本發(fā)明涉及音樂推薦，具體涉及一種音樂智能推薦及音樂數(shù)據(jù)分享方法系統(tǒng)。

背景技術(shù)：

1、音樂智能推薦是指利用人工智能和大數(shù)據(jù)技術(shù)，根據(jù)用戶的音樂喜好、收聽歷史、情感狀態(tài)等個性化數(shù)據(jù)，為用戶推薦符合其口味的音樂內(nèi)容。這種推薦系統(tǒng)通過分析海量的音樂數(shù)據(jù)，識別用戶偏好，自動生成播放列表或推薦新的歌曲、專輯和藝術(shù)家，從而提升用戶的音樂體驗(yàn)。

2、音樂數(shù)據(jù)分享則是指用戶或平臺之間共享與音樂相關(guān)的數(shù)據(jù)，如用戶的播放記錄、收藏曲目、評價(jià)和評論等。這些數(shù)據(jù)的共享可以用于社交互動，幫助用戶發(fā)現(xiàn)新的音樂，也可以用于改進(jìn)音樂推薦算法，使推薦更加準(zhǔn)確和個性化。此外，音樂數(shù)據(jù)分享還能為藝術(shù)家、唱片公司和開發(fā)者提供有價(jià)值的市場洞察和反饋。

3、現(xiàn)有技術(shù)存在以下不足之處：

4、在當(dāng)前的音樂推薦系統(tǒng)中，用戶的音樂喜好和行為數(shù)據(jù)往往分散在不同的音樂平臺中，難以有效地整合與分析。這導(dǎo)致推薦系統(tǒng)無法精準(zhǔn)捕捉用戶的全局音樂偏好，從而影響推薦結(jié)果的準(zhǔn)確性。此外，現(xiàn)有的音樂數(shù)據(jù)分享方式缺乏安全性，用戶無法在不同平臺之間高效且安全地分享和遷移音樂數(shù)據(jù)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種音樂智能推薦及音樂數(shù)據(jù)分享方法系統(tǒng)，以解決背景技術(shù)中不足。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種音樂智能推薦及音樂數(shù)據(jù)分享方法，包括以下步驟：

3、s1：獲取用戶在若干個音樂平臺上的音樂偏好數(shù)據(jù)，所述音樂偏好數(shù)據(jù)包括音樂播放數(shù)據(jù)，搜索數(shù)據(jù)及用戶交互數(shù)據(jù)；

4、s2：根據(jù)用戶在各個平臺上的音樂偏好數(shù)據(jù)，構(gòu)建用戶的全局音樂偏好模型，并通過全局音樂偏好模型生成實(shí)時的音樂播放推薦列表；

5、s3：根據(jù)用戶對音樂播放推薦列表的播放率變化情況以及用戶搜索音樂與音樂播放推薦列表推薦音樂之間的相似性程度，評估全局音樂偏好模型的準(zhǔn)確性；

6、s4：根據(jù)評估結(jié)果，將全局音樂偏好模型的準(zhǔn)確性劃分為不同的等級，將其劃分為高準(zhǔn)確性級別，一般準(zhǔn)確性級別和低準(zhǔn)確性級別，并對音樂播放推薦列表進(jìn)行相應(yīng)的調(diào)整；

7、s5：根據(jù)調(diào)整后的音樂播放推薦列表，將用戶在不同音樂平臺之間音樂偏好數(shù)據(jù)進(jìn)行分享和遷移，并實(shí)時監(jiān)測，獲取數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性；

8、s6：通過模糊邏輯對數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行分析，評估音樂偏好數(shù)據(jù)分享過程的安全性，并根據(jù)評估結(jié)果對音樂偏好數(shù)據(jù)分享過程進(jìn)行優(yōu)化。

9、優(yōu)選的，s3中，根據(jù)用戶對音樂播放推薦列表的播放率變化情況以及用戶搜索音樂與音樂播放推薦列表推薦音樂之間的相似性程度，評估全局音樂偏好模型的準(zhǔn)確性，具體為：

10、根據(jù)用戶對音樂播放推薦列表的播放率變化情況生成曲目跳轉(zhuǎn)密度波動指數(shù)，則曲目跳轉(zhuǎn)密度波動指數(shù)的獲取方法為：

