申请/专利权人：腾讯音乐娱乐科技(深圳)有限公司

申请日：2018-02-28

公开（公告）日：2021-01-12

公开（公告）号：CN108388652B

主分类号：G06F16/635(20190101)

分类号：G06F16/635(20190101);G06Q10/06(20120101);G06K9/62(20060101);G06N3/04(20060101)

优先权：

专利状态码：有效-授权

法律状态：2021.01.12#授权;2018.09.04#实质审查的生效;2018.08.10#公开

摘要：本发明实施例公开了一种发送歌单标识的方法和装置，属于计算机技术领域。所述方法包括：当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向所述第一账户的登录终端发送所述目标歌单的歌单标识。采用本发明，可以提高选择歌单的效率。

主权项：1.一种发送歌单标识的方法，其特征在于，所述方法包括：当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息，所述第一账户对应的账户信息包括所述第一账户对应的账户特征信息；所述账户特征信息是根据所述第一账户对应的第一关注歌曲列表中的每个歌曲对应的歌曲特征信息和权值获得的；所述每个歌曲对应的权值是根据所述每个歌曲对应的关注权值和时间衰减度获得的；其中，基于所述每个歌曲的关注时刻距当前时刻的关注时长，确定出所述每个歌曲对应的时间衰减度；基于所述每个歌曲对应的关注类型，确定所述每个歌曲对应的关注权值；对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分，其中，基于训练集中的各账户对各歌单的评分、各账户对应的账户信息以及各歌单对应的歌单信息对评分模型进行训练，获得所述预先训练出的评分模型；在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向所述第一账户的登录终端发送所述目标歌单的歌单标识。

