面向用户情绪调节的智能音乐推荐方法及系统

摘要: 本发明属于人工智能,具体涉及一种面向用户情绪调节的智能音乐推荐方法及系统。背景技术:1、随着数字音乐平台、移动终端和在线音频服务的发展,用户能够便捷地获取大量音...
面向用户情绪调节的智能音乐推荐方法及系统

本发明属于人工智能,具体涉及一种面向用户情绪调节的智能音乐推荐方法及系统。

背景技术:

1、随着数字音乐平台、移动终端和在线音频服务的发展,用户能够便捷地获取大量音乐内容。现有音乐推荐系统通常根据用户历史播放行为、收藏行为、协同过滤结果、歌曲相似度、音频内容特征或者人工标注的情绪标签向用户推荐音乐。

2、然而,在情绪调节音乐推荐场景中,用户的需求通常不仅是获得与历史偏好相似的歌曲,而是希望根据当前情绪状态获得能够保持当前状态、平静下来、获得安慰或者振作起来的音乐内容。现有基于用户历史行为的推荐方法主要反映用户长期偏好,难以根据用户即时输入的自然语言文本确定当前情绪状态。现有基于离散情绪标签的推荐方法通常将音乐标注为若干固定情绪类别,难以刻画当前情绪状态与目标情绪状态之间的连续变化关系。现有基于音频特征或者歌曲相似度的推荐方法虽然能够在一定程度上度量音乐内容相似性,但通常缺少将用户文本情绪、音乐连续情绪属性和音乐语义标签联合起来的可解释推荐路径。

3、进一步地,在实际音乐推荐系统中,候选音乐往往不具有稳定、完整的人工情绪标签。若仅依赖人工标签或者单一情绪类别进行推荐,容易导致推荐结果缺乏连续情绪空间上的调节方向,也难以说明被推荐音乐与用户调节目标之间的关系。因此,需要一种能够根据用户文本输入估计当前情绪状态,根据调节策略和调节强度生成目标情绪状态,并结合音乐 va 预测属性和音乐 tag 预测属性进行联合排序的智能音乐推荐方法。

技术实现思路

1、本发明的目的在于提供一种面向用户情绪调节的智能音乐推荐方法,克服了传统推荐方法难以根据用户即时情绪状态进行连续情绪调节推荐的缺陷,具有推荐结果情绪适配性高的优点。采用的技术方案为:

2、一种面向用户情绪调节的智能音乐推荐方法,包括步骤:

3、步骤1、获取用户输入文本、调节策略、调节强度和候选音乐集合;

4、步骤2、根据所述用户输入文本估计当前情绪状态,所述当前情绪状态为效价-唤醒度二维连续情绪空间中的坐标;

5、步骤3、根据所述当前情绪状态、调节策略和调节强度生成目标情绪状态;其中,策略锚点根据预设代表标签所对应的tag原型确定,所述tag原型为预先存储于数据库中的固定值;

6、步骤4、获取所述候选音乐集合中每一首候选音乐的音乐va预测属性,所述音乐va预测属性为所述候选音乐在所述效价-唤醒度二维连续情绪空间中的坐标;

7、步骤5、获取所述候选音乐集合中每一首候选音乐的音乐tag预测属性,所述音乐tag预测属性为所述候选音乐在预设标签体系中各标签上的预测概率所构成的多维概率向量;

8、步骤6、根据所述目标情绪状态和预先存储的各所述tag原型生成目标tag分布;

9、步骤7、根据所述当前情绪状态、所述目标情绪状态、所述音乐va预测属性、所述音乐tag预测属性以及所述目标tag分布,计算每一首候选音乐的联合排序函数,所述联合排序函数包括目标情绪接近项、当前情绪关联项和tag语义匹配项;

10、步骤8、根据所述联合排序函数对所述候选音乐集合中的候选音乐进行排序,输出top-k音乐推荐列表。

11、优选地,步骤3中根据所述当前情绪状态、所述调节策略和所述调节强度生成目标情绪状态,包括:

12、根据所述调节策略确定策略锚点,通过公式计算所述目标情绪状态,其中,为所述调节强度,取值范围为[0,1];

13、所述调节策略包括保持当前状态策略、平静策略、安慰策略和振作策略中的至少一种;

14、当所述调节策略为保持当前状态策略时,所述策略锚点;当所述调节策略为平静策略、安慰策略或振作策略时,所述策略锚点由对应策略的代表标签的tag原型确定。

15、优选地,所述tag原型通过以下方式预先构建:

16、步骤a、获取候选音乐集合中每一首候选音乐的音乐va预测属性和音乐tag预测属性;

17、步骤b、针对预设标签体系中的每一类标签,按照候选音乐在标签上的预测概率从高到低排序,筛选出排名前5%的候选音乐作为高置信样本集合;

18、步骤c、以所述高置信样本的预测概率为权重,对所述高置信样本的音乐va预测属性进行加权平均,得到标签的tag原型。

19、优选地,所述音乐va预测属性和所述音乐tag预测属性为通过音频特征提取和模型预测预先计算并存储于数据库中的固定值;在线推荐阶段从所述数据库中查询读取所述和所述。

20、优选地,步骤6中根据所述目标情绪状态和预先存储的各所述tag原型生成目标tag分布,包括:

21、步骤6a、计算所述目标情绪状态与每一类标签的tag原型在效价-唤醒度空间中的欧氏距离;

22、步骤6b、将所述欧式距离通过负指数映射函数转换为激活值;

