一種音樂推薦的方法及裝置的制造方法
【專利摘要】本發明實施例提供一種音樂推薦的方法及裝置，音樂推薦的方法，包括：檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息；根據搜索請求提取用戶的請求參數，請求參數包括用戶模型、環境信息以及搜索請求中音樂內容的標簽；根據音樂內容的標簽從數據庫中篩選出候選音樂；根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，根據匹配分數將候選音樂進行排序并推薦給用戶；相應地本發明實施例還提供一種音樂推薦的裝置，音樂推薦的裝置包括：檢測模塊；提取模塊；篩選模塊；推薦模塊；根據本發明實施例提供的技術方案，為用戶提供與用戶偏好相匹配的精確的推薦服務，能夠滿足用戶的個性化需求，提升了用戶體驗。
【專利說明】
一種音樂推薦的方法及裝置
技術領域
[0001]本發明實施例涉及移動終端技術領域，尤其涉及一種音樂推薦的方法及裝置。
【背景技術】
[0002]隨著移動終端技術的日益發展，移動終端所具有的功能也越來越豐富，其中包括綜合搜索功能，綜合搜索對于手機等移動設備有著舉足輕重的地位，手機廠商都會為他們的移動設備提供便捷的搜索入口，例如通過語音輸入的方式綜合搜索包括互聯網、地圖、郵件、聯系人、App等多種類型的數據，由于聽音樂是手機等移動設備最重要的應用之一，因此音樂也是最重要的搜索內容之一，但是現有技術中的搜索方式由于是綜合搜索，那么音樂結果可能混合在許多其它結果之中，并不方便尋找。
[0003]目前，對于搜索方便性的關注度日益提升，用戶都希望在進行搜索時排在最前面的搜索結果剛好就是自己要找的內容。由于音樂的內容豐富且種類多樣，而音樂用戶的品位又有多種多樣的差異，在進行推薦音樂時所推薦的內容往往并不是用戶所想要的，所以目前的音樂推薦方式用戶體驗度很低。
[0004]綜上，鑒于現有技術中的技術缺陷，一種在終端設備上的搜索入口中集成音樂推薦，能夠準確推薦用戶所要搜索的內容的技術方案亟待提出。
【發明內容】
[0005]本發明實施例提供一種音樂推薦的方法及裝置，用以解決現有技術中查找搜索結果不方便、音樂推薦方式不精確的技術缺陷。
[0006]本發明實施例提供一種音樂推薦的方法，包括:
[0007]檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息；
[0008]根據所述請求提取用戶的請求參數，所述請求參數包括用戶模型、所述環境信息以及所述搜索請求中音樂內容的標簽；
[0009]根據所述音樂內容的標簽從數據庫中篩選出候選音樂；
[0010]根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶。
[0011]相應地本發明實施例還提供了一種音樂推薦的裝置，包括:
[0012]檢測模塊，用于檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息；
[0013]提取模塊，用于根據所述請求提取用戶的請求參數，所述請求參數包括用戶模型、所述環境信息以及所述搜索請求中音樂內容的標簽；
[0014]篩選模塊，用于根據所述音樂內容的標簽從數據庫中篩選出候選音樂；
[0015]推薦模塊，用于根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶。
[0016]根據本發明提供的技術方案，能夠根據建立的用戶模型和音樂模型為用戶提供與用戶偏好相匹配精確的推薦服務，即排在最前面的搜索結果剛好就是用戶自己要找的內容，滿足了用戶的個性化需求，提升了用戶使用體驗。
【附圖說明】
[0017]為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0018]圖1為本發明實施例中音樂推薦的方法的流程示意圖；
[0019]圖2為本發明實施例中音樂推薦的裝置的結構示意圖；
[0020]圖3為本發明實施例中一種優選地音樂推薦的裝置的結構示意圖；
[0021]圖4為本發明實施例中另一種優選地音樂推薦的裝置的結構示意圖。