11、計(jì)算用戶在一個時間窗口內(nèi)的曲目跳轉(zhuǎn)密度記為時間序列y1,y2,…,yt,…,yt，其中yt表示在時間t的曲目跳轉(zhuǎn)密度，將跳轉(zhuǎn)行為分為三種狀態(tài)：低跳轉(zhuǎn)狀態(tài)（l）、中跳轉(zhuǎn)狀態(tài)（m）、高跳轉(zhuǎn)狀態(tài)（h）；將時間序列yt離散化成觀察序列o={o1,o2,…,ot}，其中ot表示在時間t的離散觀察值；初始狀態(tài)概率向量π={π1,π2,…,πn}：表示系統(tǒng)在初始時刻屬于狀態(tài)i的概率，其中，n是狀態(tài)數(shù)量，狀態(tài)轉(zhuǎn)移矩陣a={aij}：表示從狀態(tài)i轉(zhuǎn)移到狀態(tài)j的概率，其中，；觀測概率矩陣b={bj(o)}：表示在狀態(tài)j下觀察到ot=o的概率；

12、使用baum-welch算法對其進(jìn)行訓(xùn)練，更新模型參數(shù)λ=(π,a,b)，通過最大化觀測序列的似然函數(shù)來調(diào)整參數(shù)，在給定的訓(xùn)練數(shù)據(jù)上反復(fù)迭代，直到參數(shù)收斂為止；使用viterbi算法找到目標(biāo)狀態(tài)序列s={s1,s2,…,st}，即用戶在不同時間段的跳轉(zhuǎn)行為模式，表達(dá)式為：；式中，為viterbi算法中的最優(yōu)路徑概率，表示在時間時刻系統(tǒng)處于狀態(tài)i的最優(yōu)路徑概率，從最終時間t反向追蹤最優(yōu)狀態(tài)序列，計(jì)算高跳轉(zhuǎn)密度狀態(tài)（h）與低跳轉(zhuǎn)密度狀態(tài)（l）之間的轉(zhuǎn)移頻率，即計(jì)算曲目跳轉(zhuǎn)密度波動指數(shù)，表達(dá)式為：；式中，tsd為曲目跳轉(zhuǎn)密度波動指數(shù)。

13、優(yōu)選的，s3中，根據(jù)用戶搜索音樂與音樂播放推薦列表推薦音樂之間的相似性程度生成節(jié)奏匹配率偏差指數(shù)，節(jié)奏匹配率偏差指數(shù)的獲取方法為：

14、收集用戶搜索音樂的節(jié)奏數(shù)據(jù)包括節(jié)拍速率，同時收集推薦音樂列表中每首音樂的bpm值；對bpm值進(jìn)行標(biāo)準(zhǔn)化處理，生成兩個標(biāo)準(zhǔn)化后的bpm序列，一個對應(yīng)用戶搜索的音樂，另一個對應(yīng)推薦音樂；對于用戶搜索的每首音樂和推薦列表中的每首音樂，計(jì)算它們的節(jié)奏匹配率，表達(dá)式為：；式中，是用戶搜索的音樂的bpm值，是推薦音樂的bpm值，對所有音樂對的rmr值求平均得到整體的節(jié)奏匹配率，表達(dá)式為：；式中，n是用戶搜索音樂和推薦音樂對的數(shù)量，計(jì)算每對音樂的節(jié)奏匹配偏差，表達(dá)式為：；對所有音樂對的匹配偏差求平均，得到節(jié)奏匹配率偏差指數(shù)rmrd，表達(dá)式為：。

15、優(yōu)選的，s3中，評估全局音樂偏好模型的準(zhǔn)確性，具體為：

16、將曲目跳轉(zhuǎn)密度波動指數(shù)和節(jié)奏匹配率偏差指數(shù)轉(zhuǎn)換為第一特征向量，將第一特征向量作為機(jī)器學(xué)習(xí)模型的輸入，機(jī)器學(xué)習(xí)模型以每組第一特征向量預(yù)測全局音樂偏好模型的準(zhǔn)確性值標(biāo)簽為預(yù)測目標(biāo)，以最小化對所有全局音樂偏好模型的準(zhǔn)確性性值標(biāo)簽的預(yù)測誤差之和作為訓(xùn)練目標(biāo)，對機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，直至預(yù)測誤差之和達(dá)到收斂時停止模型訓(xùn)練，根據(jù)模型輸出結(jié)果確定全局音樂偏好模型的準(zhǔn)確性值，其中，機(jī)器學(xué)習(xí)模型為多項(xiàng)式回歸模型。

17、優(yōu)選的，s4中，將全局音樂偏好模型的準(zhǔn)確性劃分為不同的等級，具體為：

18、將獲取到的全局音樂偏好模型的準(zhǔn)確性值與梯度標(biāo)準(zhǔn)閾值進(jìn)行比較，梯度標(biāo)準(zhǔn)閾值包括第一標(biāo)準(zhǔn)閾值和第二標(biāo)準(zhǔn)閾值，且第一標(biāo)準(zhǔn)閾值小于第二標(biāo)準(zhǔn)閾值，將全局音樂偏好模型的準(zhǔn)確性值分別與第一標(biāo)準(zhǔn)閾值和第二標(biāo)準(zhǔn)閾值進(jìn)行對比；

