基于卷积神经网络的音乐推荐方法、存储介质和电子装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111488485A(43)申请公布日2020.08.04(21)申请号202010302141.4(22)申请日2020.04.16(71)申请人北京雷石天地电子技术有限公司地址100000北京市朝阳区天畅园8号楼3层8-307(72)发明人沈建荣周兆鑫袁阳(74)专利代理机构深圳壹舟知识产权代理事务所(普通合伙)44331代理人寇闯(51)Int.Cl.G06F16/635(2019.01)G06F16/638(2019.01)G06N3/04(2006.01)G10L15/02(2006.01)G10L15/16(2006.01)权利要求书2页说明书4页附图2页(54)发明名称基于卷积神经网络的音乐推荐方法、存储介质和电子装置(57)摘要本发明公开了一种基于卷积神经网络的音乐推荐方法、存储介质和电子装置，通过训练好的性别识别卷积神经网络、音色识别卷积神经网络和音调识别卷积神经网络对用户录音进行特征识别，以获得用户的性别、音色和音调，并基于用户的性别、音色和音调三个参数类别及其权重向用户推荐音乐。本发明基于用户录音的声音特质，而不是用户所录的内容，因此不直接使用录音数据进行音乐推荐，大大减少了后期计算量。同时，通过单独训练三个卷积神经网络识别用户声音的三个参数类别，并根据各类别权重向用户推荐音乐，提高了推荐全面性的同时也提高了推荐准确率。CN111488485ACN111488485A权利要求书1/2页1.一种基于卷积神经网络的音乐推荐方法，其特征在于，包括：步骤1：接收用户的录音；步骤2：通过训练好的性别识别卷积神经网络、音色识别卷积神经网络和音调识别卷积神经网络分别对所述用户的录音进行特征识别，以获得所述用户的性别类别、音色类别和音调类别；步骤3：根据所述用户的性别类别、音色类别和音调类别以及预设的每一类别需要推荐的歌曲数量所占需要推荐的歌曲总数的比例，从曲库中筛选歌曲；步骤4：判断筛选出的歌曲数量是否达到所需的推荐歌曲数量，如否，则跳转至步骤5，如是，则跳转至步骤6；步骤5：根据每一类别需要推荐的歌曲数量所占需要推荐的歌曲总数的比例，计算出要使筛选出的歌曲数量达到所需的推荐歌曲数量各类别还需筛选出的歌曲数量，并据此从曲库中补充筛选歌曲；步骤6：将筛选出的所有歌曲推送到用户客户端进行展示。2.如权利要求1所述的音乐推荐方法，其特征在于，还包括：步骤7：统计用户在所述客户端对各类别对应的推荐歌曲的播放次数，并计算每一类别对应的推荐歌曲的播放次数占所有推荐歌曲的总播放次数的比例；步骤8：将所述步骤3中的比例，以每一类别对应的推荐歌曲的播放次数占所有推荐歌曲的总播放次数的比例与原来根据同一类别需要推荐的歌曲数量所占需要推荐的歌曲总数的比例的平均值迭代，并返回步骤3。3.如权利要求2所述的音乐推荐方法，其特征在于，当迭代过程中某一类别需要推荐的歌曲数量所占需要推荐的歌曲总数的比例趋近于0，则在进行音乐推荐时不再参考该类别因素，并剔除该类别识别对应的卷积神经网络不再使用。4.如权利要求1所述的音乐推荐方法，其特征在于，所述性别识别卷积神经网络、音色识别卷积神经网络和音调识别卷积神经网络的训练方法包括：从数据库中选取用户打分超过设定值的录音作为录音样本；生成所述录音样本的声波图；离散密集型地从所述声波图上选择声音点，生成稀疏的声音矩阵模型；利用所述声音矩阵模型分别进行性别识别卷积神经网络、音色识别卷积神经网络和音调识别卷积神经网络的训练，直到收敛。5.如权利要求4所述的音乐推荐方法，其特征在于，所述声音矩阵模型中，在声波曲线上的声音点的值为1，其余位置的声音点的值为0。6.如权利要求4所述的音乐推荐方法，其特征在于，在生成所述录音样本的声波图之前，还包括：随机生成噪声脉冲信号，并将所述噪声脉冲信号加入选取的录音中，生成新的录音，并将所述新的录音也作为录音样本。7.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一所述的音乐推荐方法。8.一种电子装置，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1至6中2CN111488485A权利要求书2/2页任一所述的音乐推荐方法。3CN111488485A说明书1/4页基于卷积神经网络的音乐推荐方法、存储介质和电子装置技术领域[0001]本发明涉及机器视觉识别技术，具体涉及一种基于卷积神经网络的音乐推荐方法、存储介质和电子装置。背景技术[0002]在智能设备上收听音乐已经成为音乐爱好者的日常习惯。当用户使用音乐app点播音乐时，app可以向用户推荐歌曲。现有的音乐推荐方式