【具體實施方式】
[0022]為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0023]在目前現有技術中，用戶在搜索音樂的時候往往采用以下幾種方式:
[0024]1、在App中找出來某一款音樂App，打開該App，找到相應的入口(或者搜索)去尋找喜歡的音樂；
[0025]2、打開通用搜索頁面(比如百度搜索)，在里面輸入喜歡的音樂名，然后在搜索結果里尋找；
[0026]3、在手機內置的搜索入口中輸入喜歡的音樂名，然后在搜索結果里尋找。
[0027]以上的搜索音樂的方式由于是綜合搜索，那么音樂結果可能混合在許多其它結果之中，并不方便尋找。
[0028]當搜索入口將音樂拿來給用戶做推薦的內容向用戶進行內容推薦時，因為音樂的內容豐富且種類多樣，而音樂用戶的品位又有多種多樣的差異，在進行推薦音樂時所推薦的內容往往并不是用戶所想要的，推薦的內容不精確，所以目前的音樂推薦方式用戶體驗度很低。
[0029]為解決現有技術中查找搜索結果不方便、音樂推薦方式不精確的技術缺陷，本發明實施例提供了一種音樂推薦的方法及裝置。
[0030]以下將配合附圖及實施例來詳細說明本發明實施例的實施方式，藉此對本發明實施例如何應用技術手段來解決技術問題并達成技術功效的實現過程能充分理解并據以實施。
[0031 ] 實施例一
[0032]圖1為本發明實施例中音樂推薦的方法的流程示意圖，如圖1所示:
[0033]本發明實施例提供一種音樂推薦的方法，包括:
[0034]步驟SlOl:檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息；
[0035]服務器檢測到用戶發起搜索請求的事件時，根據用戶發起請求的場景，獲取環境信息，其中，環境信息包括:用戶的ID、當前設備、日期/時段，不同的環境信息會對推薦的結果產生不同的影響。
[0036]對于本發明實施例優選地，檢測到用戶發起搜索請求的事件，進一步包括:檢測到用戶進入搜索入口發起搜索請求的事件，其中，所述搜索入口包括:終端內置的搜索入口、通用搜索入口和APP的搜索入口。終端內置的搜索入口為終端自帶的默認的搜索功能入口，可以搜索終端中所包含的各種文件;通用搜索入口為搜索服務器提供的搜索入口，例如百度搜索，可以搜索與搜索服務器連接的所有資源;APP的搜索入口為APP程序中設置的搜索入口，可以搜索APP中的資源和與APP連接的服務器中的相關資源。
[0037]終端內置的搜索入口能夠為用戶提供了便捷的音樂搜索入口方式，當用戶想要調用搜索功能時，會對搜索功能發起請求進入搜索入口的事件。
[0038]步驟S102:根據搜索請求提取用戶的請求參數，請求參數包括用戶模型、環境信息以及搜索請求中音樂內容的標簽；
[0039]獲取到環境信息后，根據用戶發起的搜索請求提取用戶的請求參數，請求參數中包括了用戶模型、環境信息以及搜索請求中音樂內容的標簽，其中，用戶模型為預先建立的。
[0040]步驟S103:根據音樂內容的標簽從數據庫中篩選出候選音樂；
[0041]提取出請求參數后，根據請求參數中的音樂內容的標簽從數據庫中篩選出與音樂內容標簽相對應的候選音樂，其中，候選音樂可能會被推薦給用戶，也可能不會被推薦給用戶。
[0042]步驟S104:根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，根據匹配分數將候選音樂進行排序并推薦給用戶。
[0043]根據預先建立的用戶模型和音樂模型，計算用戶與候選音樂的匹配分數，根據匹配分數將候選音樂進行排序并推薦給用戶。
[0044]根據本實施例提供的音樂推薦的方法，在用戶發起搜索請求時，獲取用戶發起請求時的場景，并獲取環境信息，根據搜索請求獲取用戶的請求參數，根據請求參數中的音樂內容的標簽篩選出候選音樂，再通過預先建立的用戶模型和音樂模型計算候選音樂與用戶的匹配分數，根據匹配分數為用戶推薦個性化音樂，同時能夠根據建立的用戶模型和音樂模型為用戶提供與用戶偏好相匹配精確的推薦服務，即排在最前面的搜索結果剛好就是用戶自己要找的內容，滿足了用戶的個性化需求，提升了用戶使用體驗。