全文数据：一种发送歌单标识的方法和装置技术领域[0001]本发明涉及计算机技术领域，特别涉及一种发送歌单标识的方法和装置。背景技术[0002]随着计算机技术的发展，手机、计算机等终端得到了广泛的应用，相应的终端上的应用程序的种类越来越多、功能越来越丰富。歌曲播放类应用程序即是一种很常用的应用程序。[0003]用户可以通过歌曲播放类应用程序播放歌曲。目前，歌曲播放类应用程序往往会提供一些歌单，其中，歌单中包含多首歌曲。用户想要通过歌曲播放类应用程序播放歌曲时，可以在歌曲播放类应用程序提供的歌单列表中，根据歌单的标签、标题、简介等信息，选择自己喜欢听的歌单，然后，可以点击播放按钮，触发终端播放所选歌单中的歌曲。[0004]在实现本发明的过程中，发明人发现现有技术至少存在以下问题：[0005]基于上述处理方式，用户每次想要选择歌单时，均需要在歌曲播放类应用程序提供的歌单列表中选择自己喜欢听的歌单，往往歌单列表中的歌单数量比较多，从而，导致选择歌单的效率较低。发明内容[0006]为了解决相关技术中存在的选择歌单的效率较低的问题，本发明实施例提供了一种发送歌单标识的方法和装置。所述技术方案如下：[0007]第一方面，提供了一种发送歌单标识的方法，所述方法包括：[0008]当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；[0009]对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；[0010]在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；[0011]向所述第一账户的登录终端发送所述目标歌单的歌单标识。[0012]可选的，所述当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息，包括：[0013]当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；[0014]确定所述第一账户对应的账户特征信息；[0015]将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。[0016]可选的，所述确定所述第一账户对应的账户特征信息，包括：[0017]获取所述第一账户对应的第一关注歌曲列表；[0018]在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；[0019]根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。[0020]可选的，所述根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息，包括：[0021]确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；[0022]根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；[0023]将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。[0024]可选的，所述对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息，包括：[0025]对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；[0026]根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；[0027]将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。[0028]可选的，所述方法还包括：[0029]确定歌曲库中的每个歌曲的标识信息；[0030]将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息；[0031]对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息；根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。[0032]可选的，所述方法还包括：[0033]对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；[0034]根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。[0035]可选的，所述方法还包括：[0036]根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。[0037]可选的，所述方法还包括：[0038]对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；[0039]在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；[0040]确定目标账户对应的账户信息；[0041]对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；[0042]在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；[0043]创建由所述第三预设数目个歌曲构成的歌单。[0044]第二方面，提供了一种发送歌单标识的装置，所述装置包括：[0045]第一确定模块，用于当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；[0046]第二确定模块，用于对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；[0047]第一预测模块，用于将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；[0048]第三确定模块，用于在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；[0049]发送模块，用于向所述第一账户的登录终端发送所述目标歌单的歌单标识。