基于自然语言处理的音乐推荐方法、装置、及计算机设备与流程

本发明涉及自然语言处理技术领域，尤其涉及一种基于自然语言处理的音乐推荐方法、装置、及计算机设备。

背景技术：

目前音乐推荐系统，主要是通过了用户行为的协同过滤算法，会遇到冷启动和稀疏矩阵的情况。而且用户听歌，会对音乐有一定的基调分类，而这部分离不开自然语言处理，若不能提供基于基调相似的歌曲，将极大降低用户粘性。

技术实现要素：

本发明实施例提供了一种基于自然语言处理的音乐推荐方法、装置、及计算机设备，旨在解决现有技术中音乐推荐系统主要是通过了用户行为的协同过滤算法，会遇到冷启动和稀疏矩阵的问题。

第一方面，本发明实施例提供了一种基于自然语言处理的音乐推荐方法，其包括：

获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量；

将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值；

以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型；

将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值；以及

根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

第二方面，本发明实施例提供了一种基于自然语言处理的音乐推荐装置，其包括：

歌曲向量获取单元，用于获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量；

情绪维度值获取单元，用于将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值；

第一模型训练单元，用于以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型；

目标情绪维度获取单元，用于将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值；以及

推荐清单获取单元，用于根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

第三方面，本发明实施例又提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于自然语言处理的音乐推荐方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于自然语言处理的音乐推荐方法。

本发明实施例提供了一种基于自然语言处理的音乐推荐方法、装置、及计算机设备。该方法获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量；将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值；以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型；将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值；以及根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。该方法通过自然语言处理技术，以及情感分析和情感聚类，实现对歌曲的文本挖掘和情调基准挖掘，而且能筛选出与当前歌曲基调相近的歌曲，作为推荐列表。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于自然语言处理的音乐推荐方法的应用场景示意图；

图2为本发明实施例提供的基于自然语言处理的音乐推荐方法的流程示意图；

图3为本发明实施例提供的基于自然语言处理的音乐推荐方法的子流程示意图；

图4为本发明实施例提供的基于自然语言处理的音乐推荐方法的另一流程示意图；

图5为本发明实施例提供的基于自然语言处理的音乐推荐方法的另一子流程示意图；

图6为本发明实施例提供的基于自然语言处理的音乐推荐方法的另一子流程示意图；

图7为本发明实施例提供的基于自然语言处理的音乐推荐装置的示意性框图；

图8为本发明实施例提供的基于自然语言处理的音乐推荐装置的子单元示意性框图；

图9为本发明实施例提供的基于自然语言处理的音乐推荐装置的另一示意性框图；

图10为本发明实施例提供的基于自然语言处理的音乐推荐装置的另一子单元示意性框图；

图11为本发明实施例提供的基于自然语言处理的音乐推荐装置的另一子单元示意性框图；

图12为本发明实施例提供的计算机设备的示意性框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1和图2，图1是本发明实施例提供的基于自然语言处理的音乐推荐方法的应用场景示意图，图2是本发明实施例提供的基于自然语言处理的音乐推荐方法的流程示意图，该基于自然语言处理的音乐推荐方法应用于服务器中，该方法通过安装于服务器中的应用软件进行执行。

如图2所示，该方法包括步骤s110～s150。

s110、获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量。

在本实施例中，是在服务器的角度对技术方案进行描述，即在本申请中是通过服务器对用户进行音乐歌曲的推荐，推荐的处理过程在服务器中完成。

在服务器中，若需对某一用户对应进行歌曲推荐时，需先获取该用户的历史歌曲清单。在该用户的历史歌曲清单中，每一歌曲都对应存储有其对应的歌曲id、歌曲名称、歌曲关键词信息、歌曲的歌曲向量、歌曲的标签组合、歌曲的标签向量等信息。通过将每一歌曲进行处理后并存储上述信息后，即可以作为歌曲推荐的数据基础。当在服务器中获取了推荐歌曲清单，即可将推荐歌曲清单发送至用户端，用户端根据推荐歌曲清单在线缓存播放歌曲。

