專利名稱：閱讀文學作品的背景音樂推薦系統(tǒng)及其實現(xiàn)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種音樂自動推薦系統(tǒng)，特別是涉及一種針對文學作品閱讀過程中播放背景音樂的自動推薦系統(tǒng)。
背景技術(shù)：
智能推薦技術(shù)是一種結(jié)合了數(shù)據(jù)挖掘、信息過濾、自然語言處理等傳統(tǒng)人工智能領(lǐng)域的綜合技術(shù)，并逐漸得到了廣泛使用。例如，電子商務網(wǎng)站往往采用智能推薦技術(shù)，通過總結(jié)客戶的興趣品味，來預測客戶的購物傾向，并推薦相關(guān)產(chǎn)品。文學網(wǎng)站主要為用戶提供文學作品的在線閱讀，目前還沒有針對文學作品閱讀過程中的背景音樂自動推薦系統(tǒng)。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種閱讀文學作品的音樂推薦系統(tǒng)，該系統(tǒng)可以在用戶閱讀文學作品時自動推薦音樂作品作為閱讀時的背景音樂。為此，本發(fā)明還要提供所述音樂推薦系統(tǒng)的實現(xiàn)方法。為解決上述技術(shù)問題，本發(fā)明閱讀網(wǎng)絡文學的音樂推薦系統(tǒng)包括音樂特征抽取模塊，該模塊從每首音樂作品中抽取一個音樂特征向量，并發(fā)送給文學聚類模塊、用戶聚類模塊；文學聚類模塊，該模塊將多個文學作品聚類為多個文學類別，識別文學作品所屬的文學類別，計算文學類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊；用戶聚類模塊，該模塊將多個用戶聚類為多個用戶類別，識別用戶所屬的用戶類別，計算用戶類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊；第一判決模塊，將用戶閱讀的文學作品所屬的文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊；第二判決模塊，將用戶所屬的用戶類別與第一判決模塊發(fā)來的所有音樂特征向量之間的相關(guān)值大于第二閾值的那些音樂特征向量所對應的音樂作品，推薦給用戶。上述音樂推薦系統(tǒng)的實現(xiàn)方法包括如下步驟第1步，訓練階段；音樂特征抽取模塊從音樂訓練集中的每一首音樂作品中抽取一種或多種音樂特征，然后對每一首音樂作品形成一個音樂特征向量，并將得到的多個音樂特征向量發(fā)送給文學聚類模塊、用戶聚類模塊；文學聚類模塊從文學訓練集中的每一部文學作品中抽取一種或多種文學特征，然后對所有文學作品根據(jù)文學特征進行聚類，得到多個文學類別以及文學與音樂相關(guān)性統(tǒng)計模型；用戶聚類模塊從用戶訓練集中的每一個用戶中抽取一種或多種用戶特征，然后對所有用戶根據(jù)用戶特征進行聚類，得到多個用戶類別以及用戶與音樂相關(guān)性統(tǒng)計模型；
文學與音樂相關(guān)模塊計算每個文學類別與每個音樂特征向量之間的相關(guān)值；用戶與音樂相關(guān)模塊計算每個用戶類別與每個音樂特征向量之間的相關(guān)值；第2步，使用階段；用戶閱讀文學作品時，文學聚類模塊識別出該文學作品所屬的文學類別，并根據(jù)文學與音樂相關(guān)性統(tǒng)計模型計算所述文學類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊；同時用戶聚類模塊識別出該用戶所屬的用戶類別，并根據(jù)用戶與音樂相關(guān)性統(tǒng)計模型計算所述用戶類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊；第一判決模塊將所述文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊；第二判決模塊將所述用戶類別與所有音樂特征向量之間的相關(guān)值大于第二閾值、 且是第一判決模塊發(fā)送來的音樂特征向量所對應的音樂作品，推薦給用戶。本發(fā)明所述音樂推薦系統(tǒng)及其實現(xiàn)方法可以在用戶閱讀絡文學作品時，根據(jù)文學作品和用戶的兩方面情況，對所有音樂特征向量進行兩次過濾，最后得到推薦給用戶作為閱讀背景音樂的音樂作品。


