本發(fā)明涉及數(shù)據推薦技術領域，特別是涉及音樂數(shù)據推薦方法與系統(tǒng)。

背景技術：

目前，為了滿足人們的生活需求，越來越多的人需要長時間駕駛汽車。例如長途客貨運司機、城市公交車司機等。長途駕駛汽車一方面消耗大量體力，另一方面消耗人的精神力，容易使人感覺到疲勞、心情煩躁。

針對上述情況，目前汽車中一般都搭載有娛樂系統(tǒng)，可以在閑暇之余自動推薦一些音樂數(shù)據，讓駕駛者保持愉悅的心情。

一般的娛樂系統(tǒng)是被動響應用戶選擇的播放音樂數(shù)據，或者是基于歷史記錄數(shù)據推薦音樂數(shù)據。而駕駛者在實際駕駛過程中可能由于路況、周圍環(huán)境等因素會處于不同的心情狀態(tài)，若簡單采用基于歷史數(shù)據推薦音樂數(shù)據是無法實現(xiàn)準確推薦適合當前場景音樂數(shù)據。

技術實現(xiàn)要素：

基于此，有必要針對一般音樂數(shù)據推薦方法無法準確推薦適合當前場景音樂數(shù)據的問題，提供一種能夠準確推薦適合當前場景音樂數(shù)據的方法與系統(tǒng)。

一種音樂數(shù)據推薦方法，包括步驟：

采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據；

根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據；

推送查找到的音樂數(shù)據。

一種音樂數(shù)據推薦系統(tǒng)，包括：

數(shù)據采集模塊，用于采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據；

匹配模塊，用于根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據；

推送模塊，用于推送查找到的音樂數(shù)據。

本發(fā)明音樂數(shù)據推薦方法與系統(tǒng)，采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據，推送查找到的音樂數(shù)據。整個過程，考慮汽車周圍環(huán)境數(shù)據和汽車行駛狀態(tài)數(shù)據，基于這些應用環(huán)境的數(shù)據從預設音樂數(shù)據中查找并推薦適合當前場景音樂數(shù)據。

附圖說明

圖1為本發(fā)明音樂數(shù)據推薦方法第一個實施例的流程示意圖；

圖2為本發(fā)明音樂數(shù)據推薦方法第二個實施例的流程示意圖；

圖3為本發(fā)明音樂數(shù)據推薦系統(tǒng)第一個實施例的結構示意圖；

圖4為本發(fā)明音樂數(shù)據推薦系統(tǒng)第二個實施例的結構示意圖。

具體實施方式

如圖1所示，一種音樂數(shù)據推薦方法，包括步驟：

S200：采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據。

汽車周圍環(huán)境和汽車行駛狀態(tài)數(shù)據可以通過OBD(On-Board Diagnostic，車載診斷系統(tǒng))采集模塊獲取汽車ECU(Electronic Control Unit，行車電腦)的數(shù)據和安裝于汽車上的傳感器來實現(xiàn)。具體來說，汽車周圍環(huán)境數(shù)據可以包括溫度和濕度，汽車行駛狀態(tài)數(shù)據可以包括汽車速度與加速度等數(shù)據。溫度和濕度會影響駕駛員的心情，例如當溫度較高且濕度較高時(夏天剛下過雨出太陽或將要下雨時)駕駛員會感覺異常悶熱，內心會比較煩躁，這時需要推薦讓駕駛員內心平靜的音樂數(shù)據，如輕音樂等，當溫度較低時(冬天)駕駛員會感覺到寒冷，內心會感覺到孤單、無聊，這時需要推薦歡快熱鬧的音樂數(shù)據。汽車速度與加速度同樣會影響駕駛員的心情，當車輛速度較低，且頻繁加速減速(加速度次數(shù)多)時，表明目前處于一個比較擁堵的情況，這時同樣需要推薦讓駕駛員內心平靜的音樂數(shù)據。在實際應用中，溫度數(shù)據可以通過安裝于汽車的溫度傳感器采集，濕度可以通過安裝于汽車的濕度傳感器采集，速度和加速度可以通過插在汽車OBD接口上的OBD采集。非必要的，可以對這些在OBD上采集到的數(shù)據緩存至終端設備，另外還可以通過車輛診斷系統(tǒng)讀取車輛故障信息、路程、車輛狀況以及燃氣里程等。這樣可以額外為用戶提供維修保養(yǎng)、保險期滿提醒、道路救援服務以及為用戶提供維修、保險期滿提醒以及道路救援服務等服務。