[0045]本發明實施例中用戶模型、音樂模型都是預先建立的，下面詳細介紹一下用戶模型、音樂模型的建立過程。
[0046]本發明實施例優選地，根據用戶請求提取請求參數，之前還包括建立用戶模型，包括:
[0047]從各種數據源中收集用戶對音樂的喜好信息和用戶數據，其中，喜好信息包括用戶喜歡的歌曲、歌手、流派、風格、節奏、年代，用戶數據包括用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史；
[0048]根據喜好信息和用戶數據結合收集喜好信息和用戶數據時發生的場景，獲取用戶興趣的一個標簽化的畫像，根據標簽化的畫像建立用戶模型。
[0049]建立用戶模型時需要對用戶相關數據進行收集和建模，建立用戶模型，對用戶相關數據進行收集包括從各種數據源中收集到的用戶對音樂的喜好信息，包括但不限于用戶喜歡的歌曲、用戶之前喜歡哪些首歌、哪些歌手、哪些流派、哪些風格、什么節奏、什么年代等等，還包括收集用戶數據，包括收集來自用戶允許的終端上的各種數據，包括但不限于用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史等等，基于這些事件，結合這些事件發生的場景，得到用戶興趣的一個標簽化的畫像，這個畫像就是用戶模型。
[0050]預先建立音樂模型，本發明實施例優選地，根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，之前還包括建立音樂模型，包括:
[0051]采集音樂內容的相關數據，相關數據包括音樂內容的所有標簽、音樂專輯相關的圖片、播放地址以及趨勢性數據，其中，標簽包括:音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別，趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢；
[0052]根據相關數據獲得對音樂內容的一個數據化描述，根據數據化描述建立音樂模型。
[0053]建立音樂模型時需要采集與音樂內容相關數據，包括從各種維度對音樂內容進行描述的所有標簽，不管用戶從哪個維度表達出對該音樂的興趣，都能夠通過相應的標簽匹配到該音樂，音樂模型是對音樂內容的一個建模，要采集音樂內容的所有標簽，包括但不限于音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別等等，與音樂內容相關的數據還包括但不限于音樂專輯相關的圖片、播放地址以及趨勢性數據等信息，趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢等趨勢性數據，根據音樂內容的相關數據得到對音樂內容的一個數據化描述，再根據數據化描述建立音樂模型。
[0054]在根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數時，還需要用到排序模型，排序模型也是預先進行建立的，本發明實施例優選地，根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，之前還包括建立排序模型，包括:
[0055]采集用戶使用音樂產品的歷史數據，從歷史數據中收集訓練數據；
[0056]根據訓練數據結合用戶模型和音樂模型進行訓練，根據訓練結果建立排序模型。
[0057]在建立排序模型時需要采集用戶使用音樂產品的歷史數據，可以根據機器學習算法，從用戶使用音樂產品的歷史數據中收集訓練數據，通過訓練數據結合用戶模型和音樂模型進行訓練，根據訓練結果得到排序模型，基于排序模型，輸入用戶的模型數據和音樂的模型數據，能夠得到用戶和候選音樂的匹配分數，對于用戶來說，得分高的音樂就是候選的推薦集合，例如，輸入任一用戶的模型數據和任一音樂的模型數據，能夠得到一個用戶和音樂的匹配分數，篩選出得分高的候選音樂組成推薦集合。
[0058]對于步驟S103來說，本發明實施例優選地，根據音樂內容的標簽從數據庫中篩選出候選音樂，進一步包括:
[0059]根據請求參數中的標簽從數據庫中獲取與標簽相對應的音樂列表；