圖1是本發(fā)明閱讀網(wǎng)絡文學的音樂推薦系統(tǒng)的結(jié)構(gòu)示意圖；圖2是本發(fā)明音樂推薦系統(tǒng)的實現(xiàn)方法第1步的示意圖；圖3是本發(fā)明音樂推薦系統(tǒng)的實現(xiàn)方法第2步的示意圖。
具體實施例方式請參閱圖1，本發(fā)明閱讀網(wǎng)絡文學的音樂推薦系統(tǒng)包括音樂特征抽取模塊，該模塊從音樂訓練集中的每一首音樂作品中抽取一個或多個音樂特征，然后將每一首音樂作品形成一個音樂特征向量，每一首音樂作品與每一個音樂特征向量一一對應，并將得到的多個音樂特征向量發(fā)送給文學聚類模塊、用戶聚類模塊。文學聚類模塊，該模塊首先將文學訓練集中的所有文學作品聚類為多個文學類別，并得到文學與音樂相關(guān)性模型；隨后該模塊即可識別任意文學作品所屬的文學類別，計算該文學類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊。用戶聚類模塊，該模塊首先將用戶訓練集中的所有用戶聚類為多個用戶類別，并得到用戶與音樂相關(guān)性模型；隨后該模塊即可識別任意用戶所屬的用戶類別，計算該用戶類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊。第一判決模塊，將用戶閱讀的文學作品所屬的文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊。第二判決模塊，將用戶所屬的用戶類別與第一判決模塊發(fā)來的所有音樂特征向量之間的相關(guān)值大于第二閥值的那些音樂特征向量所對應的音樂作品，推薦給用戶作為閱讀時的背景音樂。上述音樂推薦系統(tǒng)的實現(xiàn)方法包括如下步驟第1步，訓練階段，請參閱圖2 ；
音樂特征抽取模塊從音樂訓練集中的每一首音樂作品中抽取一種或多種音樂特征，然后將音樂訓練集中的所有音樂作品根據(jù)音樂特征形成音樂特征向量，每首音樂作品與每個音樂特征向量一一對應，并將得到的多個音樂特征向量發(fā)送給文學聚類模塊、用戶聚類模塊。所述音樂特征包括曲作者、詞作者、演唱者、演奏者、語種、音樂流派、年代、壓縮碼率、時長、專輯名稱、旋律、音色中的一種或多種。其中旋律由音樂作品的基音決定，音色由音樂作品的泛音決定。所有的自然聲音基本都是由許多頻率不同的正弦波組成的，其中頻率最低的正弦波即為基音，而其他頻率較高的正弦波則為泛音。最簡單的形成音樂特征向量的方法就是將所有音樂特征一起構(gòu)成一個音樂特征向量，音樂特征向量的維數(shù)等于音樂特征的個數(shù)。例如對所有音樂作品都采集3個音樂特征，分別是演唱者、語種、音樂流派。那么據(jù)此形成的一個音樂特征向量即為[演唱者、語種、音樂流派]。音樂作品A的音樂特征向量的取值為[張三、中文、流行]，其意義為音樂作品A的演唱者為張三，演唱語種為中文，音樂作品A的派別為“流行音樂”。其余音樂作品也都有基于該音樂特征向量的取值。文學聚類模塊從文學訓練集中的每一部文學作品中抽取一種或多種文學特征，然后對文學訓練集中的所有文學作品根據(jù)文學特征進行聚類，得到多個文學類別以及文學與音樂相關(guān)性統(tǒng)計模型。所述文學特征包括作者背景、評價信息、作品描述信息、語言風格信息中的一種或多種。所述作者背景包括作者在文學網(wǎng)站上的注冊時間、性別、教育背景、簡介中的一種或多種。