S400：根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據。

預設音樂數(shù)據庫是預先構建的數(shù)據庫，在這個數(shù)據庫中可以存儲大量音樂數(shù)據，我們基于步驟S200采集的環(huán)境數(shù)據和行駛狀態(tài)數(shù)據，在該數(shù)據庫中查找匹配當前應用環(huán)境的音樂數(shù)據。具體來說，預設音樂數(shù)據庫中還可以存儲有應用環(huán)境類別與音樂數(shù)據對應關系列表，例如可以將不同的溫度、濕度、車輛速度以及加速度分別劃設為不同類別，不同類型預先對應不同音樂數(shù)據從而構建上述對應關系列表，再將該對應關系列表存儲至預設音樂數(shù)據庫內，非必要的，關于這個類別劃分以及數(shù)據分析可以采用大數(shù)據分析方法并結合歷史經驗數(shù)據獲得。

另外，在其中一個實施例中，可以是根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，采用上下文感知推薦系統(tǒng)，并基于高斯過程的模型從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據。

一般推薦系統(tǒng)模型基本為“用戶—項目”的二維推薦系統(tǒng)，即“用戶*項目＝評級等級(推薦等級)”，在本實施例采用上下文感知推薦系統(tǒng)，將上述一般的推薦系統(tǒng)模型擴展為包含多種上下文信息的多維評分效用模型，即“用戶*項目*上下文信息＝評價等級(推薦等級)”其中上下文信息可以包含多維度的信息，即，直接整合上下文信息與用戶—項目的關系，三者倆倆之間直接進行交互(強耦)可以得到隨機變量集合。高斯過程指的是一組隨機變量的集合，這個集合里面的任意有限個隨機變量都服從聯(lián)合高斯分布?；诟咚惯^程的模型的結果即可從預設音樂數(shù)據庫中獲得評分等級最高的音樂數(shù)據，即獲得匹配的音樂數(shù)據。為了提高模型的準確率，需要用到OBD采集到ECU的歷史數(shù)據作為歷史數(shù)據集，也解決推薦算法存在的冷啟動的問題。

S600：推送查找到的音樂數(shù)據。

將獲得的音樂數(shù)據推送至駕駛者隨身攜帶的智能終端(智能手機)，播放該音樂數(shù)據給駕駛者帶來愉悅的心情。非必要的，在播放音樂的同時，還可以獲取虛擬場景數(shù)據，將虛擬場景數(shù)據推送至增強現(xiàn)實裝置(AR)，這樣用戶可以處于虛擬場景中享受美妙的音樂，帶來良好的用戶體驗。

本發(fā)明音樂數(shù)據推薦方法，采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據，推送查找到的音樂數(shù)據。整個過程，考慮汽車周圍環(huán)境數(shù)據和汽車行駛狀態(tài)數(shù)據，基于這些應用環(huán)境的數(shù)據從預設音樂數(shù)據中查找并推薦適合當前場景音樂數(shù)據。

如圖2所示，在其中一個實施例中，步驟S400包括：

S410：根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，獲取上下文。

上下文是用于描述實體狀態(tài)的任何信息。具體來說，在這里，實體狀態(tài)是指步驟S200中獲得的汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，更進一步來說，這里的實體狀態(tài)包括溫度、濕度、速度和加速度等與用戶和項目之間交互相關的客體。因為用戶對項目(音樂數(shù)據)的偏好順序往往與上下文有關系。這些信息可以包括溫度、濕度、速度和加速度等與用戶和應用程序之間交互相關的客體(包括用戶與應用程序本身)。因為用戶對項目的偏好順序往往與上下文有關系。

S420：根據上下文感知推薦系統(tǒng)，構建上下文、用戶以及項目三維評分效用模型。

具體來說，項目是指待推薦的音樂數(shù)據，例如當待推薦的音樂數(shù)據為“中國心”歌曲時，項目即為歌曲“中國心”。在這里采用上下文感知推薦系統(tǒng)，構建如“用戶*項目*上下文信息＝評價等級”的包含多種上下文信息的三維評分效用模型。

S430：通過上下文、用戶以及項目三維評分效用模型，整合上下文、用戶以及項目對應關系。

直接整合上下文信息與用戶—項目的關系，三者倆倆之間直接進行交互(強耦合)，整合獲得上下文、用戶以及項目對應關系。

S440：根據上下文、用戶以及項目對應關系，基于高斯過程的模型，獲取項目效用函數(shù)。

基于高斯過程的模型，建立一種非線性的矩陣分解方法——高斯過程分解機，使用線性組合對用戶—項目—上下文的隱因子進行交互。具體來說，上述交互過程具體包括如下步驟：首先，基于潛在因子模型方法，將所述用戶、項目以及上下文表述為潛在的d維特征向量V_i,V_j,V_c1,V_c2,...,V_cM，其中，i為用戶，j為項目，c上下文條件，M為所述上下文條件的個數(shù)；之后，將潛在的d維特征向量V_i,V_j,V_c1,V_c2,...,V_cM平鋪轉化為上下文、用戶以及項目的D維特征向量t(j,c)＝[V_i^T,V_j^T,V_c1^T,V_c2^T...V_cM^T]^T，c＝(c₁,c₂,...,c_M)，其中，D＝(M+1)d，T為向量計算方法；最后，獲取以用戶為中心，用戶i在上下文條件c的情況下對項目j的效用函數(shù)f_i(t(j,c))。

