基于复杂网络的音乐影响因素分析方法、装置及设备

1.本技术涉及数据处理技术领域，特别是涉及一种基于复杂网络的音乐影响因素分析方法、装置、计算机设备和存储介质。


背景技术：

2.音乐从一开始就是人类社会的一部分，是文化遗产的重要组成部分，在表达人们的思想和反映社会生活方面起着至关重要的作用。
3.现有的音乐推送软件，比如网易云和qq音乐，根据客户喜欢的音乐和已下载的音乐在进行同类型歌曲和音乐家推荐时，存在推送相关音乐准确率低，不符合客户喜好等问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高音乐软件音乐推送准确率的基于复杂网络的音乐影响因素分析方法、装置、计算机设备和存储介质。
5.一种基于复杂网络的音乐影响因素分析方法，所述方法包括：
6.获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；
7.对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量；
8.根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度；
9.构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络；
10.根据影响者和追随者之间的相似度对所述融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性；
11.利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；
12.根据影响音乐家的年代和流派对用户进行音乐推送。
13.在其中一个实施例中，利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派，包括：
14.将音乐家的影响者和追随者之间的相似度作为复杂网络中边的权重，根据音乐家的所有边的权重比较结果，选择权重最大的边对应的节点的年代和流派分别作为影响音乐家的年代和流派。
15.在其中一个实施例中，根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度，包括：
16.根据音乐家的类型对音乐数据的特征向量进行分类，将同一类型音乐家放入一个集合，计算集合中每两个七维特征向量之间的余弦距离和不同集合中每两个七维特征向量
之间的余弦距离，得到同一类型音乐家的影响者和追随者之间的相似度和不同类型音乐家的影响者和追随者之间的相似度。
17.在其中一个实施例中，同一类型音乐家的影响者和追随者之间的相似度为其中，a
ij
表示同一类型的第i位音乐家与第j位音乐家的余弦距离，n表示同一类型音乐家的集合中特征向量的数量，表示同一类型音乐家之间两两组合的可能组合数量，即同一类型音乐家之间一个影响者和一个追随者配对的所有可能的数量。
18.在其中一个实施例中，不同类型音乐家的影响者和追随者之间的相似度为m和n表示当前两个不同类型的音乐家的集合中特征向量的数量，b
ij
表示不同类型的第i位音乐家与第j位音乐家的余弦距离。
19.在其中一个实施例中，根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络，包括：
20.根据影响者所处的流派和年代融合节点，同时累积每个融合节点的入度和出度，以形成融合后的点的新入度和出度，得到融合后的网络。
21.在其中一个实施例中，根据影响者和追随者之间的相似度对融合后的网络进行优化，得到复杂网络，包括：
22.根据影响者和追随者之间的相似度确定融合后的网络中节点的连接权重，根据节点的连接权重对融合后的网络进行优化，得到复杂网络。
23.一种基于复杂网络的音乐影响因素分析装置，所述装置包括：
24.数据预处理模块，用于获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量；
25.相似度计算模块，用于根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度；
26.节点融合模块，用于构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络；
27.网络优化模块，用于根据影响者和追随者之间的相似度对融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性；
28.音乐推送模块，用于利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；根据影响音乐家的年代和流派对用户进行音乐推送。
29.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
30.获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；
31.对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量；
32.根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度；
33.构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络；
34.根据影响者和追随者之间的相似度对所述融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性；
35.利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；
36.根据影响音乐家的年代和流派对用户进行音乐推送。
37.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