在一实施例中，如图3所示，步骤s110包括：

s111、将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词，得到与每一歌曲的歌词对应的分词结果；

s112、通过词频-逆文本频率指数模型，抽取每一歌曲的歌词对应的分词结果中位于预设的第一排名值之前的关键词信息，以作为与每一歌曲的歌词一一对应的目标关键词集合；

s113、获取每一目标关键词集合中各关键词信息对应的目标词向量；

s114、根据每一目标关键词集合中各目标词向量，及各目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。

在本实施例中，将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词过程如下：

例如，令c＝c1c2...cm，c是待切分的汉字串，令w＝w1w2...wn，w是切分的结果，wa，wb，……，wk是c的所有可能的切分方案。那么，基于概率统计分词模型就是能够找到目的词串w，使得w满足：p(w|c)＝max(p(wa|c),p(wb|c)...p(wk|c))的分词模型，上述分词模型得到的词串w即估计概率为最大之词串。即：

对一个待分词的子串s，按照从左到右的顺序取出全部候选词w1、w2、…、wi、…、wn；在词典中查出每个候选词的概率值p(wi)，并记录每个候选词的全部左邻词；计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；如果当前词wn是字串s的尾词，且累计概率p(wn)最大，则wn就是s的终点词；从wn开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即s的分词结果。

获取了与所述历史歌曲清单中每一歌曲的歌词对应的分词结果后，再通过词频-逆文本频率指数模型(即tf-idf模型，tf-idf是termfrequency–inversedocumentfrequency的简写)，抽取所述分词结果中位于预设的第一排名值之前的关键词信息以作为目标关键词集合。通过tf-idf模型抽取所述分词结果中位于预设的排名值之前的关键词信息，具体如下：

1)计算分词结果中每一分词i的词频，记为tfi；

2)计算分词结果中每一分词i的逆文档频率idfi；

在计算每一分词i的逆文档频率idfi时，需要一个语料库(与分词过程中的字典类似)，用来模拟语言的使用环境；

逆文档频率idfi＝lg[语料库的文档总数/(包含该分词的文档数+1)]；

如果一个词越常见，那么分母就越大，逆文档频率就越小越接近0。分母之所以要加1，是为了避免分母为0(即所有文档都不包含该词)。

3)根据tfi*idfi计算分词结果中每一分词i对应的词频-逆文本频率指数tf-idfi；

显然，tf-idf与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词即是计算出文档的每个分词的tf-idf值，然后按降序排列，取排在前n位的词作为文档的关键词列表。

4)将分词结果中每一分词对应的词频-逆文本频率指数按降序排序，取排名位于预设的第一排名值之前(例如预设的第一排名值为21)的分词组成与每一歌曲的歌词一一对应的目标关键词集合。

获取与每一歌曲的歌词一一对应的目标关键词集合后，即可对应获取目标关键词集合中每一关键词对应的目标词向量。其中，获取关键词信息对应的词向量是基于预先构建的词汇表查询得到，词向量的获取过程称为word2vec，作用就是将自然语言中的字词转为计算机可以理解的稠密向量。例如，在语料库(也即词汇表)中，aa、bb、cc、dd(其中aa、bb、cc、dd代表一个中文词)各对应一个向量，向量中只有一个值为1，其余都为0。即先通过one-hotencoder(独热码)将字词转为离散的单独的符号，再通过word2vec降维转化为低维度的连续值，也就是稠密向量，并且其中意思相近的词将被映射到向量空间中相近的位置。

最后，根据分词结果中每一关键词的词频，能获取与每一目标词向量对应的权重，此时根据每一目标词向量，及每一目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。具体计算的公式如下：

其中，vector_fulltext指的是与每一歌曲的歌词一一对应的歌曲向量，word_embedding(wordi)为目标词向量i，weighti是目标词向量i对应的权重。通过上述过程即可将每一歌曲的歌词转化为一个多维行向量或多维列向量，实现了对每一歌曲的歌词的量化转化。