S450：根據項目效用函數(shù)，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據。

根據步驟S440中獲得的項目效用函數(shù)，計算每個項目的評價結果，在選取評價結果最優(yōu)的音樂數(shù)據作為匹配的音樂數(shù)據。例如根據步驟S440中的項目效用函數(shù)，計算得到當前應用環(huán)境下播放“中國心”歌曲這個項目評分為A，得計算得到當前應用環(huán)境下播放相聲視頻這個項目評分為B，當A高于B時，將選擇“中國心”歌曲為音樂數(shù)據，當B高于A時，將選取該相聲視頻為匹配的音樂數(shù)據。更具體來說，我們可以針對評價結果進行優(yōu)先級排序，選取優(yōu)先級最高的項目為匹配的音樂數(shù)據。

為更進一步詳細解釋上述步驟S440的實現(xiàn)過程，下面將采用嚴謹數(shù)學公式方式，介紹在其中一個實施例中，步驟S440包括的內容。

基于高斯過程的模型，建立了一種非線性的矩陣分解方法——高斯過程分解機，使用線性組合對用戶—項目—上下文的隱因子進行交互。向用戶推薦手機上的APP(Application，應用程序)中，用戶集U＝{user1，user2，user3，..}，手機APP的集合V＝{A1，A2，A3，...}，用戶當前的上下文為溫度、濕度、速度和加速度等多維度的信息，因此我們可以使用C1，C2，C3，C4等來分別表示上下文信息，例如C1＝{10°，20°，30°}，C2＝{40％，60％，80％}，C3＝{40m/s,60m/s，80m/s}，C4＝{10m/s²，20m/s²，30m/s²}。觀察樣例可以用多元組表示為U*V*C*R，例如：(user1，A1，(10°，40％，40m/s，10m/s²)，4)，(user2，A3，(30°，80％，60m/s，20m/s²)，11)，其中，上述兩個集合中最后一位數(shù)4和11分別為數(shù)字評分結果?；跐撛谝蜃幽Ｐ偷姆椒?，首先分別將用戶，項目，上下文表述為潛在的d維特征向量V_i,V_j,V_c1,V_c2,...,V_cM。將(項目，上下文)平鋪轉化為D維特征向量，

D＝(M+1)d，t(j,c)＝[V_i^T,V_j^T,V_c1^T,V_c2^T...V_cM^T]^T，c＝(c₁,c₂,...,c_M)

T為向量計算方法，以將觀測向量函數(shù)t(j,c)從行向量變?yōu)榱邢蛄俊Ｒ杂脩魹橹行?，用戶i在上下文條件為c的情況下對項目j的評價表達為(效用函數(shù))：f_i(t(j,c))。

高斯過程指的是一組隨機變量的集合，這個集合里面的任意有限個隨機變量都服從聯(lián)合高斯分布。高斯分布完全由均值μ和協(xié)方差X決定，而高斯過程(GP)完全由均值函數(shù)m(x)和協(xié)方差函數(shù)k(x，x′；θ)決定。比如，是一個具有N個向量的集合，實值函數(shù)滿足多維高斯分布p(f|X)＝N(f；m,k)那么稱f(x)是一個高斯過程，f(x)～GP(m(x),k(x,x′；θ))，其中，為均值函數(shù)，K_n,_n＝k(x_n,x_n,；θ)K為協(xié)方差函數(shù)，徑向基核函數(shù)為：在高斯過程分解機(GPFM)中，令x_i表示用戶i的所有的隱因子表達的觀測向量t(j,c)，y_i表示相應的效用值，則f↓i(x)服從高斯過程，即

$f_i\left(x\right)~GP(0,k(x,x^{,};{\mathrm{\θ}}_i\left)\right)\⇒p\left(f_i\right|X_i,{\mathrm{\θ}}_i)=N(f_i;0,K^i)$

因此，所有f↓i(x)的先驗分布為

$p(f_i,...,f_p|X,\mathrm{\θ})=\underset{i=1}{\overset{p}{\Π}}N(f_i;0,K^i)$

實際觀測值y_iz是具有高斯噪聲的，因此可建模為服從高斯分布

p(y_iz|f_i(x_z),σ_i)＝N(y；f_i(x_z),σ_i²)