19、若全局音樂偏好模型的準(zhǔn)確性值大于第二標(biāo)準(zhǔn)閾值，說明全局音樂偏好模型的準(zhǔn)確性高，將其劃分為高準(zhǔn)確性級別，并生成模型高準(zhǔn)確性信號；若全局音樂偏好模型的準(zhǔn)確性值大于等于第一標(biāo)準(zhǔn)閾值且小于等于第二標(biāo)準(zhǔn)閾值，說明全局音樂偏好模型的準(zhǔn)確性一般，將其劃分為中準(zhǔn)確性級別，并生成模型中準(zhǔn)確性信號；若全局音樂偏好模型的準(zhǔn)確性值小于第一標(biāo)準(zhǔn)閾值，說明全局音樂偏好模型的準(zhǔn)確性低，將其劃分為低準(zhǔn)確性級別，并生成模型低準(zhǔn)確性信號。

20、優(yōu)選的，s5中，實(shí)時監(jiān)測，獲取數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性，具體為：

21、根據(jù)數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)生成傳輸延遲抖動指數(shù)，則傳輸延遲抖動指數(shù)的獲取方法為：

22、收集數(shù)據(jù)傳輸過程中每個數(shù)據(jù)包的延遲時間序列，對延遲數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，標(biāo)準(zhǔn)化后的延遲時間序列，其中，n是數(shù)據(jù)包的編號；選擇小波函數(shù)ψ(s)來分解延遲數(shù)據(jù)，s為時間，確定小波分解的層數(shù)j，使用離散小波變換將延遲信號分解成不同尺度下的逼近系數(shù)和細(xì)節(jié)系數(shù)，表達(dá)式為：；是在第j層尺度下的系數(shù)，是對應(yīng)的小波基函數(shù)，提取每一層細(xì)節(jié)系數(shù)，表達(dá)式為：；各層細(xì)節(jié)系數(shù),,...，其中，表示第j層的細(xì)節(jié)系數(shù)，對每層的細(xì)節(jié)系數(shù)計(jì)算能量，表達(dá)式為：；其中，是第j層的第k個細(xì)節(jié)系數(shù)，是對應(yīng)的能量，各層細(xì)節(jié)系數(shù)的能量為,,...；綜合所有層的細(xì)節(jié)系數(shù)能量，得到總的抖動能量，表達(dá)式為：；對總能量進(jìn)行歸一化處理，得到傳輸延遲抖動指數(shù)，表達(dá)式為：；其中，n是延遲信號的總長度。

23、優(yōu)選的，根據(jù)數(shù)據(jù)傳輸過程中的通信網(wǎng)絡(luò)的穩(wěn)定性生成重傳聚集度指數(shù)，則重傳聚集度指數(shù)的獲取方法為：

24、根據(jù)時間ti和網(wǎng)絡(luò)位置pi對重傳事件進(jìn)行聚類，將重傳事件分為若干個聚類簇c1,c2,…,cm，其中，m是聚類簇的數(shù)量，統(tǒng)計(jì)每個聚類簇中的重傳事件數(shù)量，其中，j=1,2,…,m；聚類后的重傳事件簇和每個簇內(nèi)的重傳次數(shù)；計(jì)算每個聚類簇的權(quán)重，即每個簇的重傳次數(shù)占總重傳次數(shù)的比例，表達(dá)式為：；式中，n是重傳事件的總數(shù)，計(jì)算所有簇的權(quán)重平方和來表示聚集度，即計(jì)算重傳聚集度指數(shù)，表達(dá)式為：；式中，為重傳聚集度指數(shù)。

25、優(yōu)選的，s6中，通過模糊邏輯對數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行分析，評估音樂偏好數(shù)據(jù)分享過程的安全性，具體為：

26、將傳輸延遲抖動指數(shù)td和重傳聚集度指數(shù)mr作為模糊邏輯的輸入項(xiàng)，將音樂偏好數(shù)據(jù)分享過程的安全性值wd作為模糊邏輯的輸出項(xiàng)；

27、為每個輸入變量td和mr定義模糊集合，對輸出變量wd也定義模糊集合；

28、為每個模糊集合定義隸屬度，即為重傳聚集度指數(shù)mr和輸出安全性值wd定義隸屬函數(shù)；

29、對具體的td和mr值，計(jì)算其在各個模糊集合中的隸屬度；

30、輸入變量td和mr的模糊隸屬度，作為模糊邏輯規(guī)則的基礎(chǔ)；

31、設(shè)計(jì)模糊規(guī)則將輸入變量映射到輸出變量；

32、構(gòu)建模糊規(guī)則表，將所有td和mr組合映射到對應(yīng)的wd輸出；

33、根據(jù)當(dāng)前的td和mr值，激活相應(yīng)的模糊規(guī)則；

34、對所有激活的規(guī)則進(jìn)行推理，計(jì)算輸出變量wd在各個模糊集合中的隸屬度；使用最小-最大推理法將激活的規(guī)則輸出綜合起來，表達(dá)式為：；式中，和是輸入隸屬函數(shù)，是輸出隸屬函數(shù)；

