本发明涉及在线音乐播放相关技术领域，尤其是指一种基于用户评论信息的音乐播放完成度分析方法。
背景技术：
听音乐已经成为一种很普遍的休闲方式，用户收听音乐通常有两种方式，一种是使用播放器播放本地的音乐文件，另一种是使用软件收听在线的音乐。听在线音乐的时候需要通过网络把音乐的音频文件传输到本地进行播放，这个过程需要耗费网络资源。很多在线音乐都是在打开音乐的时候就下载整首音乐文件，但是有的用户只听很少一部分就选择更换音乐，这样导致了网络资源的浪费。现在很多在线音乐网站都支持评论，即用户在听音乐的时候对音乐发表自己的看法，这些评论信息可以评估一个用户对一首音乐的喜欢程度，以预测用户对新音乐的播放完成度，根据预测到的完成度智能的加载网络音乐文件到本地，这样可以有效的节省网络传输。
现有的技术中还没有通过评论信息分析音乐播放完成度的方案。
技术实现要素：
本发明是为了克服现有技术中存在上述的不足，提供了一种能够有效节省网络传输的基于用户评论信息的音乐播放完成度分析方法。
为了实现上述目的，本发明采用以下技术方案：
一种基于用户评论信息的音乐播放完成度分析方法，提取音乐的音频和评论信息训练音乐播放完成度的评估模型，然后对于新用户，加载音乐的音频和评论信息，利用训练得到的评估模型进行音乐播放完成度的评估，在播放预载入的时候根据评估结果进行下载，其过程包括两个部分：一是建立音乐播放完成度的评估模型，二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度。
本发明通过对音乐的音频文件和评论信息数据建模，最终评估出新用户对某个特定音乐的播放完成度，评估结果用于智能预载网络音乐数据，在播放预载入的时候根据评估结果进行下载，这样可以节省使用网络环境，特别是在某些特定的网络场景下，节省网络传输的压力，而且能为用户节省流量，提升用户体验。
作为优选，建立音乐播放完成度的评估模型，具体操作步骤如下：
(11)加载音乐的音频文件，并判断该音乐的播放历史是否大于1000次；
(12)加载音乐的评论信息，并记录包括评论条数和评论文本在内的音乐评论状态，判断评论条数是否大于1000条；
(13)加载情感词典、文本分词、去停用词，利用词嵌入、卷积神经网络cnn、长短期记忆网络lstm提取音乐的用户评论信息特征，最终得到表征评论文本的128维的向量；把音乐的音频文件转化成频谱，提取音乐的39维mfcc系数：其中13维静态系数、13维一阶差分系数和13维二阶差分系数，组成音乐文件的音频特征向量；
(14)利用提取的评论信息的文本特征和音频特征，以播放历史中的以往播放完成度为训练目标，通过深度学习训练得到音乐播放完成度的评估模型。
作为优选，在步骤(11)中，如果播放历史大于1000次，则进入到步骤(12)中；如果播放历史不大于1000次，则给出默认的音乐播放完成度信息，并进入到步骤(14)中，所述默认的音乐播放完成度信息指的是：音乐的整个播放时长等分为四份，按照音乐播放顺序每次预加载一份。
作为优选，在步骤(12)中，如果评论条数大于1000条，则进入到步骤(13)中；如果评论条数不大于1000条，算出播放历史中的平均音乐播放完成度，做为该音乐的播放完成度信息，并进入到步骤(14)中。
作为优选，通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度，具体操作步骤如下：
(21)新用户遇到一首新音乐时，加载该音乐的音频文件，获取该音乐的上次音乐播放完成度的评估模型；
(22)加载该音乐的评论信息，判断该音乐自上次训练音乐播放完成度的评估模型至今用户评论信息新增是否超过了原有评论信息的10％，如果超过10％则返回到步骤(12)中，重新训练音乐完成度评估模型；如果没有超过10％则返回到步骤(23)中；
(23)加载步骤(13)中保存的音乐音频特征信息；