[0060]從音樂列表中篩選出與標簽相對應的候選音樂。
[0061]在數據庫中包含了倒排文件，倒排文件是一個快速查找表，能夠根據各種標簽快速獲取具有該標簽的候選音樂列表，獲取的請求參數中包括音樂內容的標簽，根據音樂內容的標簽在數據庫中的倒排文件中獲取與標簽相對應的音樂列表，再從音樂列表中篩選出與音樂內容的標簽相對應的候選音樂，其中，音樂內容的標簽包括但不限于歌手、作詞、作曲、相關音樂、歌詞、年代、流派、風格、國別等等，根據請求參數里的音樂內容的標簽，從倒排文件里提取出來候選的音樂，然后傳遞給排序模型進行后續操作。
[0062]對于步驟S104來說，本發明實施例優選地，根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，根據匹配分數將候選音樂進行排序并推薦給用戶，進一步包括:
[0063]將用戶模型中的數據、音樂模型中的數據及候選音樂輸入到排序模型中，根據排序模型獲取用戶與候選音樂的匹配分數；
[0064]按照匹配分數從大到小的順序將候選音樂進行排序，將匹配分數大于分數閾值的候選音樂推薦給用戶。
[0065]在根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數時，還需要用到排序模型，將用戶模型中的數據、音樂模型中的數據及候選音樂輸入到排序模型中，排序模型經過計算能夠得到一個用戶和候選音樂的匹配分數，排序模型根據候選音樂的匹配分數對候選音樂按照匹配分數的從大到小進行排序，同時預先設置與分數閾值，將匹配分數大于分數閾值的候選音樂推薦給用戶，以便能夠做到向用戶精確推薦音樂的目的，其中，用戶模型中的數據包括但不限于從各種數據源中收集用戶對音樂的喜好信息和用戶數據，用戶對音樂的喜好信息包括用戶喜歡的歌曲、歌手、流派、風格、節奏、年代等等，用戶數據包括用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史等等，音樂模型中的數據包括但不限于音樂內容的相關數據，相關數據包括音樂內容的所有標簽、音樂專輯相關的圖片、播放地址以及趨勢性數據等等，其中，標簽包括:音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別等等，趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢等等。
[0066]為了避免再推薦的候選音樂中出現版權不合法、推薦結果中出現重復的音樂和向用戶不能正常展示的情況，本發明實施例優選地，根據匹配分數將候選音樂進行排序并推薦給用戶，之前還包括:
[0067]對推薦的候選音樂進行業務處理，包括:版權過濾處理、去重過濾處理以及展示邏輯處理。
[0068]計算出候選音樂的匹配分數之后，將候選音樂進行排序，在向用戶推薦音樂之前，為保證所推薦的音樂版權合法，需要對候選音樂的版權進行版權過濾處理，將版權不合法的音樂過濾掉，以便避免用戶的在收聽音樂時由于版權原因不能正常收聽的麻煩。
[0069]在篩選候選音樂時有時可能會出現多個音樂相同的情況，所以需要對候選的音樂之間進行對比，進行去重過濾處理，將重復的音樂過濾掉，避免用戶在根據推薦結果收聽音樂時收聽到重復的音樂。
[0070]在向用戶展示之前，還需要對推薦的音樂進行展示邏輯處理，包括對用戶展示的字段處理，保證用戶能夠正常收聽所推薦的音樂。
[0071]對推薦的候選音樂進行業務處理，包括但不限于版權過濾、去重過濾、展示邏輯等等，保證推薦的結果是版權合法的、不重復的、展示正常的。
[0072]實施例二
[0073]圖2為本發明實施例中音樂推薦的裝置的結構示意圖，如圖2所示:
[0074]相應地本實施例還提供了一種音樂推薦的裝置，包括:
[0075]檢測模塊I，用于檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息；
[0076]提取模塊2，用于根據所述請求提取用戶的請求參數，所述請求參數包括用戶模型、所述環境信息以及所述搜索請求中音樂內容的標簽；
[0077]提取模塊2與檢測模塊I耦接，檢測模塊I將獲取到的環境信息發送至提取模塊2，提取模塊2根據搜索請求提取用戶的請求參數。