所述評價信息包括該作者以往文學作品的數(shù)量、排名、讀者投票、讀者評價中的一種或多種。所述作品描述信息包括作品的類別、字數(shù)、章節(jié)數(shù)、標簽中的一種或多種。所述語言風格信息包括從作品的標題、摘要、目錄、正文中抽取的文言文、白話文、時尚用語、網(wǎng)絡用語、成語、古文、詩詞的使用分布情況。用戶聚類模塊從用戶訓練集中的每一個用戶中抽取一種或多種用戶特征，然后對用戶訓練集中的所有用戶根據(jù)用戶特征進行聚類，得到多個用戶類別以及用戶與音樂相關(guān)性統(tǒng)計模型。所述用戶特征包括用戶注冊信息、好友信息、文學偏好、音樂偏好中的一種或多種。所述用戶注冊信息包括用戶的性別、年齡、職業(yè)、地區(qū)、教育背景中的一種或多種。所述好友信息包括用戶所加入的俱樂部信息、好友、所支持的作者中的一種或多種。所述文學偏好包括用戶閱讀過的文學作品、是否付費、評價中的一種或多種。所述音樂偏好包括用戶聽過的音樂作品、評價中的一種或多種。所述聚類(clustering)是數(shù)據(jù)挖掘與統(tǒng)計分析領(lǐng)域的一種無監(jiān)督的機器學習 (machine learning)方法，用來將物理或抽象對象的集合組成為由類似的對象組成的多個類別。聚類方法中類別的數(shù)量、名稱都是事先沒有定義的，由機器根據(jù)訓練集(或稱樣本、 樣例)來總結(jié)得出。機器學習包括兩個階段，首先需要一批由人工進行了準確分類的材料作為機器學習的訓練集，機器從這些訓練集中挖掘出一些聚類的規(guī)則，這個過程被稱為訓練。訓練完成之后，機器便可使用挖掘出的規(guī)則對從來沒有見過的材料進行聚類，這個過程被稱為使用。聚類既然是機器學習的一種，自然也遵循上述兩個階段。本申請涉及兩種聚類，分別是文學作品聚類和用戶聚類。下面以文學作品聚類為例進行簡單說明首先文學聚類模塊從文學訓練集中的每一部文學作品中抽取一種或多種文學特征，將這些文學特征形成一個文學特征向量。最簡單的形成文學特征向量的方式就是將所有文學特征構(gòu)成一個文學特征向量，文學特征向量的維數(shù)就是文學特征的個數(shù)。每部文學作品對應于一個文學特征向量。然后文學聚類模塊通過主元分析(Principal component analysis)的方法對所述文學特征向量進行降維處理。接著文學聚類模塊對所有降維后的文學特征向量采用一種統(tǒng)計分析算法進行計算得到多個文學類別。常用的統(tǒng)計分析算法包括Rocchio算法、樸素貝葉斯(Naive Bayes)算法、KNN(最近鄰算)算法、SVM(Support Vector Machine、支持向量機)算法、GMM-UBM(Gaussian mixture model-universal background model，高斯混合模型-通用背景模型)算法等。最后文學聚類模塊建立文學與音樂相關(guān)性統(tǒng)計模型，該模型為每個文學類別與每個音樂特征向量之間的相關(guān)值。舉一個非常簡單的例子進行示意性地說明假設對所有文學作品都采集6個文學特征，分別是作者名稱、以往文學作品付費閱讀人數(shù)、本文學作品的類別、本文學作品的標簽、本文學作品中文言文使用情況、本文學作品中引用古文的情況。那么據(jù)此形成的一個文學特征向量即為[作者名稱、以往文學作品付費閱讀人數(shù)、本文學作品的類別、本文學作品的標簽、本文學作品中文言文使用情況、 本文學作品中引用古文的情況]。文學作品A的文學特征向量的取值為[張三、100、言情、 穿越、10%、1%]，其意義為文學作品A的作者為張三，張三以往的文學作品有100人付費閱讀，文學作品A屬于言情類，文學作品A的標簽為“穿越”，文學作品A中文言文占總文字比例為10%，文學作品A中引用的古文占總文字比例為10%。其余文學作品也都有基于該文學特征向量的取值。