在一实施例中，如图4所示，步骤s110之前还包括：

s101、构建初始深层神经网络；

s102、将训练歌曲清单中每一歌曲的歌词对应的歌曲向量作为所述初始深层神经网络的输入，将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出，对所述初始深层神经网络进行训练，得到歌曲情绪分类模型。

在本实施例中，构建初始深层神经网络即构建初始多层dnn全连接神经网络(dnn的全称是deepneuralnetworks，表示深度神经网络)，初始多层dnn全连接神经网络的网络结构为3大层结构(分别是输入层、隐藏层和输出层)，如下：

第一层(输入层)：1个节点，每个节点为1*256维度；

第二层(隐藏层)：100个节点，每个节点为1*100维度，dropout结点比例为20％，激活函数为relu；

第三层(隐藏层)：100个节点，每个节点为1*100维度，dropout结点比例为20％，激活函数为relu；

第四层(隐藏层)：20个节点，每个节点为1*20维度，激活函数为relu；

第五层(输出层)：4个节点，每个节点为1*1维度，激活函数为sigmod。

其中，将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出时，情绪维度有生机勃勃、焦虑、令人满足、沮丧四种，生机勃勃对应的情绪维度值为2；令人满足对应的情绪维度值为1；焦虑对应的情绪维度值为-1；沮丧对应的情绪维度值为-2。

例如，歌曲a1的歌词对应歌曲向量a1，例如a1＝[3421]，其中第二个向量值4为最大值，表示歌曲a1的情绪维度为令人满足，其情绪维度值为1；歌曲a2的歌词对应歌曲向量a2，，例如a2＝[2341]，其中第三个向量值4为最大值，表示歌曲a2的情绪维度为焦虑，其情绪维度值为-1；歌曲a3的歌词对应歌曲向量a3，例如a3＝[1324]，其中第四个向量值4为最大值，表示歌曲a3的情绪维度为沮丧，其情绪维度值为-2；歌曲a4的歌词对应歌曲向量a4，例如a4＝[4321]，其中第一个向量值4为最大值，表示歌曲a4的情绪维度为生机勃勃，其情绪维度值为2；……；歌曲an的歌词对应歌曲向量an，例如an＝[4321]，其中第一个向量值4为最大值，表示歌曲an的情绪维度为生机勃勃，情绪维度值为2；根据上述输入和输出，对初始多层dnn全连接神经网络进行训练即可得到歌曲情绪分类模型。本申请中，通过自然语言处理技术，对历史歌曲清单中各歌曲的歌词信息进行关键词抽取，以及情感分析和情感聚类，实现对歌曲的文本挖掘和情调基准挖掘。

s120、将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值。

在本实施例中，为了根据所述历史歌曲清单所包括的歌曲来预测后续歌曲的情绪维度值时，需先获取所述历史歌曲清单中每一歌曲对应的情绪维度值，然后根据历史歌曲清单中每一歌曲的播放时间和情绪维度构建歌曲情绪预测模型，以实现根据当前播放歌曲预测下一首播放歌曲的情绪维度值。

s130、以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型。

在本实施例中，根据历史歌曲清单中每一歌曲的播放时间所对应的时间序列及每一歌曲对应的情绪维度值训练歌曲情绪预测模型时，构建得到的是lstm长短记忆模型(lstm的全称是longshort-termmemory，表示长短期记忆网络)。