23、步骤6c、对所有标签的激活值进行softmax归一化,得到目标tag分布。

24、优选地,步骤7中所述联合排序函数包括:

25、目标情绪接近项,用于衡量所述候选音乐的所述音乐va预测属性与所述目标情绪状态的接近程度;

26、当前情绪关联项,用于衡量所述候选音乐的所述音乐va预测属性与所述当前情绪状态的衔接程度;

27、tag语义匹配项,用于衡量所述候选音乐的所述音乐tag预测属性与所述目标tag分布的匹配程度;

28、所述联合排序函数为,其中、、为预设权重参数,且。

29、一种面向用户情绪调节的智能音乐推荐系统,包括:

30、用户接口模块,用于获取用户输入文本、调节策略、调节强度和候选音乐集合;

31、文本情绪状态估计模块,用于根据所述用户输入文本估计当前情绪状态,所述当前情绪状态为效价-唤醒度二维连续情绪空间中的坐标;

32、目标情绪状态生成模块,用于根据所述当前情绪状态、所述调节策略和所述调节强度生成目标情绪状态;

33、数据库,用于预先存储候选音乐集合中每一首候选音乐的音乐va预测属性、音乐tag预测属性,以及预设标签体系中每一类标签的tag原型;

34、音频特征提取模块,用于对候选音乐进行音频特征提取;

35、音乐va预测模块,用于根据所述音频特征输出所述候选音乐的所述音乐va预测属性;

36、音乐tag预测模块,用于根据所述音频特征输出所述候选音乐的所述音乐tag预测属性;

37、tag原型构建模块,用于根据所述音乐va预测属性和所述音乐tag预测属性,针对预设标签体系中的每一类标签构建tag原型;

38、目标tag分布生成模块,用于根据所述目标情绪状态和预先存储的各所述tag原型生成目标tag分布;

39、联合排序模块,用于根据所述当前情绪状态、所述目标情绪状态、所述音乐va预测属性、所述音乐tag预测属性以及所述目标tag分布,计算每一首候选音乐的联合排序函数,并根据所述联合排序函数对候选音乐进行排序,输出top-k音乐推荐列表;

40、及推荐解释信息输出模块,用于输出推荐解释信息。

41、与现有技术相比,本发明的优点为:

42、1、本发明提供一种面向用户情绪调节的智能音乐推荐方法,能够将用户输入文本、调节策略、调节强度和候选音乐集合统一纳入推荐流程中,先根据用户输入文本估计当前情绪状态,再根据当前情绪状态、调节策略和调节强度生成目标情绪状态,进而基于候选音乐的音乐 va 预测属性和音乐 tag 预测属性进行联合排序推荐。

43、与仅基于用户历史播放行为、歌曲相似度或离散情绪标签的推荐方法相比,本发明不仅考虑用户长期偏好或歌曲内容相似性,还能够根据用户即时文本输入确定当前情绪状态,并根据保持当前状态、平静、安慰、振作等不同调节策略生成对应目标情绪状态,从而更适合情绪调节场景。

44、2、本发明将用户当前情绪状态、目标情绪状态以及候选音乐的音乐 va 预测属性统一表示在效价—唤醒度二维连续情绪空间中,能够刻画当前情绪状态与目标情绪状态之间的连续变化关系,避免传统离散情绪标签推荐方法只能进行固定类别匹配的问题。通过目标情绪接近项和当前情绪关联项,本发明既能够选择更接近目标情绪状态的候选音乐,又能够保持候选音乐与用户当前情绪基调之间的衔接顺畅度,使推荐结果具有更明确的情绪调节方向。

45、3、本发明不要求候选音乐具有真实人工情绪标签,而是使用音乐 va 预测属性和音乐 tag 预测属性作为模型预测属性或伪属性。

46、通过候选音乐在各音乐 tag 上的模型预测概率筛选高置信样本,并以高置信样本的音乐 va 预测属性进行加权平均构建 tag 原型,使离散 tag 语义能够映射到连续va 情绪空间中。

47、由此,本发明能够在人工标签不完整、不稳定或成本较高的实际音乐库场景下,仍然利用模型预测结果完成情绪—语义联合推荐。

48、4、本发明根据目标情绪状态与各 tag 原型之间的距离生成目标 tag 分布,使距离目标情绪状态越近的 tag 原型在目标 tag 分布中具有更高权重。通过该机制,本发明能够把“目标情绪状态”进一步转换成可用于音乐排序的 tag 语义偏好,使推荐结果同时受到 va 情绪路径和 tag 语义路径约束,从而提高推荐结果的情绪适配性和语义可解释性。

49、5、本发明构建 va-tag 联合排序函数,将目标情绪接近项、当前情绪关联项和 tag 语义匹配项融合计算候选音乐综合得分,并据此输出 top-k音乐推荐列表。

50、相比单一相似度排序或单一标签排序,本发明能够综合衡量候选音乐是否接近目标情绪、是否与当前情绪衔接、是否符合目标 tag 分布,从而提高推荐排序的综合适配性。

51、6、本发明能够输出推荐解释信息,包括用户当前情绪状态、目标情绪状态、被推荐音乐的音乐 va 预测属性、主导音乐 tag 预测概率或展示标签、候选音乐与目标情绪状态之间的距离、候选音乐与当前情绪状态之间的距离以及 tag 语义匹配得分信息。由此,用户不仅能够获得 top-k 推荐音乐列表,还能够了解系统为什么推荐该音乐,提高推荐结果的透明性和可解释性。