38.获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；
39.对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量；
40.根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度；
41.构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络；
42.根据影响者和追随者之间的相似度对所述融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性；
43.利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；
44.根据影响音乐家的年代和流派对用户进行音乐推送。
45.上述基于复杂网络的音乐影响因素分析方法、装置、计算机设备和存储介质，本发明通过将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络，然后利用同类型和不同类型的音乐家的影响者和追随者之间的相似度对融合后的网络中的节点赋予权重进行网络优化，将影响者和追随者之间的相似度作为复杂网络中节点的权重，可以更好的反映出影响者和追随者对音乐推送的影响力，复杂网络具有足够的稳健性，能够合理而巧妙地反映某一音乐流派在每个时期的影响，因为不同流派的音乐影响在不同的年代有很大差异，而特定流派在特定年份对不同年龄段音乐的影响也不同，复杂网络能够通过对音乐家的音乐影响因素进行具体分析，根据影响音乐家的年代和流派对用户进行音乐推送，在时间上更有针对性、更清晰、更可量化，进而提高了音乐软件进行音乐推送的准确率。
附图说明
46.图1为一个实施例中一种基于复杂网络的音乐影响因素分析方法的流程示意图；
47.图2为一个实施例中音乐影响力的定向网络的示意图；
48.图3为一个实施例中一种基于复杂网络的音乐影响因素分析装置的结构框图；
49.图4为一个实施例中计算机设备的内部结构图。
具体实施方式
50.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
51.在一个实施例中，如图1所示，提供了一种基于复杂网络的音乐影响因素分析方法，包括以下步骤：
52.步骤102，获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量。
53.音乐数据就是包含了不同音乐特征的数据，包括流行、摇滚、r\&b和rap，影响者是指对音乐家创作音乐有影响的同一类型的音乐家或不同类型的音乐家，追随者是指被音乐家影响而创作出同类型的音乐的音乐家，定向网络模型如图2所示，包含节点和边，节点表示音乐家。对音乐家的影响者和追随者的音乐数据进行预处理，生成一个多维的特征向量，每个维度对应一个特征索引，特征向量可以用来计算音乐家的影响者和追随者相似度。
54.步骤104，根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度。
55.根据待分析音乐家的类型对音乐数据的特征向量进行分类，将同一类型音乐家放入一个集合，计算集合中每两个七维特征向量之间的余弦距离和不同集合中每两个七维特征向量之间的余弦距离，得到同一类型音乐家的影响者和追随者之间的相似度和不同类型音乐家的影响者和追随者之间的相似度。
56.步骤106，构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络。
57.构建定向网络模型的过程是现有技术，在本技术中不做过多的描述。将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量可以作为是网络中边的权重来初步反映节点之间关系的密切程度，即影响者和追随者对音乐家的影响程度。
58.步骤108，根据影响者和追随者之间的相似度对融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性。
59.利用同类型和不同类型的音乐家的影响者和追随者之间的相似度对融合后的网络中的节点赋予权重进行网络优化，将影响者和追随者之间的相似度作为复杂网络中边的权重，可以更好的反映出影响者和追随者对音乐创作的影响力。
60.步骤110，利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；根据影响音乐家的年代和流派对用户进行音乐推送。
61.复杂网络中的节点代表了不同的音乐家，这些音乐家可以分为同类型的音乐家和不同类型的音乐家，将音乐家的影响者和追随者之间的相似度作为复杂网络中边的权重，
可以更好的反映出影响者和追随者对音乐创作的影响力，也可以知道同一种类型的音乐家或不同类型的音乐家的影响者是否真的影响了追随者所创作的音乐，同一影响者对不同追随者的影响或不同影响者对特定追随者的不同影响，根据音乐家的所有边的权重比较结果，选择权重最大的边对应的节点的年代和流派分别作为影响音乐家的年代和流派，根据影响音乐家的年代和流派对用户进行相同年代和流派的音乐推送。
62.上述基于复杂网络的音乐影响因素分析方法中，本发明通过将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络，然后利用同类型和不同类型的音乐家的影响者和追随者之间的相似度对融合后的网络中的节点赋予权重进行网络优化，将影响者和追随者之间的相似度作为复杂网络中边的权重，可以更好的反映出影响者和追随者对音乐创作的影响力，复杂网络具有足够的稳健性，能够合理而巧妙地反映某一音乐流派在每个时期的影响，因为不同流派的音乐影响在不同的年代有很大差异，而特定流派在特定年份对不同年龄段音乐的影响也不同，复杂网络能够通过对音乐家的音乐影响因素进行具体分析，根据影响音乐家的年代和流派对用户进行音乐推送，在时间上更有针对性、更清晰、更可量化，进而提高了音乐软件进行音乐推送的准确率。
