一种基于马氏链的音乐推荐方法

摘要

本发明属于计算机技术推荐方法领域，涉及一种基于马氏链的音乐推荐方法。本发明的主要方法包括：生成场景集合；建立场景集合与推荐算法库的匹配矩阵；采用马氏链的方法对步骤b中获得的匹配矩阵进行更新；本发明的有益效果为，从不同的场景对用户和音乐进行分析，克服现有的音乐推荐系统的推荐算法的单一性，提出了场景和算法的匹配矩阵，以及基于马氏链的场景和算法的匹配矩阵的更新算法，解决了场景差异下，算法的匹配问题和基于场景的实时音乐推荐问题。

说明书

技术领域

本发明属于计算机技术推荐方法领域，涉及一种基于马氏链的音乐推荐方法。

背景技术

随着迅速崛起的电子音乐市场，如何优化和管理，并且推荐出合适的音乐给用户是一个非常重要而富有挑战的问题。尽管音乐信息的检索技术已经非常成熟，但是音乐推荐系统却还停留在初级阶段。

近几年来，由于中国网络音乐平台的崛起和智能设备的普及，导致中国电子音乐市场出现了长尾效应，加之音乐本身也包含有较强的情感。因此，传统的音乐推荐算法已经无法满足用户的需求。作为改进，现在使用的音乐推荐算法主要是协同过滤算法和基于内容的推荐算法。

但是，经过实际调研发现。音乐和用户在收听音乐时所处于的实时场景有极大的相关性。对于不同的场景需要使用不同的推荐算法进行推荐，才能解决场景的差异性问题。因此，研究场景和算法的匹配问题是有实际价值的。而由于场景是不停的变化的，算法的更新速度是比较缓慢的，解决基于场景的实时最优音乐推荐问题是非常重要且具有实际价值的。马氏链作为描述在当前信息下，未来可能的变化趋势的随机过程，用来更新算法和场景的匹配矩阵是合适的。因此考虑使用马氏链的思想来解决算法和场景匹配矩阵的分数更新，来适应越来越快的场景的变化。使用马氏链的更新策略，可以使算法跟上场景更新的节奏，解决实时最优音乐推荐的问题。

发明内容

本发明的目的，就是针对上述问题，提出一种基于马氏链的音乐推荐方法。

本发明的技术方案是：一种基于马氏链的音乐推荐方法，其特征在于，包括以下步骤：

a.生成场景集合：统计多个用户收听音乐时的场景，并对不同的场景分别进行标记，采用得到的多个不同场景构成场景集合；

b.建立场景集合与推荐算法库的匹配矩阵，具体包括：

b1.所述推荐算法库为现有的音乐推荐算法的集合，则矩阵M的表达式如下：

$>M=\left(\begin{array}{ccc}{x}_1{y}_1& \mathrm{...}& x_1{y}_n\\ .& .& .\\ .& .& .\\ .& .& .\\ x_a{y}_1& \mathrm{...}& x_a{y}_n\end{array}\right)$>

其中，x表示推荐算法，y表示场景，下标n为场景编号，下标a为推荐算法编号，n和a均为大于等于1的自然数；

b2.假设每一个场景中用户数量固定，采用如下公式计算一个推荐算法对于一个场景中的单个用户的得分：

b3.根据单个用户的得分，采用如下公式计算整个步骤b1中所述的一个推荐算法对于整个场景的得分：

$>S_{{\mathrm{yx}}_1}=\frac{\underset{i=1}{\overset{N}{\Sigma }}{s}_i}{N}$>

其中，N为该场景下总的用户数量；

b4.重复步骤b2和b3直至获得每一个算法在每一个场景下的得分，根据得分和矩阵M建立场景集合与推荐算法库的得分匹配矩阵S如下：

$>S=\left(\begin{array}{ccc}{S}_{x_1{y}_1}& \mathrm{...}& S_{x_1{y}_n}\\ .& .& .\\ .& .& .\\ .& .& .\\ S_{x_a{y}_1}& \mathrm{...}& S_{x_a{y}_n}\end{array}\right);$>

c.采用马氏链的方法对步骤b中获得的匹配矩阵进行更新，具体方法为：

c1.对用户按时间段进行划段：将前面的k个用户作为第一时间段段，将第k+1至k+m个用户作为第二时间段，依次类推，每新增同样用户，则进入步骤c2更新一次场景算法匹配矩阵；