因此完整的所有觀測量的似然函數(shù)為

$p(y_1,\mathrm{...},y_P|f_1,\mathrm{...}{f}_P,X,\mathrm{\σ})=\underset{i=1}{\overset{P}{\Π}}\underset{z=1}{\overset{N_i}{\Π}}N(y_{iz};f_i(x_z),{\mathrm{\σ}}_i^2)=\underset{i=1}{\overset{P}{\Π}}N(y_i;f_i,{\mathrm{\σ}}_i^{2}I).$

在上述的過程中，我們一直將高斯過程的均值函數(shù)假設為0?？紤]到實際生活中，不同的用戶的評分松弛度有一定的偏向，因此在效用函數(shù)中加入偏置量

$m_i(j,c)=b_i+b_j+\underset{m=1}{\overset{M}{\Σ}}{b}_{cm}$

因此，將fi的先驗分布中的均值加上偏置量后

$p(f_i,...,f_p|X,X^{bias},\mathrm{\θ})=\underset{i=1}{\overset{p}{\Π}}N(f_i;m,K^i)$

模型求解和訓練：使用聯(lián)合分布概率求解邊緣概率分布

p(y|X,X^bias,θ,σ)＝p(y|f,σ)p(y|X,X^bias,θ)

分別代入y和f的概率分布得p(y|X,X^bias,θ,σ)，然后求對數(shù)后，得-log p(y)。優(yōu)化變量為U＝{X,X^bias,θ,σ}。使用隨機梯度下降法進行訓練，最小化函數(shù)-log p(y)

U_(n+1)＝U_n+Δn@Δn＝hΔ(n-1)ad log N(y_i,m_i,Kyⁱ)/(dU_n)

使用高斯過程回歸(GSR)進行預測分布，給定一個測試的觀察量的隱因子向量x_*＝t(j_*,c_*)，則其預測效用函數(shù)f_i(x_*)一定滿足p(f(x_*)_i|X_i,θ_i,y_i)＝N(μ_*,s_*)。

如圖3所示，一種音樂數(shù)據推薦系統(tǒng)，包括：

數(shù)據采集模塊200，用于采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據；

匹配模塊400，用于根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據；

推送模塊600，用于推送查找到的音樂數(shù)據。

本發(fā)明音樂數(shù)據推薦系統(tǒng)，數(shù)據采集模塊200采集汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，匹配模塊400根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據，推送模塊600推送查找到的音樂數(shù)據。整個過程，考慮汽車周圍環(huán)境數(shù)據和汽車行駛狀態(tài)數(shù)據，基于這些應用環(huán)境的數(shù)據從預設音樂數(shù)據中查找并推薦適合當前場景音樂數(shù)據。

在其中一個實施例中，匹配模塊400具體用于根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，采用上下文感知推薦系統(tǒng)，并基于高斯過程的模型從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據。

如圖4所示，在其中一個實施例中，匹配模塊400包括：

上下文獲取單元410，用于根據汽車周圍環(huán)境數(shù)據以及汽車行駛狀態(tài)數(shù)據，獲取上下文。

模型構建單元420，用于根據上下文感知推薦系統(tǒng)，構建上下文、用戶以及項目三維評分效用模型。

整合單元430，用于通過上下文、用戶以及項目三維評分效用模型，整合上下文、用戶以及項目對應關系。

評價函數(shù)獲取單元440，用于根據上下文、用戶以及項目對應關系，基于高斯過程的模型，獲取項目效用函數(shù)。

匹配單元450，用于根據項目效用函數(shù)，從預設音樂數(shù)據庫中選擇匹配的音樂數(shù)據。

在其中一個實施例中，評價函數(shù)獲取單元440包括：

第一特征向量獲取單元，用于基于潛在因子模型方法，將所述用戶、項目以及上下文表述為潛在的d維特征向量V_i,V_j,V_c1,V_c2,...,V_cM，其中，i為用戶，j為項目，c上下文條件，M為所述上下文條件的個數(shù)。

第二特征向量獲取單元，用于將潛在的d維特征向量V_i,V_j,V_c1,V_c2,...,V_cM平鋪轉化為上下文、用戶以及項目的D維特征向量t(j,c)＝[V_i^T,V_j^T,V_c1^T,V_c2^T...V_cM^T]^T，c＝(c₁,c₂,...,c_M)，其中，D＝(M+1)d。

函數(shù)獲取單元，用于獲取以用戶為中心，用戶i在上下文條件c的情況下對項目j的效用函數(shù)。

在其中一個實施例中，汽車周圍環(huán)境數(shù)據包括溫度和濕度，汽車行駛狀態(tài)數(shù)據包括速度和加速度。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應當指出的是，對于本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應以所附權利要求為準。