信息，获取预设音乐数据库中的候选音乐排序；根据所述候选音乐排序，向用户推荐音乐
。
如此，通过获取用户交互信息以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种车载音乐推荐方法，其特征在于，所述车载音乐推荐方法包括：获取用户交互信息以及驾驶场景信息；根据所述用户交互信息以及所述驾驶场景信息，获取预设音乐数据库中的候选音乐排序；根据所述候选音乐排序，向用户推荐音乐
。2.
根据权利要求1所述的车载音乐推荐方法，其特征在于，所述根据所述用户交互信息以及所述驾驶场景信息，获取预设音乐数据库中的候选音乐排序，包括：根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型；基于所述深度学习特征交叉模型，根据
Sigmoid
函数获取音乐推荐指数；根据所述音乐推荐指数，获取所述预设音乐数据库中的候选音乐排序
。3.
根据权利要求2所述的车载音乐推荐方法，其特征在于，所述根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型，包括：对所述用户交互信息进行数据拼接，所述用户交互信息至少包括用户个人信息
、
用户交互数据和相关音乐信息；对拼接后的用户交互信息进行数据特征划分和编码；通过关键词抽取和文本分类，获取所述相关音乐信息的标签
。4.
根据权利要求3所述的车载音乐推荐方法，其特征在于，所述根据所述通过关键词抽取和文本分类，获取所述相关音乐信息的标签之后，包括：根据所述用户交互信息，对所述相关音乐信息进行数据标注
。5.
根据权利要求2所述的车载音乐推荐方法，其特征在于，所述根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型，还包括：获取用户使用音乐推荐功能的频次的平均值；根据所述平均值及预设数据去除比例，去除相对应的用户历史交互信息
。6.
根据权利要求2所述的车载音乐推荐方法，其特征在于，所述根据所述用户交互信息以及所述驾驶场景信息，构建深度学习特征交叉模型，还包括：基于
10
折交叉验证方法，通过交叉熵损失
、AUC、GAUC
和融合指标
F
‑
AUC
对所述深度学习特征交叉模型进行有效性验证
。7.
根据权利要求2所述的车载音乐推荐方法，其特征在于，所述基于所述深度学习特征交叉模型，根据
Sigmo...

【专利技术属性】
技术研发人员：张振，
申请(专利权)人：武汉路特斯汽车有限公司，
类型：发明
国别省市：