欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019103415131
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于特征递增的混合型个性化音乐推荐方法,其特征在于,包括如下步骤:

步骤一、数据收集与预处理:收集歌曲的歌词以及评论文本、用户的听歌记录和用户关注关系数据,并进行预处理;

步骤二、文本分词:使用词法分析工具对歌词L和评论C文本进行分词,得到词语表示的文本;

步骤三、音乐情感矩阵构建:首先用情感词典对分词后的歌词L和评论C文本进行情感词匹配,找到情感词;再根据情感词在四个情感维度上对应的情感值,构建四个情感矩阵Edj,其中d表示情感维度,j表示歌曲;

步骤四、音乐情感向量构建:使用SVD奇异值分解算法对情感矩阵Edj进行降维处理,得到歌曲j在情感维度上的四个情感矩阵edj,并将基于情感维度上的四个情感矩阵edj进行合并得到歌曲j的情感向量ej,其中d表示情感维度,j表示歌曲;

步骤五、计算目标用户的听歌喜好类别以及权重:首先采用聚类算法对目标用户u的听歌记录R中歌曲的情感向量ej进行分类处理,得到目标用户u的听歌喜好类别Cui;然后根据类别Cui中的样本个数mui与目标用户u的样本总数Mu的比值计算每个类别Cui的权重wui;其中u表示目标用户,i表示第几个类别,j表示歌曲;

步骤六、候选推荐歌曲的选取以及相似度的计算:首先基于目标用户u的关注关系,找到目标用户感兴趣的其他用户v,从用户v的听歌记录中选取用户v喜好但目标用户u未听的歌曲作为候选推荐歌曲h;然后对候选推荐歌曲基于歌词以及评论文本进行情感分析,得到候选推荐歌曲的情感向量eh;再结合目标用户u的听歌记录R的分类结果,使用高斯函数计算候选推荐歌曲h与目标用户u的听歌喜好类别Cui之间的相似度ShCui;

步骤七:推荐歌曲的计算:基于候选推荐歌曲h与目标用户u的听歌喜好类别Cui之间的相似度ShCui和目标用户u的听歌喜好类别Cui的权重wui计算目标用户u对候选推荐歌曲h的喜好程度值guh,当guh大于阈值t时,就将候选推荐歌曲h加入推荐列表CL中,否则放弃候选推荐歌曲h,步骤八、重复步骤六和步骤七直到寻找到音乐推荐项或设定数量的音乐推荐项。

2.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤一中数据收集与预处理为:首先从网易云音乐平台上爬取音乐信息以及评论信息、用户的听歌记录和用户关注关系;然后使用SQL语句对数据进行处理,整理形成数据集,数据集含有三张数据表,三张数据表分别为歌曲信息表、用户听歌记录表和用户关注关系表;所述歌曲信息表包括歌曲id、歌名、歌手、歌词和评论文本、用户听歌记录表包括用户id、用户名、歌曲id、歌名和歌曲score值,用户关注关系表包括用户一id、用户二id、关注关系。

3.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述词法分析工具为THULAC工具;所述情感词典为SenticNet情感词典。

4.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤三中音乐情感矩阵的构建方法为:首先每首歌取频率最高的前n-1条评论加歌词文本作为一个文本就为n个文本;然后将分词后的歌词和评论文本分别与情感词典进行情感词匹配;再将匹配到的情感词较大的数目作为标准,设为k,情感词数目不足k的,使用0进行填充;然后根据每个文本中的情感词在四个情感维度上的情感值构建四个情感矩阵Edj;其中四个情感维度分别为愉悦度、注意力、灵敏度、倾向度,这四个情感维度来源于SenticNet情感词典,Edj为k*n维的矩阵,d表示情感维度,j表示歌曲。

5.如权利要求4所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤四中音乐情感向量构建方法为:首先使用SVD奇异值分解算法对情感矩阵Edj进行矩阵降维,将k*n维的矩阵降维成1*n维的矩阵,公式(1)和(2)如下:T

Edj=UdjΣdj(Vdj)                      (1)

其中Edj为k*n维的音乐情感矩阵,Udj为k*k维的酉矩阵,即Udj(Udj)T=I,I为单位矩阵;

Σdj为k*n维的奇异值矩阵,奇异值矩阵即除主对角线上的其余元素都为0,主对角线上的元素是奇异值,奇异值是按大到小排列的,如σ11>σ22>σ33>...;VdjT为n*n维的酉矩阵;σuu表示奇异值;

edj=(Udj(1))TEdj                          (2)由于σ11是最大的奇异值,所以取左奇异矩阵Udj的第一列作为代表,即Udj(1),Udj(1)为k*1维的矩阵,转置得到1*k维的矩阵,即(Udj(1))T,再将(Udj(1))T与原始音乐情感矩阵Edj相乘得到1*n维的音乐情感矩阵edj,然后将基于情感维度上的四个音乐情感矩阵edj进行合并构建音乐情感向量ej;其中d表示情感维度,j表示歌曲。

6.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤五中目标用户听歌喜好类别以及权重值的计算处理为:首先采用聚类中的DBSCAN聚类算法,结合目标用户u听歌记录R中的歌曲的情感向量ej,构建分类模型,将情感倾向相似的歌曲组成聚类簇,即目标用户听歌喜好类别Cui;然后计算每个类别Cui相对于目标用户u的一个权重wui,权重wui由公式(3)计算:wui=mui/Mu   (3)

其中mui表示类别Cui中的样本数,Mu表示目标用户u所有类别的总样本数,i表示第几个类别。

7.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤六中候选推荐歌曲的选取以及相似度的计算处理步骤如下:(6.1)候选推荐歌曲的选取

基于目标用户u的关注关系,找到目标用户感兴趣的其他用户v;再挖掘出用户v的听歌记录,将用户v喜好而目标用户u未听过的歌曲作为候选推荐歌曲h;其中用户v喜好的歌曲通过其对歌曲j的scorevj值来进行判别,scorevj值的计算公式(4)如下:其中scorevj表示用户v对歌曲j的喜好程度值,0≤scorevj≤100;而判别方法(5)如下:即当用户v对歌曲j的scorevj值不小于用户v已听歌曲的scorevj值的均值的a倍,则认为该歌曲j是用户v所喜好的歌曲;其中num表示用户v已听歌曲的数目,a表示一个常数权重,1<a<2;目标用户u未听的歌曲表示目标用户听歌记录R中没有的歌曲。

(6.2)计算候选推荐歌曲h与类别Cui的相似度ShCui

首先对候选推荐歌曲h进行基于歌曲歌词以及评论文本的情感分析,得到候选推荐歌曲的情感向量eh;再结合目标用户u的听歌记录R的分类结果,使用高斯函数计算候选推荐歌曲h与目标用户u听歌喜好类别Cui之间的相似度ShCui,相似度ShCui由高斯函数(6)计算如下:其中kg表示一个常数权重,σCui2表示类别Cui的方差, 表示类别Cui的均值,h表示候选推荐歌曲。

8.如权利要求1所述的基于特征递增的混合型个性化音乐推荐方法,其特征在于,所述步骤七中推荐歌曲的计算为:基于候选推荐歌曲h与目标用户听歌喜好类别Cui之间的相似度ShCui和目标用户听歌喜好类别Cui的权重wui,计算目标用户u对该候选推荐歌曲h的喜好程度值guh,其由公式(7)计算如下:其中c为目标用户听歌喜好的类别数;

当目标用户u对候选推荐歌曲h的喜好程度值guh大于阈值t时,就将该候选推荐歌曲作为推荐项,加入到推荐列表CL中,否则放弃该候选推荐歌曲。