[0078]篩選模塊3，用于根據所述音樂內容的標簽從數據庫中篩選出候選音樂；
[0079]篩選模塊3與提取模塊2耦接，根據提取模塊2提取的音樂內容的標簽從數據庫中篩選出與音樂內容的標簽相對應的音樂作為候選音樂。
[0080]推薦模塊4，用于根據用戶模型結合音樂模型計算用戶與候選音樂的匹配分數，根據匹配分數將候選音樂進行排序并推薦給用戶。
[0081]推薦模塊4與篩選模塊3相耦接，根據用戶模型和音樂模型計算用戶與候選音樂的匹配分數，再根據匹配分數將候選音樂進行排序并推薦給用戶。
[0082]根據本實施例提供的音樂推薦的裝置，檢測模塊I檢測到用戶發起搜索請求時，獲取用戶發起請求時的環境信息，提取模塊2根據搜索請求提取用戶的請求參數，篩選模塊3根據請求參數中的音樂內容的標簽篩選出候選音樂，推薦模塊4根據候選音樂與用戶的匹配分數為用戶推薦個性化音樂，為用戶提供了便捷的音樂搜索入口方式，同時能夠根據建立的用戶模型和音樂模型為用戶提供精確的推薦服務，即排在最前面的搜索結果剛好就是用戶自己要找的內容，滿足了用戶的個性化需求，提升了用戶使用體驗。圖3為本發明實施例中一種優選地音樂推薦的裝置的結構示意圖，如圖3所示:
[0083]本實施例優選地，還包括:建立模塊5，用于從各種數據源中收集用戶對音樂的喜好信息和用戶數據，其中，喜好信息包括用戶喜歡的歌曲、歌手、流派、風格、節奏、年代，用戶數據包括用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史；
[0084]根據喜好信息和用戶數據結合收集喜好信息和用戶數據時發生的場景，獲取用戶興趣的一個標簽化的畫像，根據標簽化的畫像建立用戶模型。
[0085]優選地，建立模塊5，還用于采集音樂內容的相關數據，相關數據包括音樂內容的所有標簽、音樂專輯相關的圖片、播放地址以及趨勢性數據，其中，標簽包括:音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別，趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢；
[0086]根據相關數據獲得對音樂內容的一個數據化描述，根據數據化描述建立音樂模型。
[0087]優選地，建立模塊5，還用于采集用戶使用音樂產品的歷史數據，從歷史數據中收集訓練數據；
[0088]根據訓練數據結合用戶模型和音樂模型進行訓練，根據訓練結果建立排序模型。
[0089]建立模塊5與檢測模塊I耦接，用于預先建立用戶模型、音樂模型以及排序模型。
[0090]優選地，篩選模塊3，進一步用于根據請求參數中的標簽從數據庫中獲取與標簽相對應的音樂列表；
[0091 ]從音樂列表中篩選出與標簽相對應的候選音樂。
[0092]優選地，推薦模塊4，進一步用于將用戶模型中的數據、音樂模型中的數據及候選音樂輸入到排序模型中，根據排序模型獲取用戶與候選音樂的匹配分數；
[0093]按照匹配分數從大到小的順序將候選音樂進行排序，將匹配分數大于分數閾值的候選音樂推薦給用戶。
[0094]圖4為本實施例中另一種優選地音樂推薦的裝置的結構示意圖，如圖4所示:
[0095]本實施例優選地，還包括:業務處理模塊6，用于對推薦的候選音樂進行業務處理，包括:版權過濾處理、去重過濾處理以及展示邏輯處理。
[0096]業務處理模塊6與推薦模塊相耦接，用于對推薦的候選音樂進行業務相關的各種處理，包括甄別音樂的版權合法性、推薦結果之間的重復問題的解決、給用戶展示的字段處理等等，以便保證推薦的候選音樂是版權合法的、不重復的、展示正常的。
[0097]另外，本實施例優選地，檢測模塊1，進一步用于:檢測到用戶進入搜索入口發起搜索請求的事件，其中，搜索入口包括:終端內置的搜索入口、通用搜索入口和APP的搜索入
□ O
[0098]圖2-4所示終端可以執行圖1所示實施例的方法，實現原理和技術效果參考圖1所示實施例，方法與終端特征相對應，可以相互參照，此處不再一一贅述。
[00"]應用場景
[0100]下面通過應用場景，以便對本發明實施例做更加詳細的了解，需要說明的是下面的應用場景不是本發明實施例的全部場景，只是本發明實施例中的部分應用場景。
