一种智能制造技术

本发明专利技术涉及一种智能

【技术实现步骤摘要】
一种智能K歌系统的歌曲推荐方法、系统及存储介质


[0001]本专利技术涉及歌曲推荐
，尤其涉及一种智能
K
歌系统的歌曲推荐方法
、
系统及存储介质
。

技术介绍

[0002]在歌曲演唱的应用场景下，将歌曲正确地演绎对于演唱者来说是最重要的
。
据调查结果显示，大多数演唱者不能正确演绎歌曲的最主要原因是因为所选演唱曲目对于演唱者自身能力来说音太高或太低，从而导致“高音上不去，低音下不来”。
因此需要一种音乐推荐方法帮助用户选择适合其音域范围的歌曲进而避免该类情况的发生
。
然而，已有的音乐推荐方法并不能为用户解决这一问题
。
其次，在获取用户的音域范围时存在偏差，导致了智能
K
歌系统的推荐精度下降
。

技术实现思路

[0003]本专利技术克服了现有技术的不足，提供了一种智能
K
歌系统的歌曲推荐方法
、
系统及存储介质
。
[0004]为达上述目的，本专利技术采用的技术方案为：本专利技术第一方面提供了一种智能
K
歌系统的歌曲推荐方法，包括以下步骤：获取用户的歌唱训练语音数据信息，并基于用户的歌唱训练语音数据信息生成用户擅长的音域信息以及用户不擅长的音域信息；根据用户擅长的音域信息以及用户不擅长的音域信息构建基于时间序列的音域特征数据，通过对基于时间序列的音域特征数据进行学习，更新用户擅长的音域信息以及用户不擅长的音域信息；根据用户擅长的音域信息进行初始化检索，获取初次检索后的歌曲数据，并基于用户不擅长的音域信息对初次检索后的歌曲数据进行二次处理，获取二次处理后的歌曲数据；获取用户的歌曲需求数据，并根据用户的歌曲需求数据以及二次处理后的歌曲数据生成智能
K
歌系统的歌曲推荐信息
。
[0005]进一步的，在本方法中，获取用户的歌唱训练语音数据信息，并基于用户的歌唱训练语音数据信息生成用户擅长的音域信息以及用户不擅长的音域信息，具体包括：获取用户的歌唱训练歌曲信息，并通过对用户的歌唱训练歌曲信息进行分解，生成若干个子片段的语音数据，并通过对子片段的语音数据进行音域分析，获取每个子片段的第一音域分析数据；通过配置歌唱训练场景，并根据用户的歌唱训练歌曲信息以及歌唱训练场景获取用户的歌唱训练语音数据信息，将用户的歌唱训练语音数据信息进行分析，生成若干个子片段的第二音域分析数据；预设偏差率阈值，将第一音域分析数据以及第二音域分析数据进行同一歌曲进度
位置的数据进行对比，得到偏差率，并判断偏差率是否大于偏差阈值；当偏差率大于偏差阈值时，则将偏差率大于偏差阈值对应的音域信息作为用户不擅长的音域信息，当偏差率不大于偏差阈值时，则将偏差率不大于偏差阈值对应的音域信息作为用户擅长的音域信息
。
[0006]进一步的，在本方法中，根据用户擅长的音域信息以及用户不擅长的音域信息构建基于时间序列的音域特征数据，包括以下步骤：构建时间戳，并引入图神经网络，初始化第一图节点以及第二图节点，并将第一图节点作为用户擅长类别的图节点，第二图节点作为用户不擅长类别的图节点；将用户擅长的音域信息以及用户不擅长的音域信息构建若干个第三图节点，构建有向边描述，使得用户擅长的音域信息对应的第三图节点指向第一图节点，构建第一拓扑结构图，并融合时间戳以及每个时刻的第一拓扑结构图生成基于时间序列的用户擅长的音域特征数据；根据有向边描述，使得用户不擅长的音域信息对应的第三图节点指向第二图节点，构建第二拓扑结构图，并融合时间戳以及每个时刻的第二拓扑结构图生成基于时间序列的用户不擅长的音域特征数据；根据基于时间序列的用户擅长的音域特征数据以及基于时间序列的用户不擅长的音域特征数据生成基于时间序列的音域特征数据；进一步的，在本方法中，通过对基于时间序列的音域特征数据进行学习，更新用户擅长的音域信息以及用户不擅长的音域信息，具体包括：基于
LSTM
