[发明专利]一种基于微博情绪上下文的音乐推荐方法

说明书

本发明是一种在音乐推荐中结合用户情感状态来提高音乐推荐效果的方法，包括以下步骤：基于情感词典的情绪上下文的提取和建模；包含情绪上下文的音乐记录的构建；基于用户情绪上下文的音乐推荐。本发明的方法主要是利用用户在微博上发布的微博数据，包括普通微博和音乐分享微博，并以此来获取用户在不同情感状态下的音乐需求和偏好，在推荐的时候考虑用户当前的情感状态以及在该状态下的音乐偏好，从而能够让推荐的音乐更贴近用户在当前情感状态的偏好。

技术领域

本发明涉及情感挖掘与推荐系统领域，主要是设计一种基于微博情绪上下文的音乐推荐方法。

背景技术

情感挖掘是通过一些方法获取特定用户的情感状态，最为直观的方法是通过一些心跳、脉搏、体温等传感器获取用户的各项生理数据指标，从而判断用户当前所处的情感状态，不过这种方法的实现复杂，不具有普适性。另外一种比较常见的方式是通过文本分析的方法来处理用户产生的数据(包括微博、博客等)来获取用户当前的情感状态，由于用户所发布的这些信息往往都显示或隐式的蕴含着用户的情感状态，而且现在移动互联网的流行更加方便了这种方式获取用户数据的渠道。类似的方法在舆论分析等领域应用较为广泛。

随着互联网应用的发展，推荐系统也越来越受到大家的关注，并且在工业界以及学术界都取得了巨大的成功。传统单一维度的推荐系统已经不能满足用户个性化的需求，而上下文相关的推荐系统不仅能够较好的帮助用户解决信息过载的问题，而且能够更加充分的挖掘用户的随时间、环境等上下文而变化的特定需求。然而在基于上下文推荐系统的设计中，对用户上下文(尤其是情感上下文)的提取、建模以及与推荐系统的结合的策略较少且不够成熟，因此已有推荐系统算法均没有结合情感上下文信息。但是在很多场景下，用户的情感状态往往会主导用户的需求，例如听音乐、看书、看电影等等。

发明内容

针对传统音乐推荐系统的缺点，本发明提出了一种在音乐推荐算法中加入用户情感上下文的方法，具体包括如下的内容：

一种基于微博情绪上下文的音乐推荐方法，包括以下步骤：

10.基于情感词典的情绪上下文的提取和建模；

20.包含情绪上下文的音乐记录的构建；

30.基于用户情绪上下文的音乐推荐。

进一步的，步骤10包括：

101.利用已有情感词典、同义词词典、微博词汇构建一个多粒度情感词典，所述多粒度情感词典包含有三种情绪粒度，分别为2分类，包括积极、消极；7分类，包括乐、好、哀、惊、惧、怒、恶；19分类，包括快乐、安心、喜爱、相信、赞扬、祝愿、悲伤、失望、内疚、思念、惊奇、慌、恐惧、羞、愤怒、贬责、烦闷、怀疑、憎恶；

102.采用分词系统将用户微博数据转化为中文单词序列，并利用词袋模型来表示微博；

103.根据101中所构建的情感词典和微博中的情感词汇的出现频率，将微博表示为情感向量，此处可根据对效率和准确度的要求选择不同粒度的情感词典，从而获得合适的情感向量；具体的，根据细粒度情感词典获得的情绪向量更准确，而利用粗粒度情感词典的效率更高。

104.把用户在时间点t之前一段时间内的所有微博的情感向量相加，并归一化，作为用户在时间t的情绪上下文向量。

进一步的，步骤20包括：

201.从用户的音乐分享微博中获取用户的音乐收听记录，所述音乐收听记录包括时间；

202.利用用户的微博获取音乐收听记录对应的情绪上下文向量，最终得到所有用户的“用户-音乐-情绪上下文向量”的记录。

进一步的，步骤30包括：

301.根据用户的“用户-音乐-情绪上下文向量”的记录计算用户之间的相似度，其计算公式为：