該實施例中文學特征向量為6維，即包含了 6個元素，其中有些元素可能并不重要，可以省略掉，這個過程稱為降維。例如降維后的文學特征向量為[作者名稱、以往文學作品付費閱讀人數(shù)、本文學作品的類別、本文學作品的標簽、本文學作品中文言文使用情況]，變成了 5維。實際使用中文學特征向量的維數(shù)可能達到成百上千甚至更多，因此降維是非常重要的。每部文學作品對應一個降維后的文學特征向量，對所有文學作品進行聚類實際上就是對所有降維后的文學特征向量采用某個統(tǒng)計分析算法進行計算，例如采用KNN算法， 得到多個文學類別。在后續(xù)使用過程中，所得到的文學類別的數(shù)量不變，訓練集以外的任意文學作品都歸于這些文學類別之一。最后文學聚類模塊建立文學與音樂相關(guān)性統(tǒng)計模型，這需要依賴文學訓練集。文學訓練集中已經(jīng)包括用戶在閱讀每部文學作品時所選擇的背景音樂，如果文學作品與音樂作品之間被選擇的次數(shù)越多，則該文學作品所屬音樂類別與該音樂作品所對應的音樂特征向量之間的相關(guān)值就越大；反之亦然。所述文學與音樂相關(guān)性統(tǒng)計模型不僅可以計算訓練集中的音樂作品所對應的音樂特征向量與任意文學類別的相關(guān)值，還可以計算訓練集以外的音樂作品所對應的音樂特征向量與任意文學類別的相關(guān)值。其原理是每首音樂作品對應一個音樂特征向量，音樂特征向量采用數(shù)字化表示，根據(jù)訓練集得到有限個音樂特征向量與文學類別的相關(guān)值，據(jù)此總結(jié)出音樂特征向量與文學類別的相關(guān)值的計算關(guān)系，然后即可用該計算關(guān)系計算任意音樂特征向量與任意文學類別的相關(guān)值。所述計算關(guān)系例如是在特征空間計算特征向量和模型中心向量的距離。用戶聚類的方法與上述文學作品聚類的方法類似，也包括形成特征向量、特征向量降維、采用統(tǒng)計分析算法進行計算、建立用戶與音樂相關(guān)性統(tǒng)計模型的四個階段。其中涉及的主元分析算法、各種統(tǒng)計分類算法均為現(xiàn)有技術(shù)，在此不作贅述。其中建立用戶與音樂相關(guān)性統(tǒng)計模型需要依賴用戶訓練集。用戶訓練集中已經(jīng)包括用戶所喜歡的背景音樂，如果用戶與音樂作品之間被選擇的次數(shù)越多，則該用戶所屬用戶類別與該音樂作品所對應的音樂特征向量之間的相關(guān)值就越大；反之亦然。所述音樂特征向量也可以包括降維的步驟。文學作品聚類后，每部文學作品僅屬于一個文學類別。用戶聚類后，每個用戶僅屬于一個用戶類別。第2步，使用階段；用戶閱讀文學作品時，文學聚類模塊識別出該文學作品所屬的文學類別，并根據(jù)文學與音樂相關(guān)性統(tǒng)計模型計算所述文學類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊；同時用戶聚類模塊識別出該用戶所屬的用戶類別，并根據(jù)用戶與音樂相關(guān)性統(tǒng)計模型計算所述用戶類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊。第一判決模塊將所述文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊。第二判決模塊將所述用戶類別與所有音樂特征向量之間的相關(guān)值大于第二閾值、且是第一判決模塊發(fā)送來的音樂特征向量所對應的音樂作品，推薦給用戶。所述“識別出所屬類別”就是采用一種統(tǒng)計分析算法得到訓練集中沒有的新元素所對應的類別。目前的網(wǎng)絡文學網(wǎng)站專注于文學作品內(nèi)容的提供，尚未考慮到背景音樂帶來的綜合體驗。而有些用戶在閱讀網(wǎng)絡文學作品時挑選到合適的背景音樂，也很難和其他用戶分享。本發(fā)明一方面改善了用戶的網(wǎng)絡閱讀體驗，另一方面加強了用戶信息分享，還可以為新歌新曲進行推廣。