构建的初始lstm长短记忆模型中，包括三大层结构(分别是输入层、lstm层和输出层)，如下：

输入时间序列数据x；

进入lstm1层：当前输入节点的数据为1维，当前输出节点的数据为100维；dropout层比例为20％；

进入lstm2层：当前输入节点的数据为100维，当前输出节点的数据为100维；dropout层比例为20％；

进入lstm3层：当前输入节点的数据为100维，当前输出节点的数据为1维；

输出层：输出下个时间的预测值；(备注：dropout层指的是随机丢失节点数)。

由于当前的歌曲清单中每一歌曲的播放时间(播放时间理解为播放该歌曲时对应的系统时间)是已知的，且每一歌曲对应的情绪维度值也通过歌曲情绪分类模型得到，此时可以据每一歌曲对应的播放时间和情绪维度值为历史数据。具体是以每一歌曲对应的播放时间对应的时间序列为输入，以每一歌曲对应的情绪维度值为输出，对初始lstm长短记忆模型进行训练，得到歌曲情绪预测模型，用于对下一时间序列所播放歌曲的情绪维度值进行预测。

s140、将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值。

在本实施例中，当根据历史歌曲清单中每一歌曲的播放时间所对应的时间序列、和所述历史歌曲清单中每一歌曲对应的情绪维度值获取了所述歌曲情绪预测模型，此时可以预测当前的系统时间对应的目标歌曲情绪维值，实现了根据用户的历史听歌习惯对歌曲情绪维度值的推荐。

s150、根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

在一实施例中，如图5所示，作为步骤s150的第一实施例，步骤s150包括：

s1511、根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；

s1512、获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；

s1513、计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；

s1514、获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在本实施例中，根据所述目标歌曲情绪维值对应的歌曲类型时，即根据所述目标歌曲情绪维值对应的情绪维度值(即-2，-1,1,2中的某一个取值)获取对应的歌曲类型，例如情绪维度值为-2对应的歌曲类型为伤感类型歌曲、寂寞类型歌曲，情绪维度值为-1对应的歌曲类型为思念类型歌曲，情绪维度值为1对应的歌曲类型为轻松类型歌曲、安静类型歌曲，情绪维度值为2对应的歌曲类型为甜蜜类型歌曲、兴奋类型歌曲。

在获取了所述目标歌曲情绪维值对应的歌曲类型之后，即可在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单。为了进一步根据正在播放的当前歌曲及预测的歌曲类型推荐歌曲时，可以计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合。在计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值时，计算公式如下：

其中，tag1_similarityi表示算所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，kwi∩kw1表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合与所述当前歌曲的歌曲标签组合中标签重复的个数，max{|kwi|,|kw1|}表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合的标签个数kwi、及所述当前歌曲的歌曲标签组合的标签个数kw1中的最大值。获取了第一重合度值集合后，获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单，通过上述方式能筛选出与当前歌曲基调相近的歌曲，作为推荐列表。

在一实施例中，如图6所示，作为步骤s150的第二实施例，步骤s150包括：

s1521、根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；

s1522、获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；

s1523、计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；

s1524、计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，以组成第二重合度值集合；

s1525、根据综合相似度集合＝第一重合度值集合*预设的第一权重+第二重合度值集合*预设的第二权重，计算获取与所述初始推荐歌曲清单对应的综合相似度集合；

s1526、获取所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在本实施例中，直到计算获取第一重合度值集合的过程与步骤s150的第一实施例相同。计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值时，计算公式如下：

其中，tag2_similarityi表示算所述初始推荐歌曲清单中歌曲i对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签向量与所述当前歌曲的歌曲标签向量之间夹角的余弦值。预设的第一权重+预设的第二权重＝1，例如预设的第一权重＝0.5且预设的第二权重＝0.5。

通过综合考虑所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以及所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，来综合计算所述初始推荐歌曲清单中每一歌曲与所述当前歌曲的综合相似度，从而筛选出所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

该方法通过自然语言处理技术，以及情感分析和情感聚类，实现对歌曲的文本挖掘和情调基准挖掘，而且能筛选出与当前歌曲基调相近的歌曲，作为推荐列表。

本发明实施例还提供一种基于自然语言处理的音乐推荐装置，该基于自然语言处理的音乐推荐装置用于执行前述基于自然语言处理的音乐推荐方法的任一实施例。具体地，请参阅图7，图7是本发明实施例提供的基于自然语言处理的音乐推荐装置的示意性框图。该基于自然语言处理的音乐推荐装置100可以配置于服务器中。