[0050]可选的，所述第一确定模块，用于：[0051]当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；[0052]确定所述第一账户对应的账户特征信息；[0053]将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。[0054]可选的，所述第一确定模块，用于：[0055]获取所述第一账户对应的第一关注歌曲列表；[0056]在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；[0057]根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。[0058]可选的，所述第一确定模块，用于：[0059]确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；[0060]根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；[0061]将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。[0062]可选的，所述第二确定模块，用于：[0063]对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；[0064]根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；[0065]将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。[0066]可选的，所述装置还包括：[0067]第四确定模块，用于确定歌曲库中的每个歌曲的标识信息；[0068]第五确定模块，用于将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息；[0069]第六确定模块，用于对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息;根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。[0070]可选的，所述装置还包括：[0071]存储模块，用于对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；[0072]第一训练模块，用于根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。[0073]可选的，所述装置还包括：[0074]第二训练模块，用于根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。[0075]可选的，所述装置还包括：[0076]计算模块，用于对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；[0077]选取模块，用于在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；[0078]第七确定模块，用于确定目标账户对应的账户信息；[0079]第二预测模块，用于对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；[0080]第八确定模块，用于在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；[0081]创建模块，用于创建由所述第三预设数目个歌曲构成的歌单。[0082]第三方面，提供了一种服务器，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的发送歌单标识的方法。[0083]第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的发送歌单标识的方法。[0084]本发明实施例提供的技术方案带来的有益效果是：[0085]本发明实施例中，当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息;对于候选歌单集中的每个歌单，确定该歌单对应的歌单信息;将第一账户对应的账户信息和该歌单对应的歌单信息，输入到预先训练出的评分模型，预测第一账户对该歌单的评分;在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向第一账户的登录终端发送目标歌单的歌单标识。这样，用户可以在服务器发送的目标歌单的歌单标识中，选择自己喜欢听的歌单，无需在所有歌单中选择，从而，可以提高选择歌单的效率。附图说明[0086]为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅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。[0087]图1是本发明实施例提供的一种发送歌单标识的方法流程图；[0088]图2是本发明实施例提供的一种确定歌单特征向量的示意图；[0089]图3是本发明实施例提供的一种确定训练样本的示意图；[0090]图4是本发明实施例提供的一种系统框架示意图；[0091]图5是本发明实施例提供的一种发送歌单标识的装置结构示意图；[0092]图6是本发明实施例提供的一种发送歌单标识的装置结构示意图；[0093]图7是本发明实施例提供的一种发送歌单标识的装置结构示意图；[0094]图8是本发明实施例提供的一种发送歌单标识的装置结构示意图；[0095]图9是本发明实施例提供的一种发送歌单标识的装置结构示意图；[0096]图10是本发明实施例提供的一种服务器的结构示意图。具体实施方式[0097]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。[0098]本发明实施例提供了一种发送歌单标识的方法，该方法的执行主体为服务器。其中，该服务器可以是具有发送歌单标识功能的服务器，可以是歌曲播放类应用程序的后台服务器。