權(quán)利要求
1.一種閱讀網(wǎng)絡文學的音樂推薦系統(tǒng)，其特征是，包括音樂特征抽取模塊，該模塊從每首音樂作品中抽取一個音樂特征向量，并發(fā)送給文學聚類模塊、用戶聚類模塊；文學聚類模塊，該模塊將多個文學作品聚類為多個文學類別，識別文學作品所屬的文學類別，計算文學類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊；用戶聚類模塊，該模塊將多個用戶聚類為多個用戶類別，識別用戶所屬的用戶類別，計算用戶類別與音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊；第一判決模塊，將用戶閱讀的文學作品所屬的文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊；第二判決模塊，將用戶所屬的用戶類別與第一判決模塊發(fā)來的所有音樂特征向量之間的相關(guān)值大于第二閾值的那些音樂特征向量所對應的音樂作品，推薦給用戶。
2.如權(quán)利要求1所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，包括如下步驟 第1步，訓練階段；音樂特征抽取模塊從音樂訓練集中的每一首音樂作品中抽取一種或多種音樂特征，然后對每一首音樂作品形成一個音樂特征向量，并將得到的多個音樂特征向量發(fā)送給文學聚類模塊、用戶聚類模塊；文學聚類模塊從文學訓練集中的每一部文學作品中抽取一種或多種文學特征，然后對所有文學作品根據(jù)文學特征進行聚類，得到多個文學類別以及文學與音樂相關(guān)性統(tǒng)計模型；用戶聚類模塊從用戶訓練集中的每一個用戶中抽取一種或多種用戶特征，然后對所有用戶根據(jù)用戶特征進行聚類，得到多個用戶類別以及用戶與音樂相關(guān)性統(tǒng)計模型； 第2步，使用階段；用戶閱讀文學作品時，文學聚類模塊識別出該文學作品所屬的文學類別，并根據(jù)文學與音樂相關(guān)性統(tǒng)計模型計算所述文學類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第一判決模塊；同時用戶聚類模塊識別出該用戶所屬的用戶類別，并根據(jù)用戶與音樂相關(guān)性統(tǒng)計模型計算所述用戶類別與所有音樂特征向量之間的相關(guān)值，并發(fā)送給第二判決模塊；第一判決模塊將所述文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量，發(fā)送給第二判決模塊；第二判決模塊將所述用戶類別與所有音樂特征向量之間的相關(guān)值大于第二閾值、且是第一判決模塊發(fā)送來的音樂特征向量所對應的音樂作品，推薦給用戶。
3.根據(jù)權(quán)利要求2所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，所述音樂特征包括曲作者、詞作者、演唱者、演奏者、語種、音樂流派、年代、壓縮碼率、時長、專輯名稱、旋律、音色中的一種或多種；所述文學特征包括作者背景、評價信息、作品描述信息、語言風格信息中的一種或多種；所述作者背景包括作者在文學網(wǎng)站上的注冊時間、性別、教育背景、簡介中的一種或多種；所述評價信息包括該作者以往文學作品的數(shù)量、排名、讀者投票、讀者評價中的一種或多種；所述作品描述信息包括作品的類別、字數(shù)、章節(jié)數(shù)、標簽中的一種或多種；所述語言風格信息包括從作品的標題、摘要、目錄、正文中抽取的文言文、白話文、時尚用語、網(wǎng)絡用語、成語、古文、詩詞的使用分布情況；所述用戶特征包括用戶注冊信息、好友信息、文學偏好、音樂偏好中的一種或多種；所述用戶注冊信息包括用戶的性別、年齡、職業(yè)、地區(qū)、教育背景中的一種或多種；所述好友信息包括用戶所加入的俱樂部信息、好友、所支持的作者中的一種或多種；所述文學偏好包括用戶閱讀過的文學作品、是否付費、評價中的一種或多種；所述音樂偏好包括用戶聽過的音樂作品、評價中的一種或多種。
