[发明专利]一种基于用户协同的歌曲推荐方法和系统

说明书

本发明涉及一种基于用户协同的歌曲推荐方法和系统。所述方法包括：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；根据用户相关度模型提取出相关度高的用户，以及根据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；并对歌曲评分进行排序，评分高的歌曲优先进行推荐。本发明实施例中的用户相关度模型，解决了目前用户相关度低的问题，进一步地，对相关度高的用户，且歌曲偏好度高的歌曲进行评分，并且将评分高的歌曲优先进行推荐，解决了目前歌曲数据更新慢的问题。

技术领域

本发明涉及音频技术领域，具体而言，本发明涉及一种基于用户协同的歌曲推荐方法和系统。

背景技术

目前，常用的基于用户协同的歌曲推荐方法，具体为：用户A同时收听了歌曲A和歌曲C，用户B收听了歌曲B，用户C在收听歌曲A、收听歌曲C的同时，又收听了歌曲D。基于用户A和用户C收听的歌曲相似，因此，将用户C收听的歌曲D推荐给用户A。

目前，现有的基于用户协同的歌曲推荐方法，由于用户收听相同歌曲的数据不多，用户收听相同歌曲的数据重合度低。因此，基于用户所收听歌曲的相关度去推荐相应的歌曲的歌曲推荐方法，其可信度并不高。

其次，现有的基于用户协同的歌曲推荐方法，由于不仅用户收听歌曲的数据量很大，而且用户收听相同歌曲的数据重合度低，因此，基于用户喜好的相似度推荐的歌曲的更新速度慢。因此，需要一种新的基于用户协同个歌曲推荐方法，解决用户收听相同歌曲的数据重合度低，基于用户喜好的相似度推荐的歌曲的更新速度慢的问题，使得推荐给用户的歌曲更加符合预期的效果。

发明内容

本发明实施例在于提供一种基于用户协同的歌曲推荐方法和系统，通过用户相关度模型，解决了现有技术中的用户相关度低的问题，进一步地，评分高的歌曲优先进行推荐，解决了现有技术中的歌曲数据更新慢的问题。

第一方面，本发明实施例提供了一种基于用户协同的歌曲推荐方法，所述方法包括：

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。

优选的，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。

优选的，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。

优选的，所述方法还包括：