c2.对每一段的用户，假设t时刻获得的匹配矩阵为S^t，从t时刻到t+1时刻，用户对于场景偏好发生改变，发生改变的概率采用如下公式计算：

下标i、j为不同场景的编号；

采用公式：

$>S_{ij}^{t+1}=\underset{k}{\Sigma }{S}_{ik}^t{T}_{kj}$>

也即是

S^t+1＝S^t*T

获得t+1时刻的匹配矩阵，结束更新。

更新后的矩阵S1为如下所示：

$>S1=\left(\begin{array}{ccc}\underset{K}{\Sigma }{T}_{x_{1}k}{S}_{x_1{y}_1}& \mathrm{...}& \underset{K}{\Sigma }{T}_{x_{1}k}{S}_{x_1{y}_n}\\ .& .& .\\ .& .& .\\ .& .& .\\ \underset{K}{\Sigma }{T}_{x_{a}k}{S}_{x_a{y}_1}& \mathrm{...}& \underset{K}{\Sigma }{T}_{x_{a}k}{S}_{x_a{y}_n}\end{array}\right).$>

本发明的有益效果为，从不同的场景对用户和音乐进行分析，克服现有的音乐推荐系统的推荐算法的单一性，提出了场景和算法的匹配矩阵，以及基于马氏链的场景和算法的匹配矩阵的更新算法，解决了场景差异下，算法的匹配问题和基于场景的实时音乐推荐问题。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图，详细描述本发明的技术方案：

如图1所示，本发明的主要流程为：

a.生成场景集合：统计多个用户收听音乐时的场景，并对不同的场景分别进行标记，采用得到的多个不同场景构成场景集合；

b.建立场景集合与推荐算法库的匹配矩阵，具体包括：

b1.所述推荐算法库为现有的音乐推荐算法的集合，则矩阵M的表达式如下：

$>M=\left(\begin{array}{ccc}{x}_1{y}_1& \mathrm{...}& x_1{y}_n\\ .& .& .\\ .& .& .\\ .& .& .\\ x_a{y}_1& \mathrm{...}& x_a{y}_n\end{array}\right)$>

其中，x表示推荐算法，y表示场景，下标n为场景编号，下标a为推荐算法编号，n和a均为大于等于1的自然数；

b2.假设每一个场景中用户数量固定，采用如下公式计算一个推荐算法对于一个场景中的单个用户的得分：

b3.根据单个用户的得分，采用如下公式计算整个步骤b1中所述的一个推荐算法对于整个场景的得分：

$>S_{{\mathrm{yx}}_1}=\frac{\underset{i=1}{\overset{N}{\Sigma }}{s}_i}{N}$>

其中，N为该场景下总的用户数量；

b4.重复步骤b2和b3直至获得每一个算法在每一个场景下的得分，根据得分和矩阵M建立场景集合与推荐算法库的得分匹配矩阵S如下：

$>S=\left(\begin{array}{ccc}{S}_{x_1{y}_1}& \mathrm{...}& S_{x_1{y}_n}\\ .& .& .\\ .& .& .\\ .& .& .\\ S_{x_a{y}_1}& \mathrm{...}& S_{x_a{y}_n}\end{array}\right);$>

场景集合与推荐算法库的得分匹配矩阵S还可表示为如下表1所示：

表1场景集合与推荐算法库的得分匹配矩阵S

c.采用马氏链的方法对步骤b中获得的匹配矩阵进行更新，具体方法为：

c1.对用户按时间段进行划段：将前面的k个用户作为第一时间段段，将第k+1至k+m个用户作为第二时间段，依次类推，每新增同样用户，则进入步骤c2更新一次场景算法匹配矩阵；

c2.对每一段的用户，假设t时刻获得的匹配矩阵为S^t，从t时刻到t+1时刻，用户对于场景偏好发生改变，发生改变的概率采用如下公式计算：

下标i、j为不同场景的编号；

转移矩阵T可表示为如下表2所示：

表2转移矩阵T

采用公式：

$>S_{ij}^{t+1}=\underset{k}{\Sigma }{S}_{ik}^t{T}_{kj}$>

也即是

S^t+1＝s^t*T

获得t+1时刻的匹配矩阵，结束更新。

更新后的矩阵S1为如下所示：

$>S1=\left(\begin{array}{ccc}\underset{K}{\Sigma }{T}_{x_{1}k}{S}_{x_1{y}_1}& \mathrm{...}& \underset{K}{\Sigma }{T}_{x_{1}k}{S}_{x_1{y}_n}\\ .& .& .\\ .& .& .\\ .& .& .\\ \underset{K}{\Sigma }{T}_{x_{a}k}{S}_{x_a{y}_1}& \mathrm{...}& \underset{K}{\Sigma }{T}_{x_{a}k}{S}_{x_a{y}_n}\end{array}\right).$>