如图7所示，基于自然语言处理的音乐推荐装置100包括歌曲向量获取单元110、情绪维度值获取单元120、第一模型训练单元130、目标情绪维度获取单元140、推荐清单获取单元150。

歌曲向量获取单元110，用于获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量。

在本实施例中，是在服务器的角度对技术方案进行描述，即在本申请中是通过服务器对用户进行音乐歌曲的推荐，推荐的处理过程在服务器中完成。

在服务器中，若需对某一用户对应进行歌曲推荐时，需先获取该用户的历史歌曲清单。在该用户的历史歌曲清单中，每一歌曲都对应存储有其对应的歌曲id、歌曲名称、歌曲关键词信息、歌曲的歌曲向量、歌曲的标签组合、歌曲的标签向量等信息。通过将每一歌曲进行处理后并存储上述信息后，即可以作为歌曲推荐的数据基础。当在服务器中获取了推荐歌曲清单，即可将推荐歌曲清单发送至用户端，用户端根据推荐歌曲清单在线缓存播放歌曲。

在一实施例中，如图8所示，歌曲向量获取单元110包括：

分词单元111，用于将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词，得到与每一歌曲的歌词对应的分词结果；

关键词抽取单元112，用于通过词频-逆文本频率指数模型，抽取每一歌曲的歌词对应的分词结果中位于预设的第一排名值之前的关键词信息，以作为与每一歌曲的歌词一一对应的目标关键词集合；

目标向量获取单元113，用于获取每一目标关键词集合中各关键词信息对应的目标词向量；

歌曲向量计算单元114，用于根据每一目标关键词集合中各目标词向量，及各目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。

在本实施例中，将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词。对一个待分词的子串s，按照从左到右的顺序取出全部候选词w1、w2、…、wi、…、wn；在词典中查出每个候选词的概率值p(wi)，并记录每个候选词的全部左邻词；计算每个候选词的累计概率，同时比较得到每个候选词的最佳左邻词；如果当前词wn是字串s的尾词，且累计概率p(wn)最大，则wn就是s的终点词；从wn开始，按照从右到左顺序，依次将每个词的最佳左邻词输出，即s的分词结果。

获取了与所述历史歌曲清单中每一歌曲的歌词对应的分词结果后，再通过词频-逆文本频率指数模型(即tf-idf模型，tf-idf是termfrequency–inversedocumentfrequency的简写)，抽取所述分词结果中位于预设的第一排名值之前的关键词信息以作为目标关键词集合。通过tf-idf模型抽取所述分词结果中位于预设的排名值之前的关键词信息，

获取与每一歌曲的歌词一一对应的目标关键词集合后，即可对应获取目标关键词集合中每一关键词对应的目标词向量。其中，获取关键词信息对应的词向量是基于预先构建的词汇表查询得到，词向量的获取过程称为word2vec，作用就是将自然语言中的字词转为计算机可以理解的稠密向量。例如，在语料库(也即词汇表)中，aa、bb、cc、dd(其中aa、bb、cc、dd代表一个中文词)各对应一个向量，向量中只有一个值为1，其余都为0。即先通过one-hotencoder(独热码)将字词转为离散的单独的符号，再通过word2vec降维转化为低维度的连续值，也就是稠密向量，并且其中意思相近的词将被映射到向量空间中相近的位置。

最后，根据分词结果中每一关键词的词频，能获取与每一目标词向量对应的权重，此时根据每一目标词向量，及每一目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。具体计算的公式如下：

其中，vector_fulltext指的是与每一歌曲的歌词一一对应的歌曲向量，word_embedding(wordi)为目标词向量i，weighti是目标词向量i对应的权重。通过上述过程即可将每一歌曲的歌词转化为一个多维行向量或多维列向量，实现了对每一歌曲的歌词的量化转化。

