[发明专利]一种个性化音乐推荐方法及系统

权利要求书

1.一种个性化音乐推荐方法，应用于音乐推荐服务器中，其特征在于，包括如下步骤：

步骤1，音乐推荐服务器根据用户终端针对歌曲的操作生成用户行为数据，该用户行为数据包括操作时间标签、操作次数标签和歌曲标签；

步骤2，对该用户行为数据进行聚类计算，得到多个结果标签；

步骤3，对该用户行为数据的操作次数依据其所处时段进行加权处理，越临近当前时刻的时段权重越高；

步骤4，针对加权处理后的该用户行为数据进行归一化处理；

步骤5，对该多个结果标签进行排列组合，将该归一化后的用户行为数据依次与每种排列组合进行多维相似度计算，根据该计算结果得到用户口味，并从用户口味中选取用户口味模型；

步骤6，音乐推荐服务器根据该用户口味模型，为用户终端推荐歌曲。

2.如权利要求1所述的方法，其特征在于，该操作次数标签包括正向操作的次数以及反向操作的次数。

3.如权利要求1所述的方法，其特征在于，步骤3的加权处理包括：操作次数*时段权重系数，或者，操作次数*时段权重系数²。

4.如权利要求1所述的方法，其特征在于，步骤2、3之间还包括步骤21，根据预定规则对该用户行为数据进行删除。

5.如权利要求4所述的方法，其特征在于，该预定规则包括：对于用户终端针对歌曲的操作方式为播放，且操作次数少于预定次数的歌曲，删除该歌曲对应的用户行为数据，或者，对应该结果标签的歌曲数量少于预定数量，删除对应该结果标签的用户行为数据，或者，当该结果标签中的一个与其他结果标签的相似度小于预定值时，删除对应该结果标签的用户行为数据。

6.如权利要求1所述的方法，其特征在于，步骤5中根据该计算结果得到用户口味的步骤进一步包括：

对于相似度计算结果超过预定值的排列组合，视为用户口味；或者，

对于相似度计算结果未超过预定值的排列组合，计算不同排列组合在同一维度下的不同结果标签之间的相似度，对于相似度大于预定值的结果标签进行合并，合并后的结果标签执行该步骤5，如多维相似度计算结果超过预定值，将该合并后的结果标签所在的排列组合视为用户口味。

7.如权利要求1或6所述的方法，其特征在于，该步骤5的从该用户口味中选取用户口味模型的步骤进一步包括：

判断对应一该用户口味的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该用户口味视为用户口味模型；或者

依次判断对应该用户口味中同一维度标签的每种结果标签对应的歌曲数占总歌曲数的比例是否超过一预定值，如果是，该结果标签视为用户口味模型；或者

对于全部m个用户口味，进一步对每个该用户口味依照其对应的歌曲数进行排序，排序的前n个用户口味所对应的歌曲总数占总歌曲数的比例为c，当c/(n/m)＞4时，前n个用户口味视为用户口味模型；或者

将全部用户口味直接视为用户口味模型。

8.如权利要求1所述的方法，其特征在于，该相似度计算采用余弦相似度算法或用户协同过滤算法，该聚类算法也采用余弦相似度算法。

9.如权利要求1所述的方法，其特征在于，步骤2之后还包括，每隔第一预定时间，循环执行步骤2-5，该步骤2包括对当前已生成的全部用户行为数据进行聚类计算。

10.如权利要求9所述的方法，其特征在于，步骤5、6之间进一步包括，每隔第二预定时间，第二预定时间大于等于第一预定时间，循环执行以下步骤：

针对该用户行为数据，计算各维度的标签的聚集比例，根据该聚集比例调整该维度的标签在计算相似度时的权重，聚集比例越高，权重值越高；

根据历史用户行为数据或用户终端针对音乐推荐服务器推荐的歌曲的反馈操作，依照预定规则调整该用户口味模型。

11.如权利要求10所述的方法，其特征在于，该根据该聚集比例调整该维度的标签在计算相似度时的权重的步骤进一步包括：

该权重为：聚集比例/0.2。