[0101]用戶在進入到搜索入口時，根據用戶發起請求時的場景，獲取用戶的ID、當前設備、日期/時段，提取用戶的請求參數，根據請求參數中的音樂內容的標簽篩選出候選音樂，再根據預先建立的用戶模型和音樂模型中的數據，排序模型計算候選音樂的匹配分數，根據匹配分數將音樂推薦給用戶，推薦的音樂是版權合法的、不重復的、展示正常的。
[0102]綜上所述，根據本發明提供的技術方案，在用戶發起搜索請求時，獲取用戶發起請求時的場景，并獲取環境信息，根據搜索請求獲取用戶的請求參數，根據請求參數中的音樂內容的標簽篩選出候選音樂，再通過預先建立的用戶模型和音樂模型計算候選音樂與用戶的匹配分數，根據匹配分數為用戶推薦個性化音樂，為用戶提供了便捷的音樂搜索入口方式，同時能夠根據建立的用戶模型和音樂模型為用戶提供精確的推薦服務，即排在最前面的搜索結果剛好就是用戶自己要找的內容，滿足了用戶的個性化需求，提升了用戶使用體驗。
[0103]以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網絡單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。本領域普通技術人員在不付出創造性的勞動的情況下，即可以理解并實施。
[0104]最后應說明的是:以上實施例僅用以說明本發明的技術方案，而非對其限制;盡管參照前述實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解:其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的精神和范圍。
【主權項】
1.一種音樂推薦的方法，其特征在于，包括: 檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息； 根據所述搜索請求提取用戶的請求參數，所述請求參數包括用戶模型、所述環境信息以及所述搜索請求中音樂內容的標簽； 根據所述音樂內容的標簽從數據庫中篩選出候選音樂； 根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶。2.根據權利要求1所述的方法，其特征在于，根據所述用戶請求提取請求參數，之前還包括建立所述用戶模型，包括: 從各種數據源中收集用戶對音樂的喜好信息和用戶數據，其中，所述喜好信息包括用戶喜歡的歌曲、歌手、流派、風格、節奏、年代，所述用戶數據包括用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史； 根據所述喜好信息和所述用戶數據結合收集所述喜好信息和所述用戶數據時發生的場景，獲取用戶興趣的一個標簽化的畫像，根據所述標簽化的畫像建立所述用戶模型。3.根據權利要求1所述的方法，其特征在于，根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，之前還包括建立所述音樂模型，包括: 采集音樂內容的相關數據，所述相關數據包括所述音樂內容的所有標簽、音樂專輯相關的圖片、播放地址以及趨勢性數據，其中，所述標簽包括:音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別，所述趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢； 根據所述相關數據獲得對所述音樂內容的一個數據化描述，根據所述數據化描述建立所述音樂模型。4.根據權利要求1所述的方法，其特征在于，根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，之前還包括建立排序模型，包括: 采集用戶使用音樂產品的歷史數據，從所述歷史數據中收集訓練數據； 根據所述訓練數據結合所述用戶模型和所述音樂模型進行訓練，根據訓練結果建立所述排序模型。5.根據權利要求1所述的方法，其特征在于，根據所述音樂內容的標簽從數據庫中篩選出候選音樂，進一步包括: 根據所述請求參數中的所述標簽從所述數據庫中獲取與所述標簽相對應的音樂列表； 從所述音樂列表中篩選出與所述標簽相對應的所述候選音樂。