构建用户音域偏好识别模型，融合局部离群检测算法，并通过局部离群检测算法对在预设时间之内的基于时间序列的音域特征数据进行音域特征离群检测，获取每个音域特征的离群检测值；预设离群检测阈值，当音域特征的离群检测值大于离群检测阈值时，将音域特征的离群检测值大于离群检测阈值的音域特征从基于时间序列的音域特征数据中剔除，获取剔除后的基于时间序列的音域特征数据；将剔除后的基于时间序列的音域特征数据输入到用户音域偏好识别模型中进行编码学习，获取训练完成的用户音域偏好识别模型；通过训练完成的用户音域偏好识别模型获取用户擅长的音域信息以及用户不擅长的音域信息，并定期更新用户擅长的音域信息以及用户不擅长的音域信息
。
[0007]进一步的，在本方法中，根据用户擅长的音域信息进行初始化检索，获取初次检索后的歌曲数据，并基于用户不擅长的音域信息对初次检索后的歌曲数据进行二次处理，获取二次处理后的歌曲数据，具体包括：根据用户擅长的音域信息进行初始化检索，获取初始化后检索的歌曲数据，并引入决策树模型，根据用户不擅长的音域信息构建分裂标准；基于初始化后检索的歌曲数据作为根节点，根据分裂标准对根节点进行初始化分裂，生成新的叶节点；当新的叶节点中的歌曲数据不再出现用户不擅长的音域信息的歌曲数据时，分裂结束，生成最终的叶节点，通过最终的叶节点获取用户擅长的音域信息对应的歌曲数据集；根据用户擅长的音域信息对应的歌曲数据集生成二次处理后的歌曲数据，并将二
次处理后的歌曲数据输出
。
[0008]进一步的，在本方法中，获取用户的歌曲需求数据，并根据用户的歌曲需求数据以及二次处理后的歌曲数据生成智能
K
歌系统的歌曲推荐信息，具体包括：获取用户的歌曲需求数据，并通过对用户的歌曲需求数据进行特征提取，获取用户需求的歌曲特征数据，根据用户需求的歌曲特征数据构建特征序列；获取二次处理后的歌曲数据的歌曲描述特征信息，当二次处理后的歌曲数据的歌曲描述特征信息均符合特征序列中的歌曲特征数据时，将对应的二次处理后的歌曲数据作为歌曲推荐项目；获取歌曲推荐项目的历史歌唱评价信息，根据歌曲推荐项目的历史歌唱评价信息获取歌曲每个片段的歌唱评价难易度信息；当歌唱评价难易度信息大于预设歌唱评价难易度时，将对应的歌唱片段生成智能
K
歌系统的歌曲推荐信息，并按照预设方式进行显示
。
[0009]本专利技术第二方面提供了一种智能
K
歌系统的歌曲推荐系统，系统包括存储器以及处理器，存储器中包括智能
K
歌系统的歌曲推荐方法程序，智能
K
歌系统的歌曲推荐方法程序被处理器执行时，实现如下步骤：获取用户的歌唱训练语音数据信息，并基于用户的歌唱训练语音数据信息生成用户擅长的音域信息以及用户不擅长的音域信息；根据用户擅长的音域信息以及用户不擅长的音域信息构建基于时间序列的音域特征数据，通过对基于时间序列的音域特征数据进行学习，更新用户擅长的音域信息以及用户不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种智能
K
歌系统的歌曲推荐方法，其特征在于，包括以下步骤：获取用户的歌唱训练语音数据信息，并基于所述用户的歌唱训练语音数据信息生成用户擅长的音域信息以及用户不擅长的音域信息；根据所述用户擅长的音域信息以及用户不擅长的音域信息构建基于时间序列的音域特征数据，通过对所述基于时间序列的音域特征数据进行学习，更新用户擅长的音域信息以及用户不擅长的音域信息；根据所述用户擅长的音域信息进行初始化检索，获取初次检索后的歌曲数据，并基于所述用户不擅长的音域信息对初次检索后的歌曲数据进行二次处理，获取二次处理后的歌曲数据；获取用户的歌曲需求数据，并根据所述用户的歌曲需求数据以及二次处理后的歌曲数据生成智能
K
歌系统的歌曲推荐信息
。2.
根据权利要求1所述的一种智能
K