服务器可以包括处理器、存储器、收发器等部件。处理器可以为CPUCentralProcessingUnit，中央处理单元）等，可以用于确定目标歌单的相关处理。存储器可以为RAMRandomAccessMemory，随机存取存储器）、Flash闪存等，可以用于存储接收到的数据、处理过程所需的数据、处理过程中生成的数据等，如评分模型等。收发器可以用于与终端或其它服务器进行数据传输，例如，向终端发送目标歌单的歌单标识，收发器可以包括天线、匹配电路、调制解调器等。[0099]下面将结合具体实施方式，对图1所示的处理流程进行详细的说明，内容可以如下：[0100]步骤101，当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息。[0101]其中，第一账户对应的账户信息可以是用于反映第一账户的特征或属性的信息。[0102]在实施中，服务器中可以预先设置有对应各账户的歌单推荐触发事件，其中，每个账户对应的歌单推荐触发事件可以相同，比如歌单推荐触发事件可以是预设的歌单推荐周期，每个账户对应的歌单推荐触发事件也可以不同，比如，每个账户对应的歌单推荐触发事件可以分别是账户所登录的终端发送的歌单推荐请求。在工作过程中，服务器可以对对应各账户的歌单推荐触发事件进行检测，当服务器检测到对应第一账户的歌单推荐触发事件发生时（比如，当接收到第一账户登录的终端发送的歌单推荐请求时），服务器可以判断服务器中当前是否存储有待推荐给第一账户的目标歌单，如果存储有，则服务器可以直接获取待推荐给第一账户的目标歌单的歌单标识，进而，可以将其发送给第一账户的登录终端，如果未存储有，则服务器可以确定待推荐给第一账户的目标歌单。具体的，服务器可以确定第一账户对应的账户信息，其中，第一账户可以是任一账户。[0103]可选的，第一账户对应的账户信息可以包括账户特征信息和账户属性信息，相应的，步骤101的处理过程可以如下：当检测到对应第一账户的歌单推荐触发事件发生时，根据第一账户对应的基础属性信息和关注歌曲偏好数据，确定第一账户对应的账户属性信息；确定第一账户对应的账户特征信息；将第一账户对应的账户属性信息和第一账户对应的账户特征信息，确定为第一账户对应的账户信息。[0104]其中，基础属性信息可以是人口统计属性信息，可以包括年龄信息、性别信息，关注歌曲偏好数据可以是用于反映对应的账户对各类歌曲的关注程度的数据。[0105]在实施中，当检测到对应第一账户的歌单推荐触发事件发生时，服务器可以确定第一账户对应的账户特征信息，除此之外，服务器还可以确定第一账户对应的账户属性信息。具体的，服务器可以获取第一账户对应的基础属性信息，其中，基础属性信息包括年龄信息、性别信息等，并可以获取第一账户对应的关注歌曲偏好数据（比如，可以是第一账户对应的第一关注歌曲列表中的不同流派的歌曲的数目），进而，可以将第一账户对应的基础属性信息和关注歌曲偏好数据，确定为第一账户对应的账户属性信息，可以用m3表示。确定出第一账户对应的账户属性信息和账户特征信息后，服务器可以将第一账户对应的账户属性信息和账户特征信息，确定为第一账户对应的账户信息。另外，账户属性信息可以用向量表示，即可称为账户属性向量，此种情况下，当检测到对应第一账户的歌单推荐触发事件发生时，服务器可以确定第一账户对应的账户属性向量，其中，账户属性向量的每一维元素可以表示不同的属性。具体的，服务器可以获取第一账户的基础属性信息和关注歌曲偏好数据，进而，可以根据第一账户的基础属性信息和关注歌曲偏好数据，确定账户属性向量中每维元素的数值，即得到第一账户对应的账户属性向量。[0106]例如，账户属性向量的各维元素分别表示不同的年龄段比如分别为[5,12]、[13，17]、[18,24]、[25,30]、[31，35]、[36，40]、[41，50]、[51，60]、小于5大于60、未知）和性别包括男、女、未知）、不同流派的歌曲的数目，此种情况下，服务器获取到第一账户对应的年龄和性别后，可以确定年龄和性别在账户属性向量中对应的维数，进而，可以将该维数的元素的数值设置为1，其他为〇,获取到第一账户对应的第一关注歌曲列表中的不同流派的歌曲的数目后，可以将表示不同流派的数目的元素对应的数值设置为第一账户对应的第一关注歌曲列表中的不同流派的歌曲的数目，从而，即可得到第一账户对应的账户属性向量。[0107]可选的，确定第一账户对应的账户特征信息的处理过程可以如下：获取第一账户对应的第一关注歌曲列表;在预先存储的各歌曲对应的歌曲特征信息中，确定第一关注歌曲列表中的每个歌曲对应的歌曲特征信息;根据第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定第一账户对应的账户特征信息。[0108]其中，歌曲特征信息可以是根据歌曲之间的相关性得到的信息。[0109]在实施中，服务器中可以预先存储有各账户对应的关注歌曲列表，其中，关注歌曲列表可以包括账户在预设历史时段内（比如过去一个月内）收藏和收听的各歌曲。当检测到对应第一账户的歌单推荐触发事件发生时，服务器可以在预先存储的各账户对应的关注歌曲列表中，获取第一账户对应的关注歌曲列表可称为第一关注歌曲列表，可以用Ul表示）。服务器中还可以预先存储有通过歌曲特征提取模型预先提取的各歌曲对应的歌曲特征信息，其中，各歌曲对应的歌曲特征信息可以用向量表示，即可以称为歌曲特征向量。获取到第一关注歌曲列表后，可以在上述各歌曲对应的歌曲特征信息中，确定第一关注歌曲列表中的每个歌曲（可以用i表示对应的歌曲特征信息，可以用Vi表示，其中，ieUl，进而，可以基于确定出的每个歌曲对应的歌曲特征信息，确定第一账户对应的账户特征信息，可以用ml表示。也就是说，第一账户对应的账户特征信息可以由第一关注歌曲列表中的每个歌曲对应的歌曲特征信息表达。[0110]可选的，服务器可以根据第一关注歌曲列表中的每个歌曲对应的各歌曲特征信息和各歌曲特征信息对应的权值，确定第一账户对应的账户特征信息，相应的，处理过程可以如下：确定第一账户对第一关注歌曲列表中的每个歌曲的关注类型;并确定第一账户对第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长;根据预先存储的不同关注类型与关注权值的对应关系，确定第一账户对第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及第一账户对第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度;将每个歌曲的关注类型对应的关注权值与每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到第一账户对应的账户特征信息。