(24)该用户以往对其他音乐评论过的评论信息，加载情感词典、文本分词、去停用词，利用词嵌入、卷积神经网络cnn、长短期记忆网络lstm提取音乐的用户评论信息文本特征；
(25)该用户听过的其他音乐的播放完成度，算出其对所有音乐的平均播放完整度系数a，利用步骤(23)和步骤(24)中得到的音乐音频特征和音乐评论文本特征，通过音乐播放完成度的评估模型预测该用户对该音乐的播放完成度b，最终加权求和得出最终的音乐播放完成度预测结果：0.3*a+0.7*b。
本发明的有益效果是：可以节省使用网络环境，特别是在某些特定的网络场景下，节省网络传输的压力，而且能为用户节省流量，提升用户体验。
具体实施方式
下面结合具体实施方式对本发明做进一步的描述。
一种基于用户评论信息的音乐播放完成度分析方法，提取音乐的音频和评论信息训练音乐播放完成度的评估模型，然后对于新用户，加载音乐的音频和评论信息，利用训练得到的评估模型进行音乐播放完成度的评估，在播放预载入的时候根据评估结果进行下载，其过程包括两个部分：一是建立音乐播放完成度的评估模型，二是通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度。
建立音乐播放完成度的评估模型，具体操作步骤如下：
(11)加载音乐的音频文件，并判断该音乐的播放历史是否大于1000次；如果播放历史大于1000次，则进入到步骤(12)中；如果播放历史不大于1000次，则给出默认的音乐播放完成度信息，并进入到步骤(14)中，所述默认的音乐播放完成度信息指的是：音乐的整个播放时长等分为四份，按照音乐播放顺序每次预加载一份。
(12)加载音乐的评论信息，并记录包括评论条数和评论文本在内的音乐评论状态，判断评论条数是否大于1000条；如果评论条数大于1000条，则进入到步骤(13)中；如果评论条数不大于1000条，算出播放历史中的平均音乐播放完成度，做为该音乐的播放完成度信息，并进入到步骤(14)中。
(13)加载情感词典、文本分词、去停用词，利用词嵌入、卷积神经网络cnn、长短期记忆网络lstm提取音乐的用户评论信息特征，最终得到表征评论文本的128维的向量；把音乐的音频文件转化成频谱，提取音乐的39维mfcc系数：其中13维静态系数、13维一阶差分系数和13维二阶差分系数，组成音乐文件的音频特征向量；
(14)利用提取的评论信息的文本特征和音频特征，以播放历史中的以往播放完成度为训练目标，通过深度学习训练得到音乐播放完成度的评估模型。
通过音乐播放完成度的评估模型分析新用户对音乐的播放完成度，具体操作步骤如下：
(21)新用户遇到一首新音乐时，加载该音乐的音频文件，获取该音乐的上次音乐播放完成度的评估模型；
(22)加载该音乐的评论信息，判断该音乐自上次训练音乐播放完成度的评估模型至今用户评论信息新增是否超过了原有评论信息的10％，如果超过10％则返回到步骤(12)中，重新训练音乐完成度评估模型；如果没有超过10％则返回到步骤(23)中；
(23)加载步骤(13)中保存的音乐音频特征信息；
(24)该用户以往对其他音乐评论过的评论信息，加载情感词典、文本分词、去停用词，利用词嵌入、卷积神经网络cnn、长短期记忆网络lstm提取音乐的用户评论信息文本特征；
(25)该用户听过的其他音乐的播放完成度，算出其对所有音乐的平均播放完整度系数a，利用步骤(23)和步骤(24)中得到的音乐音频特征和音乐评论文本特征，通过音乐播放完成度的评估模型预测该用户对该音乐的播放完成度b，最终加权求和得出最终的音乐播放完成度预测结果：0.3*a+0.7*b。
本发明通过对音乐的音频文件和评论信息数据建模，最终评估出新用户对某个特定音乐的播放完成度，评估结果用于智能预载网络音乐数据，在播放预载入的时候根据评估结果进行下载，这样可以节省使用网络环境，特别是在某些特定的网络场景下，节省网络传输的压力，而且能为用户节省流量，提升用户体验。