6.根據權利要求4所述的方法，其特征在于，根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶，進一步包括: 將所述用戶模型中的數據、所述音樂模型中的數據及所述候選音樂輸入到所述排序模型中，根據所述排序模型獲取用戶與所述候選音樂的匹配分數； 按照所述匹配分數從大到小的順序將所述候選音樂進行排序，將所述匹配分數大于分數閾值的所述候選音樂推薦給用戶。7.根據權利要求1所述的方法，其特征在于，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶，之前還包括: 對推薦的所述候選音樂進行業務處理，包括:版權過濾處理、去重過濾處理以及展示邏輯處理。8.根據權利要求1-7任一所述的方法，其特征在于，檢測到用戶發起搜索請求的事件，進一步包括:檢測到用戶進入搜索入口發起搜索請求的事件，其中，所述搜索入口包括:終端內置的搜索入口、通用搜索入口和APP的搜索入口。9.一種音樂推薦的裝置，其特征在于，包括: 檢測模塊，用于檢測到用戶發起搜索請求的事件，根據用戶發起請求的場景，獲取環境信息； 提取模塊，用于根據所述搜索請求提取用戶的請求參數，所述請求參數包括用戶模型、所述環境信息以及所述搜索請求中音樂內容的標簽； 篩選模塊，用于根據所述音樂內容的標簽從數據庫中篩選出候選音樂； 推薦模塊，用于根據所述用戶模型結合音樂模型計算用戶與所述候選音樂的匹配分數，根據所述匹配分數將所述候選音樂進行排序并推薦給用戶。10.根據權利要求9所述的裝置，其特征在于，還包括: 建立模塊，用于從各種數據源中收集用戶對音樂的喜好信息和用戶數據，其中，所述喜好信息包括用戶喜歡的歌曲、歌手、流派、風格、節奏、年代，所述用戶數據包括用戶聽過的音樂、瀏覽的網頁、看過的視頻、搜索歷史、使用的App、購物歷史； 根據所述喜好信息和所述用戶數據結合收集所述喜好信息和所述用戶數據時發生的場景，獲取用戶興趣的一個標簽化的畫像，根據所述標簽化的畫像建立所述用戶模型。11.根據權利要求10所述的裝置，其特征在于， 所述建立模塊，還用于采集音樂內容的相關數據，所述相關數據包括所述音樂內容的所有標簽、音樂專輯相關的圖片、播放地址以及趨勢性數據，其中，所述標簽包括:音樂名、歌手、作詞、作曲、歌詞、流派、年代、國別，所述趨勢性數據包括播放次數、收藏人數、搜索次數、播放排名走勢； 根據所述相關數據獲得對所述音樂內容的一個數據化描述，根據所述數據化描述建立所述音樂模型。12.根據權利要求10所述的裝置，其特征在于， 所述建立模塊，還用于采集用戶使用音樂產品的歷史數據，從所述歷史數據中收集訓練數據； 根據所述訓練數據結合所述用戶模型和所述音樂模型進行訓練，根據訓練結果建立所述排序模型。13.根據權利要求9所述的裝置，其特征在于， 所述篩選模塊，進一步用于根據所述請求參數中的所述標簽從所述數據庫中獲取與所述標簽相對應的音樂列表； 從所述音樂列表中篩選出與所述標簽相對應的所述候選音樂。14.根據權利要求12所述的裝置，其特征在于， 所述推薦模塊，進一步用于將所述用戶模型中的數據、所述音樂模型中的數據及所述候選音樂輸入到所述排序模型中，根據所述排序模型獲取用戶與所述候選音樂的匹配分數； 按照所述匹配分數從大到小的順序將所述候選音樂進行排序，將所述匹配分數大于分數閾值的所述候選音樂推薦給用戶。15.根據權利要求9所述的裝置，其特征在于，還包括: 業務處理模塊，用于對推薦的所述候選音樂進行業務處理，包括:版權過濾處理、去重過濾處理以及展示邏輯處理。16.根據權利要求9-15任一所述的裝置，其特征在于，所述檢測模塊，進一步用于:檢測到用戶進入搜索入口發起搜索請求的事件，其中，所述搜索入口包括:終端內置的搜索入口、通用搜索入口和APP的搜索入口。
【文檔編號】G06F17/30GK105930429SQ201610245225
【公開日】2016年9月7日
【申請日】2016年4月19日
【發明人】姜上維
【申請人】樂視控股（北京）有限公司, 樂視網信息技術（北京）股份有限公司