在一实施例中，如图9所示，基于自然语言处理的音乐推荐装置100还包括：

初始网络构建单元101，用于构建初始深层神经网络；

第二模型训练单元102，用于将训练歌曲清单中每一歌曲的歌词对应的歌曲向量作为所述初始深层神经网络的输入，将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出，对所述初始深层神经网络进行训练，得到歌曲情绪分类模型。

在本实施例中，构建初始深层神经网络即构建初始多层dnn全连接神经网络(dnn的全称是deepneuralnetworks，表示深度神经网络)，初始多层dnn全连接神经网络的网络结构为3大层结构(分别是输入层、隐藏层和输出层)。将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出时，情绪维度有生机勃勃、焦虑、令人满足、沮丧四种，生机勃勃对应的情绪维度值为2；令人满足对应的情绪维度值为1；焦虑对应的情绪维度值为-1；沮丧对应的情绪维度值为-2。

例如，歌曲a1的歌词对应歌曲向量a1，例如a1＝[3421]，其中第二个向量值4为最大值，表示歌曲a1的情绪维度为令人满足，其情绪维度值为1；歌曲a2的歌词对应歌曲向量a2，，例如a2＝[2341]，其中第三个向量值4为最大值，表示歌曲a2的情绪维度为焦虑，其情绪维度值为-1；歌曲a3的歌词对应歌曲向量a3，例如a3＝[1324]，其中第四个向量值4为最大值，表示歌曲a3的情绪维度为沮丧，其情绪维度值为-2；歌曲a4的歌词对应歌曲向量a4，例如a4＝[4321]，其中第一个向量值4为最大值，表示歌曲a4的情绪维度为生机勃勃，其情绪维度值为2；……；歌曲an的歌词对应歌曲向量an，例如an＝[4321]，其中第一个向量值4为最大值，表示歌曲an的情绪维度为生机勃勃，情绪维度值为2；根据上述输入和输出，对初始多层dnn全连接神经网络进行训练即可得到歌曲情绪分类模型。本申请中，通过自然语言处理技术，对历史歌曲清单中各歌曲的歌词信息进行关键词抽取，以及情感分析和情感聚类，实现对歌曲的文本挖掘和情调基准挖掘。

情绪维度值获取单元120，用于将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值。

在本实施例中，为了根据所述历史歌曲清单所包括的歌曲来预测后续歌曲的情绪维度值时，需先获取所述历史歌曲清单中每一歌曲对应的情绪维度值，然后根据历史歌曲清单中每一歌曲的播放时间和情绪维度构建歌曲情绪预测模型，以实现根据当前播放歌曲预测下一首播放歌曲的情绪维度值。

第一模型训练单元130，用于以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型。

在本实施例中，根据历史歌曲清单中每一歌曲的播放时间所对应的时间序列及每一歌曲对应的情绪维度值训练歌曲情绪预测模型时，构建得到的是lstm长短记忆模型(lstm的全称是longshort-termmemory，表示长短期记忆网络)。

构建的初始lstm长短记忆模型中，包括三大层结构(分别是输入层、lstm层和输出层)。由于当前的歌曲清单中每一歌曲的播放时间(播放时间理解为播放该歌曲时对应的系统时间)是已知的，且每一歌曲对应的情绪维度值也通过歌曲情绪分类模型得到，此时可以据每一歌曲对应的播放时间和情绪维度值为历史数据。具体是以每一歌曲对应的播放时间对应的时间序列为输入，以每一歌曲对应的情绪维度值为输出，对初始lstm长短记忆模型进行训练，得到歌曲情绪预测模型，用于对下一时间序列所播放歌曲的情绪维度值进行预测。

目标情绪维度获取单元140，用于将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值。

在本实施例中，当根据历史歌曲清单中每一歌曲的播放时间所对应的时间序列、和所述历史歌曲清单中每一歌曲对应的情绪维度值获取了所述歌曲情绪预测模型，此时可以预测当前的系统时间对应的目标歌曲情绪维值，实现了根据用户的历史听歌习惯对歌曲情绪维度值的推荐。