4.根據(jù)權(quán)利要求2所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，所述方法第1步中，對所有文學作品根據(jù)文學特征進行聚類包括四個階段；首先是根據(jù)一個或多個文學特征形成文學特征向量；其次是對文學特征向量進行降維；然后是統(tǒng)計分析算法進行計算得到多個文學類別；最后建立文學與音樂相關(guān)性統(tǒng)計模型；所述文學與音樂相關(guān)性統(tǒng)計模型為每個文學類別與每個音樂特征向量之間的相關(guān)值；對所有用戶根據(jù)用戶特征進行聚類也包括四個階段；首先是根據(jù)一個或多個用戶特征形成用戶特征向量；其次是對用戶特征向量進行降維；然后是統(tǒng)計分析算法進行計算得到多個用戶類別；最后建立用戶與音樂相關(guān)性統(tǒng)計模型；所述用戶與音樂相關(guān)性統(tǒng)計模型為每個用戶類別與每個音樂特征向量之間的相關(guān)值。
5.根據(jù)權(quán)利要求2或4所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，所述形成音樂特征向量是將音樂作品的所有音樂特征構(gòu)成一個音樂特征向量，音樂特征向量的維數(shù)就是音樂特征的個數(shù)；每一首音樂作品與每一個音樂特征向量一一對應；所述形成文學特征向量是將文學作品的所有文學特征構(gòu)成一個文學特征向量，文學特征向量的維數(shù)就是文學特征的個數(shù)；每一部文學作品與每一個文學特征向量一一對應；所述形成用戶特征向量是將用戶的所有用戶特征構(gòu)成一個用戶特征向量，用戶特征向量的維數(shù)就是用戶特征的個數(shù)；每一個用戶與每一個用戶特征向量一一對應。
6.根據(jù)權(quán)利要求4所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，每部文學作品僅屬于一個文學類別，每個用戶僅屬于一個用戶類別。
7.根據(jù)權(quán)利要求4所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，所述對文學特征向量或用戶特征向量進行降維采用主元分析算法。
8.根據(jù)權(quán)利要求4所述的音樂推薦系統(tǒng)的實現(xiàn)方法，其特征是，所述統(tǒng)計分析算法包括KNN算法、SVM算法、GMM-UBM算法中的一種或多種。
全文摘要
本發(fā)明公開了一種閱讀網(wǎng)絡文學的音樂推薦系統(tǒng)，包括音樂特征抽取模塊，將所有音樂作品抽取為多個音樂特征向量；文學聚類模塊，將所有文學作品聚類為多個文學類別；用戶聚類模塊，將所有用戶聚類為多個用戶類別；第一判決模塊，將用戶閱讀的文學作品所屬的文學類別與所有音樂特征向量之間的相關(guān)值大于第一閾值的那些音樂特征向量發(fā)送給第二判決模塊；第二判決模塊，將用戶所屬的用戶類別與第一判決模塊發(fā)來的所有音樂特征向量之間的相關(guān)值大于第二閾值的那些音樂特征向量所對應的音樂作品，推薦給用戶。本發(fā)明改善了用戶的網(wǎng)絡閱讀體驗，加強了用戶信息分享，還可以為新歌新曲進行推廣。
文檔編號G06F17/30GK102402534SQ20101028120
公開日2012年4月4日 申請日期2010年9月14日 優(yōu)先權(quán)日2010年9月14日
發(fā)明者翟魯峰 申請人:盛樂信息技術(shù)(上海)有限公司