[发明专利]一种音乐推荐方法及系统

说明书

本发明公开了一种音乐推荐方法及系统，属于音乐推荐技术领域，包括获取用户的人格特征数据，并对用户播放不同类型音乐记录用户情绪，将人格特征、音乐类型以及情绪构建初始数据集；基于初始数据集计算初始分布，并将初始分布作为贝叶斯推理模型的输入，推断用户情绪的条件概率分布；基于用户情绪的条件概率分布，将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库，将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库；将待推荐音乐库中的音乐随机化推荐给用户。本发明将用户人格因素作为影响因素纳入考虑，以实现真正的个性化推荐。

技术领域

本发明涉及音乐推荐技术领域，特别涉及一种音乐推荐方法及系统。

背景技术

随着计算机网络的不断发展和日益普及，人们可以方便获取音乐资源，如何对海量音乐资源进行有效检索和访问，音乐推荐就显得尤为重要。

目前，既有的音乐推荐方案主要采用的是基于内容的推荐或者基于协同过滤模型的推荐，具体类型又可以分为以下几种：

(1)基于用户行为偏好特征画像的推荐系统，基于用户行为偏好特征画像的推荐系统，需要对用户的行为偏好进行画像，如用户在收听选择音乐时候的收藏、下载、分享、加入歌曲单、购买、点赞、评论、识曲、搜索、点击不感兴趣等行为，对这些行为偏好特征进行建模，主要采用协同过滤模型，建立用户偏好画像，并在曲库中基于用户偏好相似度进行建模检索，推荐相关音乐。

(2)基于用户选择偏好特征建模的推荐系统，基于用户选择特征(如：性别、音色、音调)建立关联模型，如采用卷积神经网络模型，建立用户偏好音乐特征的输入变量与音乐类型的输出变量之间的关联模型，根据用户偏好特征进行音乐推荐。

(3)基于用户动态跟踪偏好的音乐推荐，将用户偏好与音乐推荐视为一个马尔科夫决策过程，并在其中引入了奖励值概念与“音乐流行度”“用户从众度”等概念；或者引入强化学习模型，将用户偏好视为一个连续序列，持续不断更新推荐音乐类型。

(4)基于场景检测的音乐推荐系统，基于场景检测的推荐系统指的是推荐系统根据场景要求进行推荐，会在启动推荐之前进行场景检测，如对用户对话进行检测并使用词嵌入模型进行分析。

上述既有技术方案存在的缺陷主要体现在以下两点：

(1)基于用户画像的音乐推荐方案中，并未考虑到用户的人格特征，难以实现真正的个性化推荐；

(2)基于场景检测与用户跟踪状态的音乐推荐方案，未考虑到用户的情绪变化特征，并且未将这一影响用户体验的主变量纳入考虑范围。

发明内容

本发明的目的在于克服上述背景技术中的不足，实现音乐的个性化推荐与情绪体验式推荐。

为实现以上目的，一方面，采用一种音乐推荐方法，包括：

获取用户的人格特征数据，并对用户播放不同类型音乐记录用户情绪，将人格特征、音乐类型以及情绪构建初始数据集；

基于初始数据集计算初始分布，并将初始分布作为贝叶斯推理模型的输入，推断用户情绪的条件概率分布；

基于用户情绪的条件概率分布，将在时间序列t1分布上高于设定概率P1引发用户负面情绪的音乐组成过滤曲库，将音乐库中去除过滤曲库中的音乐所得到的音乐组成待推荐音乐库；

将待推荐音乐库中的音乐随机化推荐给用户。

进一步地，还包括：

基于所述用户情绪的条件概率分布，获取在时间序列t2上分布高于设定概率P2且小于设定概率P1引发用户负面情绪的音乐作为疑似待过滤音乐；

在所述用户聆听疑似待过滤音乐时，利用修正后的情绪识别模型识别所述用户在离散时间点上是否出现负面情绪；