推荐清单获取单元150，用于根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

在一实施例中，如图10所示，作为推荐清单获取单元150的第一实施例，推荐清单获取单元150包括：

第一初始清单获取单元1511，用于根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；

第一歌曲信息获取单元1512，用于获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；

重合度值集合获取单元1513，用于计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；

第一歌曲排序筛选单元1514，用于获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在本实施例中，根据所述目标歌曲情绪维值对应的歌曲类型时，即根据所述目标歌曲情绪维值对应的情绪维度值(即-2，-1,1,2中的某一个取值)获取对应的歌曲类型，例如情绪维度值为-2对应的歌曲类型为伤感类型歌曲、寂寞类型歌曲，情绪维度值为-1对应的歌曲类型为思念类型歌曲，情绪维度值为1对应的歌曲类型为轻松类型歌曲、安静类型歌曲，情绪维度值为2对应的歌曲类型为甜蜜类型歌曲、兴奋类型歌曲。

在获取了所述目标歌曲情绪维值对应的歌曲类型之后，即可在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单。为了进一步根据正在播放的当前歌曲及预测的歌曲类型推荐歌曲时，可以计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合。在计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值时，计算公式如下：

其中，tag1_similarityi表示算所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，kwi∩kw1表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合与所述当前歌曲的歌曲标签组合中标签重复的个数，max{|kwi|,|kw1|}表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签组合的标签个数kwi、及所述当前歌曲的歌曲标签组合的标签个数kw1中的最大值。获取了第一重合度值集合后，获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单，通过上述方式能筛选出与当前歌曲基调相近的歌曲，作为推荐列表。

在一实施例中，如图11所示，作为推荐清单获取单元150的第二实施例，推荐清单获取单元150包括：

第二初始清单获取单元1521，用于根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；

第二歌曲信息获取单元1522，用于获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；

第一集合获取单元1523，用于计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；

第二集合获取单元1524，用于计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，以组成第二重合度值集合；

相似度集合获取单元1525，用于根据综合相似度集合＝第一重合度值集合*预设的第一权重+第二重合度值集合*预设的第二权重，计算获取与所述初始推荐歌曲清单对应的综合相似度集合；

第二歌曲排序筛选单元1526，用于获取所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在本实施例中，直到计算获取第一重合度值集合的过程与步骤s150的第一实施例相同。计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值时，计算公式如下：

其中，tag2_similarityi表示算所述初始推荐歌曲清单中歌曲i对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，表示所述初始推荐歌曲清单中歌曲i对应的歌曲标签向量与所述当前歌曲的歌曲标签向量之间夹角的余弦值。预设的第一权重+预设的第二权重＝1，例如预设的第一权重＝0.5且预设的第二权重＝0.5。

通过综合考虑所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以及所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，来综合计算所述初始推荐歌曲清单中每一歌曲与所述当前歌曲的综合相似度，从而筛选出所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

该装置通过自然语言处理技术，以及情感分析和情感聚类，实现对歌曲的文本挖掘和情调基准挖掘，而且能筛选出与当前歌曲基调相近的歌曲，作为推荐列表。

上述基于自然语言处理的音乐推荐装置可以实现为计算机程序的形式，该计算机程序可以在如图12所示的计算机设备上运行。

请参阅图12，图12是本发明实施例提供的计算机设备的示意性框图。该计算机设备500是服务器。其中，服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。

参阅图12，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。

该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于自然语言处理的音乐推荐方法。

该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。

该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于自然语言处理的音乐推荐方法。

该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图12中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量；将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值；以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型；将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值；以及根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

在一实施例中，处理器502在执行所述获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量的步骤时，执行如下操作：将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词，得到与每一歌曲的歌词对应的分词结果；通过词频-逆文本频率指数模型，抽取每一歌曲的歌词对应的分词结果中位于预设的第一排名值之前的关键词信息，以作为与每一歌曲的歌词一一对应的目标关键词集合；获取每一目标关键词集合中各关键词信息对应的目标词向量；根据每一目标关键词集合中各目标词向量，及各目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。

