[发明专利]一种基于用户协同的歌曲推荐方法和系统

权利要求书

1.一种基于用户协同的歌曲推荐方法，其特征在于，包括：

通过对不同用户收听歌曲的列表数据进行模型训练，得到相应的用户相关度模型；

根据用户的听歌行为信息以及听歌来源信息，得到相应的用户听歌偏好模型；

根据所述用户相关度模型提取出相关度高的用户，以及根据所述用户听歌偏好模型推选出的歌曲偏好度高的歌曲；

对相关度高的用户，且歌曲偏好度高的歌曲进行评分，得到相应的歌曲评分；并对得到的歌曲评分进行排序，评分高的歌曲优先进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述通过对不同用户收听歌曲的列表数据进行模型训练，得到相应的用户相关度模型具体包括：

基于深度学习模型，通过对不同用户收听歌曲的列表数据进行模型训练，得到用户收听歌曲的文档向量和每首歌曲的词向量；

基于余弦距离，对不同用户收听歌曲的文档向量计算余弦距离，得到相应的用户相关度；

汇总用户相关度数据，并对用户相关度数据进行修正，以得到相应的用户相关度模型。

3.根据权利要求2所述的方法，其特征在于，所述基于余弦距离，对不同用户收听歌曲的文档向量计算余弦距离，得到相应的用户相关度具体包括：

从不同用户收听歌曲的文档向量中提取出待计算余弦距离的两个用户收听歌曲的文档向量；

基于余弦距离，计算两个用户收听歌曲的文档向量夹角的余弦值；

若两个用户收听歌曲的文档向量夹角的余弦值接近于1，则得到两个用户收听的歌曲相关度高，若两个用户收听歌曲的文档向量夹角的余弦值越小，则得到两个用户收听的歌曲相关度越低。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取不同用户收听歌曲的更新列表数据中的更新数据，其中，所述更新数据具体包括如下至少一种更新数据：

新用户的收听歌曲的更新列表数据；根据新用户收听歌曲的文档向量与当前用户所选择的某一区间的收听歌曲的文档向量夹角的余弦值以获取到的用户相关度数据。

5.根据权利要求4所述的方法，其特征在于，所述根据用户的听歌行为信息以及听歌来源信息，得到相应的用户听歌偏好模型具体包括：

提取预定时间内的用户播放歌曲的日志，以获取到相应的用户听歌行为信息；

解析用户听歌行为信息中的用户听歌行为，并根据用户听歌行为的权重值和听歌来源的权重值，统计出预定时间内的用户所听歌曲的最初评分；

基于时间衰减计算公式，对所述所听歌曲的最初评分进行处理，得到相应的时间衰减后的歌曲评分；

基于歌曲的播歌量，对所述时间衰减后的歌曲评分进行热度降权，得到相应的歌曲偏好度；

汇总相应的歌曲偏好度数据，并对歌曲偏好度数据进行修正，以得到相应的用户听歌偏好度模型。

6.根据权利要求5所述的方法，其特征在于，计算用户所听歌曲的最初评分的公式具体为：

score＝listen*weight，其中，score为用户所听歌曲的最初评分，listen为根据判断歌曲是否完整收听所得到的得分，weight为不同的听歌的来源所对应的不同的权重值。

7.根据权利要求5所述的方法，其特征在于，得到相应的时间衰减后的歌曲评分的时间衰减计算公式具体为：

Score＝Snow+Shistory*decay_factor，其中，score为对所述最初评分进行时间衰减处理所得到的时间衰减后的歌曲评分，Snow为根据判断预定时间是否收听歌曲所得到的得分，Shistory为所听歌曲的历史评分，decay_factor为衰减因子。

8.根据权利要求5所述的方法，其特征在于，计算歌曲偏好度的计算公式具体为：

其中，preference为歌曲偏好度，score为对所述最初评分进行时间衰减处理所得到的时间衰减后的歌曲评分，CNT为歌曲的播歌量，A为歌曲热度，A为log₂₀(CNT+20)。