[发明专利]基于音乐标签和时间信息的音乐推荐方法及系统

说明书

本发明公开了一种基于音乐标签和时间信息的音乐推荐方法及系统，其中方法包括：(1)计算用户对已听歌曲的播放频率和评分、用户对各个音乐标签的评分和标签间评分的相似度；(2)计算各个音乐标签对每首歌曲的影响权重；(3)根据标签评分和标签影响权重，计算用户对未听歌曲的评分；(4)计算音乐评分相似度，并综合音乐评分相似度、标签评分相似度和标签影响权重得到音乐间的相似度；(5)获取最近邻集合，结合时间因子衰减函数计算用户对近邻音乐的预测评分，并采用Top‑N排序方法把评分最高的前N个音乐推荐给用户。本发明提高了推荐系统的相似度计算的健壮性和推荐算法的准确度及实时性，克服了推荐系统中的项目冷启动困难和数据稀疏性问题。

技术领域

本发明属于AI个性化推荐技术领域，特别涉及一种基于音乐标签和时间信息的音乐推荐方法及系统。

背景技术

随着信息技术和互联网的发展，人们逐渐走入了信息过载的时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：对于信息消费者，从大量信息中找到自己感兴趣的信息是非常困难的事情；对于信息生产者，让自己生产的信息脱颖而出，受到广大用户的关注，也是非常困难的事情。推荐系统就是解决这一矛盾的重要工具。推荐系统一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。

推荐系统常见的推荐算法有基于内容推荐、协同过滤推荐、基于关联规则推荐、基于知识推荐等。其中，协同过滤推荐算法可以分为基于用户的协同过滤和基于物品的协同过滤：基于用户的协同过滤根据不同用户对相同物品或内容的态度和偏好程度计算用户之间的关系，在有相同喜好的用户间进行商品推荐；基于物品的协同过滤通过计算不同用户对不同物品的评分获得物品间的关系，基于物品间的关系对用户进行相似物品的推荐。

总而言之，协同过滤算法利用用户的历史行为数据，分析用户的喜好偏向，并预测用户对物品的喜好程度进行推荐，适用于无法利用元数据充分描述的项目，如电影、音乐等。但协同过滤算法仍存在一些不足：用户的评分稀疏，且没有考虑用户的喜好随时间变化的影响，导致推荐精度不高；不能有效缓解推荐系统中的项目冷启动问题。

发明内容

发明目的：本发明的目的在于提供一种推荐精度高的音乐推荐方法，且解决了推荐系统中的项目冷启动问题。本发明的另一目的在于提供基于上述音乐推荐方法的音乐推荐系统。

技术方案：本发明所述的基于音乐标签和时间信息的音乐推荐方法，该方法包括以下步骤：

(1)获得用户听歌记录数据和音乐标签数据，根据用户播放每首歌曲的次数，计算用户已听歌曲的播放频率；

(2)根据所述用户已听歌曲的播放频率，计算用户对已听歌曲的评分；

(3)对所述用户对已听歌曲的评分进行标签分类统计，利用分类后的评分计算用户对各个音乐标签的评分，获得“用户-标签”评分矩阵，并根据该矩阵中每个音乐标签对应的有评分的用户数、同时具有相同的两个音乐标签的用户数，计算音乐标签间评分的相似度；

(4)根据音乐标签属性数据集中用户对歌曲中各个音乐标签打标的频次，计算各个音乐标签对每首歌曲的影响权重；

(5)根据所述用户对各个音乐标签的评分及所述各个音乐标签对每首歌曲的影响权重，计算用户对未听歌曲的评分；

(6)根据所述用户对已听歌曲的评分及用户对未听歌曲的评分，得到推算评分矩阵，并根据该矩阵中每首歌曲有评分的用户数、同时对相同两首歌曲有评分的用户数，计算音乐评分相似度，并根据所述综合音乐评分相似度、音乐标签间评分的相似度和各个音乐标签对每首歌曲的影响权重，计算得到音乐间的相似度；

(7)利用所述音乐间的相似度和所述用户对已听歌曲的评分，以及用户听歌记录中的时间信息，获取最近邻集合，结合时间因子衰减函数计算用户对近邻歌曲的预测评分，并采用Top-N排序方法把评分最高的前N个歌曲作为最终的推荐结果推荐给用户。