63.在其中一个实施例中，利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派，包括：
64.将音乐家的影响者和追随者之间的相似度作为复杂网络中边的权重，根据音乐家的所有边的权重比较结果，选择权重最大的边对应的节点的年代和流派分别作为影响音乐家的年代和流派。
65.在其中一个实施例中，根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度，包括：
66.根据音乐家的类型对音乐数据的特征向量进行分类，将同一类型音乐家放入一个集合，计算集合中每两个七维特征向量之间的余弦距离和不同集合中每两个七维特征向量之间的余弦距离，得到同一类型音乐家的影响者和追随者之间的相似度和不同类型音乐家的影响者和追随者之间的相似度。
67.在具体实施例中，通过计算同一类型音乐家的影响者和追随者之间的相似度和不同类型音乐家的影响者和追随者之间的相似度可以衡量影响者对于追随者的影响程度。
68.在其中一个实施例中，同一类型音乐家的影响者和追随者之间的相似度为其中，a
ij
表示同一类型的第i位音乐家与第j位音乐家的余弦距离，n表示同一类型音乐家的集合中特征向量的数量，表示同一类型音乐家之间两两组合的可能组合数量，即同一类型音乐家之间一个影响者和一个追随者配对的所有可能的数量。
69.在其中一个实施例中，不同类型音乐家的影响者和追随者之间的相似度为m和n表示当前两个不同类型的音乐家的集合中特征向量的数量，b
ij
表示不
同类型的第i位音乐家与第j位音乐家的余弦距离。
70.在其中一个实施例中，根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络，包括：
71.根据影响者所处的流派和年代融合节点，同时累积每个融合节点的入度和出度，以形成融合后的点的新入度和出度，得到融合后的网络。
72.在进行节点融合后的网络，能够合理而巧妙地反映某一音乐流派在每个时期的影响，因为不同流派的音乐影响在不同的年代有很大差异，而特定流派在特定年份对不同年龄段音乐的影响也不同，融合后的网络在时间上更有针对性、更清晰、更可量化。
73.在其中一个实施例中，根据影响者和追随者之间的相似度对融合后的网络进行优化，得到复杂网络，包括：
74.根据影响者和追随者之间的相似度确定融合后的网络中节点的连接权重，根据节点的连接权重对融合后的网络进行优化，得到复杂网络。
75.复杂网络中的节点代表了不同的音乐家，这些音乐家可以分为同类型的音乐家和不同类型的音乐家，将音乐家的影响者和追随者之间的相似度作为复杂网络中边的权重，可以更好的反映出影响者和追随者对音乐创作的影响力，也可以知道同一种类型的音乐家或不同类型的音乐家的影响者是否真的影响了追随者所创作的音乐，同一影响者对不同追随者的影响或不同影响者对特定追随者的不同影响。
76.应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
77.在一个实施例中，如图3所示，提供了一种基于复杂网络的音乐影响因素分析装置，包括：数据预处理模块302、相似度计算模块304、节点融合模块306、网络优化模块308和音乐推送模块310，其中：
78.数据预处理模块302，用于获取音乐软件中的音乐家数据集；音乐家数据集中包含多个音乐家的影响者和追随者的音乐数据；对音乐家的影响者和追随者的音乐数据进行预处理，得到音乐数据的特征向量；
79.相似度计算模块304，用于根据音乐数据的特征向量进行余弦距离计算，得到影响者和追随者之间的相似度；
80.节点融合模块306，用于构建定向网络模型；将定向网络模型中的节点的入度和出度分别设置为音乐家的影响者的数量和音乐家的追随者的数量；根据影响者所处的流派和年代对定向网络中的节点进行融合，得到融合后的网络；
81.网络优化模块308，用于根据影响者和追随者之间的相似度对融合后的网络进行优化，得到复杂网络；复杂网络中的节点表示音乐家；音乐家携带年代属性和流派属性；
82.音乐推送模块310，用于利用复杂网络对音乐家进行音乐影响因素分析，得到影响音乐家的年代和流派；根据影响音乐家的年代和流派对用户进行音乐推送。
83.关于一种基于复杂网络的音乐影响因素分析装置的具体限定可以参见上文中对
于一种基于复杂网络的音乐影响因素分析方法的限定，在此不再赘述。上述一种基于复杂网络的音乐影响因素分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
84.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于复杂网络的音乐影响因素分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
85.本领域技术人员可以理解，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备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。
86.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
87.在一个实施例中，提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
88.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
89.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
90.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。