35、使用重心法（centroid?method）對輸出隸屬函數(shù)進(jìn)行去模糊化，得到精確的安全性值wd，表達(dá)式為：；其中，是對應(yīng)的隸屬度。

36、優(yōu)選的，根據(jù)計(jì)算得到的安全性值，判斷當(dāng)前數(shù)據(jù)分享過程的安全性，將獲取到的安全性值與安全性值參考閾值進(jìn)行比較，若安全性值大于等于安全性值參考閾值，此時不生成預(yù)警信號，無需進(jìn)行處理；若安全性值小于安全性值參考閾值，此時生成預(yù)警信號，采取優(yōu)化措施。

37、本發(fā)明還提供了一種音樂智能推薦及音樂數(shù)據(jù)分享系統(tǒng)，包括數(shù)據(jù)獲取模塊、全局音樂偏好模型構(gòu)建模塊、準(zhǔn)確性評估模塊、調(diào)整模塊，數(shù)據(jù)分享模塊以及安全性分析模塊；

38、數(shù)據(jù)獲取模塊：獲取用戶在若干個音樂平臺上的音樂偏好數(shù)據(jù)，所述音樂偏好數(shù)據(jù)包括音樂播放數(shù)據(jù)，搜索數(shù)據(jù)及用戶交互數(shù)據(jù)；

39、全局音樂偏好模型構(gòu)建模塊：根據(jù)用戶在各個平臺上的音樂偏好數(shù)據(jù)，構(gòu)建用戶的全局音樂偏好模型，并通過全局音樂偏好模型生成實(shí)時的音樂播放推薦列表；

40、準(zhǔn)確性評估模塊：根據(jù)用戶對音樂播放推薦列表的播放率變化情況以及用戶搜索音樂與音樂播放推薦列表推薦音樂之間的相似性程度，評估全局音樂偏好模型的準(zhǔn)確性；

41、調(diào)整模塊：根據(jù)評估結(jié)果，將全局音樂偏好模型的準(zhǔn)確性劃分為不同的等級，將其劃分為高準(zhǔn)確性級別，一般準(zhǔn)確性級別和低準(zhǔn)確性級別，并對音樂播放推薦列表進(jìn)行相應(yīng)的調(diào)整；

42、數(shù)據(jù)分享模塊：根據(jù)調(diào)整后的音樂播放推薦列表，將用戶在不同音樂平臺之間音樂偏好數(shù)據(jù)進(jìn)行分享和遷移，并實(shí)時監(jiān)測，獲取數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性；

43、安全性分析模塊：通過模糊邏輯對數(shù)據(jù)傳輸過程中的數(shù)據(jù)同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性進(jìn)行分析，評估音樂偏好數(shù)據(jù)分享過程的安全性，并根據(jù)評估結(jié)果對音樂偏好數(shù)據(jù)分享過程進(jìn)行優(yōu)化。

44、在上述技術(shù)方案中，本發(fā)明提供的技術(shù)效果和優(yōu)點(diǎn)：

45、1、本發(fā)明通過整合用戶在多個音樂平臺上的音樂播放數(shù)據(jù)、搜索數(shù)據(jù)及用戶交互數(shù)據(jù)，構(gòu)建全局音樂偏好模型并實(shí)時生成個性化推薦列表，動態(tài)評估并優(yōu)化推薦的準(zhǔn)確性，實(shí)現(xiàn)了更精準(zhǔn)的音樂推薦。同時，通過模糊邏輯分析數(shù)據(jù)傳輸過程中的同步效率波動狀態(tài)和通信網(wǎng)絡(luò)的穩(wěn)定性，有效評估并提升了音樂數(shù)據(jù)分享過程的安全性，確保用戶數(shù)據(jù)在不同平臺間的高效、安全遷移。

46、2、本發(fā)明通過創(chuàng)新的安全性評估和優(yōu)化機(jī)制，解決了音樂數(shù)據(jù)分享過程中的安全性挑戰(zhàn)。整體上，本發(fā)明提高了推薦系統(tǒng)的準(zhǔn)確性和用戶體驗(yàn)，增強(qiáng)了跨平臺數(shù)據(jù)分享的穩(wěn)定性和可靠性，使用戶能夠在多個平臺間享受一致的音樂體驗(yàn)。