在一实施例中，处理器502在执行所述获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量的步骤之前，还执行如下操作：构建初始深层神经网络；将训练歌曲清单中每一歌曲的歌词对应的歌曲向量作为所述初始深层神经网络的输入，将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出，对所述初始深层神经网络进行训练，得到歌曲情绪分类模型。

在一实施例中，处理器502在执行根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单的步骤时，执行如下操作：根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在一实施例中，处理器502在执行所述根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单的步骤时，执行如下操作：根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，以组成第二重合度值集合；根据综合相似度集合＝第一重合度值集合*预设的第一权重+第二重合度值集合*预设的第二权重，计算获取与所述初始推荐歌曲清单对应的综合相似度集合；获取所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

本领域技术人员可以理解，图12中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图12所示实施例一致，在此不再赘述。

应当理解，在本发明实施例中，处理器502可以是中央处理单元(centralprocessingunit，cpu)，该处理器502还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现以下步骤：获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量；将所述历史歌曲清单中每一歌曲的歌词对应的歌曲向量输入至预先训练的歌曲情绪分类模型，得到与所述历史歌曲清单中每一歌曲对应的情绪维度值；以所述历史歌曲清单中每一歌曲的播放时间所对应的时间序列作为待训练的歌曲情绪预测模型的输入，以所述历史歌曲清单中每一歌曲对应的情绪维度值作为待训练的歌曲情绪预测模型的输出，对所述待训练的歌曲情绪预测模型进行训练，得到歌曲情绪预测模型；将当前系统时间输入至歌曲情绪预测模型，获取与所述当前系统时间对应的目标歌曲情绪维值；以及根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单。

在一实施例中，所述获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量，包括：将所述历史歌曲清单中每一歌曲的歌词通过基于概率统计分词模型进行分词，得到与每一歌曲的歌词对应的分词结果；通过词频-逆文本频率指数模型，抽取每一歌曲的歌词对应的分词结果中位于预设的第一排名值之前的关键词信息，以作为与每一歌曲的歌词一一对应的目标关键词集合；获取每一目标关键词集合中各关键词信息对应的目标词向量；根据每一目标关键词集合中各目标词向量，及各目标词向量对应的权重，获取与每一目标关键词集合一一对应的歌曲向量。

在一实施例中，获取历史歌曲清单中每一歌曲的歌词对应的歌曲向量之前，还包括：构建初始深层神经网络；将训练歌曲清单中每一歌曲的歌词对应的歌曲向量作为所述初始深层神经网络的输入，将已标注的与每一歌曲对应的情绪维度值作为所述初始深层神经网络的输出，对所述初始深层神经网络进行训练，得到歌曲情绪分类模型。

在一实施例中，所述根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单，包括：根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；获取所述第一重合度值集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

在一实施例中，所述根据所述目标歌曲情绪维值对应的歌曲类型，相应获取推荐歌曲清单，包括：根据所述目标歌曲情绪维值对应的歌曲类型，在预先构建的歌曲库中获取与所述歌曲类型为相同类型的初始推荐歌曲清单；获取正在播放的当前歌曲对应的歌曲信息；其中，所述歌曲信息至少包括歌曲标签组合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签组合与所述当前歌曲的歌曲标签组合的重合度值，以组成第一重合度值集合；计算所述初始推荐歌曲清单中每一歌曲对应的歌曲标签向量与所述当前歌曲的歌曲标签向量的重合度值，以组成第二重合度值集合；根据综合相似度集合＝第一重合度值集合*预设的第一权重+第二重合度值集合*预设的第二权重，计算获取与所述初始推荐歌曲清单对应的综合相似度集合；获取所述综合相似度集合中位于预设的第一排名值之前的歌曲，以组成推荐歌曲清单。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。