[发明专利]一种基于社交网络的音乐推荐方法

说明书

技术领域

本发明是一种个性化音乐推荐方案。针对传统音乐推荐的盲目性和机械性的问题，利用数据挖掘技术，有层次的将用户细分，并与社交网络相结合，使得推荐更加精确高效。同时运用云计算技术，以解决海量的音乐信息和用户数据。属于数据挖掘和云计算领域。

背景技术

随着Internet技术的迅速发展，各式各样的音乐推荐网站应运而生，网络数字音乐也逐渐成为人们学习和生活中不可或缺的重要组成部分。崭新的音乐载体在为音乐网站提供商机的同时，也提出了新的挑战。如何在网络世界中吸引新用户、留住老用户，成为音乐网站的主要任务。另一方面，用户在面对海量的数字音乐，要从中找到自己需要的东西也恰似大海捞针。因此，我们需要一个能全方位了解用户的音乐倾向性，全面反映用户兴趣，并且能发掘用户潜在需求的音乐推荐系统。

音乐类产品经过了三个发展时代，第一个时代是点播时代，用户通过歌曲名称和歌手来点播自己想听的歌曲，如虾米；第二个时代是通过单一的维度来进行数据挖掘，引入算法，去判断用户喜欢的歌曲，如豆瓣；第三个时代是通过社交关系进行推荐和数据挖掘，通过引入社交图谱和兴趣图谱，挖掘出用户感兴趣的音乐。

发明内容

技术问题：音乐推荐与文本推荐及其他信息推荐有很大的区别。一，音乐推荐具有相当的主观性，会受到周围环境等多种因素的影响。二，具有时间有效性，会随着播放次数和流行时间所改变。三，具有模糊性，音乐推荐往往不需要精确到某首歌，并且相比于相似歌曲的推荐更应该注重潜在兴趣的挖掘。因此，仅用基本的数据挖掘方法，利用“专辑”、“歌手”、“风格”等标签硬性分类推荐或是根据历史记录关联挖掘出推荐方案都不能很好的满足实际需要。

技术方案：针对传统音乐推荐的盲目性和机械性的问题，本发明涉及了一种新的个性化音乐推荐方案。利用数据挖掘技术，有层次的将用户细分，根据用户的历史记录，分析出各种不同的需求。同时与社交网络相结合，根据用户所喜爱的音乐和讨厌的音乐对用户进行聚类，并对每个用户生成兴趣倾向标签，推荐用户将相邻用户加为好友。然后以好友圈为数据集，采用关联规则推荐，使得推荐更加精确高效。

一个采取本方案的音乐推荐系统的运行流程如下：

1.一种基于社交网络的音乐推荐方法，其特征在于该推荐方法步骤如下：

步骤1.提示用户登录，在后台数据库中查询该用户的历史记录；如果该用户是第一次登录则执行步骤2～步骤4，否则执行步骤5～步骤7，最后统一执行步骤8；

步骤2.由音乐推荐系统根据当前曲库中的音乐播放次数排序，挑选最热门的歌曲作为初始化播放列表推荐；

步骤3.该推荐系统在等待用户收听的同时，提示用户对每首歌进行喜欢、讨厌和跳过选项的选择并对这些评价结果进行分类分析，计算其中，i表示某个用户，n表示喜爱歌曲的总数，m表示讨厌歌曲的总数，r_i,k表示用户i是否喜欢第k首歌曲，t_i,k表示用户i是否讨厌第k首歌曲；

步骤4.同时，将步骤3中收集到的选择结果进行聚类分析，计算任意两个用户i，j间的相似度sim(_i,j),寻找相邻好友圈，提示相邻用户的兴趣倾向标签，最爱歌曲、专辑的信息，推荐用户添加为好友；然后执行步骤8；

步骤5.曾登陆过的用户会有历史数据保存在数据库中，推荐系统从后台数据库中读取该用户的好友列表及好友圈播放记录；

步骤6.再由推荐系统从后台数据库读取该用户的历史播放记录，如果近期收听的频繁度超过每天三次，每次超过半小时，则执行步骤7，否则跳过步骤7，直接执行步骤8；

步骤7.推荐系统为该用户推荐好友圈中最新添加的音乐；

步骤8.推荐系统根据该用户的好友圈内播放记录进行关联规则推荐，为该用户推荐音乐，并继续记录其评价结果；

步骤9.在音乐推荐系统运行期间，会一直监控该用户的兴趣迁移因子ε＝p²+d×l，其中p表示单位时间跳过歌曲与总推荐歌曲的比例，d表示删除讨厌的歌曲占所有推荐歌曲的比例，l表示被删除的曾喜欢的歌曲占所有喜爱歌曲的比例，如果满足默认阀值0.6，则执行步骤10～步骤12，否则直接执行步骤13；

步骤10.对用户重新进行分类分析，更新用户的兴趣倾向标签；

步骤11.对用户重新进行聚类分析，更新好友推荐列表，添加新好友，删除旧好友；

步骤12.根据更新后的好友圈内播放记录进行关联规则推荐；

步骤13.继续为用户提供音乐服务直至用户退出该服务。