歌系统的歌曲推荐方法，其特征在于，获取用户的歌唱训练语音数据信息，并基于所述用户的歌唱训练语音数据信息生成用户擅长的音域信息以及用户不擅长的音域信息，具体包括：获取用户的歌唱训练歌曲信息，并通过对所述用户的歌唱训练歌曲信息进行分解，生成若干个子片段的语音数据，并通过对所述子片段的语音数据进行音域分析，获取每个子片段的第一音域分析数据；通过配置歌唱训练场景，并根据所述用户的歌唱训练歌曲信息以及歌唱训练场景获取用户的歌唱训练语音数据信息，将所述用户的歌唱训练语音数据信息进行分析，生成若干个子片段的第二音域分析数据；预设偏差率阈值，将所述第一音域分析数据以及第二音域分析数据进行同一歌曲进度位置的数据进行对比，得到偏差率，并判断所述偏差率是否大于所述偏差率阈值；当所述偏差率大于所述偏差率阈值时，则将所述偏差率大于所述偏差率阈值对应的音域信息作为用户不擅长的音域信息，当所述偏差率不大于所述偏差率阈值时，则将所述偏差率不大于所述偏差率阈值对应的音域信息作为用户擅长的音域信息
。3.
根据权利要求1所述的一种智能
K
歌系统的歌曲推荐方法，其特征在于，根据所述用户擅长的音域信息以及用户不擅长的音域信息构建基于时间序列的音域特征数据，包括以下步骤：构建时间戳，并引入图神经网络，初始化第一图节点以及第二图节点，并将所述第一图节点作为用户擅长类别的图节点，第二图节点作为用户不擅长类别的图节点；将所述用户擅长的音域信息以及用户不擅长的音域信息构建若干个第三图节点，构建有向边描述，使得用户擅长的音域信息对应的第三图节点指向第一图节点，构建第一拓扑结构图，并融合所述时间戳以及每个时刻的第一拓扑结构图生成基于时间序列的用户擅长的音域特征数据；根据所述有向边描述，使得用户不擅长的音域信息对应的第三图节点指向第二图节点，构建第二拓扑结构图，并融合所述时间戳以及每个时刻的第二拓扑结构图生成基于时间序列的用户不擅长的音域特征数据；根据所述基于时间序列的用户擅长的音域特征数据以及基于时间序列的用户不擅长的音域特征数据生成基于时间序列的音域特征数据
。
4.
根据权利要求1所述的一种智能
K
歌系统的歌曲推荐方法，其特征在于，通过对所述基于时间序列的音域特征数据进行学习，更新用户擅长的音域信息以及用户不擅长的音域信息，具体包括：基于
LSTM
构建用户音域偏好识别模型，融合局部离群检测算法，并通过局部离群检测算法对在预设时间之内的所述基于时间序列的音域特征数据进行音域特征离群检测，获取每个音域特征的离群检测值；预设离群检测阈值，当所述音域特征的离群检测值大于所述离群检测阈值时，将所述音域特征的离群检测值大于所述离群检测阈值的音域特征从基于时间序列的音域特征数据中剔除，获取剔除后的基于时间序列的音域特征数据；将所述剔除后的基于时间序列的音域特征数据输入到所述用户音域偏好识别模型中进行编码学习，获取训练完成的用户音域偏好识别模型；通过所述训练完成的用户音域偏好识别模型获取用户擅长的音域信息以及用户不擅长的音域信息，并定期更新用户擅长的音域信息以及用户不擅长的音域信息
。5.
根据权利要求1所述的一种智能
K
歌系统的歌曲推荐方法，其特征在于，根据所述用户擅长的音域信息进行初始化检索，获取初次检索后的歌曲数据，并基于所述用户不擅长的音域信息对初次检索后的歌曲数据进行二次处理，获取二次处理后的歌曲数据，具体包括：根据所述用户擅长的音域信息进行初始化检索，获取初始化后检索的歌曲数据，并引入决策树模型，根据所述用户不擅长的音域信息构建分裂标准；基于所述初始化后检索的歌曲数据作为根节点，根据所述分裂标准对所述根节点进行初始化分裂，生成新的叶节点；当所述新的叶节点中的歌曲数据不再出现用户不擅长的音域信息的歌曲数据时，分裂结束，生成最终的叶节点，通过所述最终的叶节点获取...

【专利技术属性】
技术研发人员：赵鑫，隋阳，岳平安，
申请(专利权)人：深圳市致尚信息技术有限公司，
类型：发明
国别省市：