[0111]在实施中，获取到第一关注歌曲列表后，服务器除了确定第一关注歌曲列表中的每个歌曲对应的歌曲特征信息外，还可以确定第一账户对第一关注歌曲列表中的每个歌曲的关注类型，其中，关注类型可以是收藏类型或收听类型。服务器中可以预先存储有不同关注类型与关注权值的对应关系，如表1所示。确定出第一账户对第一关注歌曲列表中的每个歌曲的关注类型后，可以在上述对应关系中，确定第一账户对第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值，即得到每个歌曲对应的关注权值可以用atype3表示）。获取到第一关注歌曲列表后，服务器除了确定第一账户对第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值外，还可以确定第一账户对第一关注歌曲列表中的每个歌曲的关注时刻，进而，可以确定每个歌曲的关注时刻距离当前时刻的关注时长可以用difftime表示），得到每个歌曲对应的关注时长。服务器中可以预先存储有时间衰减公式其中，时间衰减公式可以是eA_t，确定出每个歌曲的关注时刻距离当前时刻的关注时长后，可以将每个歌曲对应的关注时长，带入时间衰减公式中（即可以将每个歌曲对应的关注时长作为参数t的数值），得到每个歌曲对应的时间衰减度可以用Ptime表示），其中，关注时刻距离当前时刻的关注时长越大，对应的时间衰减度越小。对于第一关注歌曲列表中的每个歌曲，得到该歌曲对应的关注权值和该歌曲对应的时间衰减度后，可以将其相乘，并可以将乘积确定为该歌曲对应的歌曲特征信息的权值。得到第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的权值和每个歌曲对应的歌曲特征信息后，可以计算第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到第一账户对应的账户特征信息，即第一账户对应的账户特征信息ml可以为ΣU1QtypeJtimeVi。[0112]表1[0114]步骤102，对于候选歌单集中的每个歌单，确定该歌单对应的歌单信息；将第一账户对应的账户信息和该歌单对应的歌单信息，输入到预先训练出的评分模型，预测第一账户对该歌单的评分。[0115]在实施中，当检测到对应第一账户的歌单推荐触发事件发生时，对于候选歌单集中的每个歌单，服务器还可以确定候选歌单集中的每个歌单对应的歌单信息。确定出第一账户对应的账户信息和候选歌单集中的每个歌单对应的歌单信息后，可以预测第一账户对候选歌单集中的每个歌单的评分。具体的，服务器中可以预先存储有预先训练出的评分模型，其中，评分模型的输入可以是某账户的账户信息和某歌曲的歌曲信息，输出可以是该账户该歌曲的评分，评分模型可以是神经网络评分模型。对于候选歌单集中的每个歌单，服务器可以将第一账户对应的账户信息和该歌单对应的歌单信息，输入到评分模型中，预测第一账户对该歌单的评分。[0116]可选的，上述评分模型的训练过程可以如下:根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。[0117]在实施中，服务器中可以预先存储有训练集以及包含待定参数的评分模型（可称为待训练评分模型），其中，训练集中的每个训练样本可以是每个账户对每个歌单的评分，以及该账户对应的账户信息和该歌单对应的歌单信息，训练样本可以包括正样本和负样本，待训练评分模型可以包括一个输入层其中，输入层即为账户对应的账户信息、歌单对应的歌单信息）、感知层1其中，感知层1可以包括1024个神经元、激活函数为relu、感知层2其中，感知层2可以包括512个神经元、激活函数为relu、感知层3其中，感知层3可以包括256个神经元、激活函数为relu和一个输出层激活函数为sigmoid。对于训练集中的每个训练样本，服务器可以将该训练样本中的账户对应的账户信息和歌单对应的歌单信息输入到包含待定参数的评分模型中，得到通过包含待定参数的评分模型预测的账户对歌单的评分，进而，可以基于通过包含待定参数的评分模型预测的账户对歌单的评分，趋近于该训练样本该账户对该歌单的评分的训练原则，对待训练评分模型进行训练。所有训练样本全部训练完毕，即可得到最终的评分模型，即可得到训练后的评分模型，例如，可以将通过包含待定参数的评分模型预测的账户对歌单的评分，与训练集中的账户对歌单的评分的差值作为目标函数，基于梯度下降法，对该目标函数进行训练（比如，可以求取该目标函数的最小值），得到待定参数的参数值，即得到最终的评分模型。另外，训练样本中也可以不是账户对歌单的评分，当某账户关注过某歌单时，该账户对该歌单的评分可以是1，否则为0。[0118]可选的，歌单信息可以包括歌单对应的歌单特征信息和歌单属性信息，相应的，步骤102的处理过程可以如下:对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定该歌单对应的歌单特征信息;根据歌单对应的被关注信息，确定歌单对应的歌单属性信息;将该歌单对应的歌单属性信息和该歌单对应的歌单特征信息，确定为该歌单对应的歌单信息。[0119]其中，被关注信息可以是用于反映对应的歌单被关注情况的信息，被关注信息可以包括被收藏量、播放量等信息，歌单属性信息可以是用于反映对应歌单的属性的信息。[0120]在实施中，服务器中可以预先存储有各歌单对应的歌单特征信息，其中，各歌单对应的歌单特征信息可以用向量表示，即可以称为歌单特征向量。对于候选歌单集中的每个歌单，服务器可以在预先存储的各歌单对应的歌单特征信息中，确定该歌单对应的歌单特征信息可以用m2表示）。[0121]服务器中可以预先存储有各歌单对应的被关注信息。对于候选歌单集中的每个歌单，服务器可以在各歌单对应的被关注信息中，确定该歌单对应的被关注信息，进而，可以根据被关注信息，确定该歌单对应的歌单属性信息（比如，可以将该歌单对应的被关注信息，确定为该歌单对应各歌单属性信息），可以用m4表示，其中，歌单属性信息可以用向量表示，也可称为歌单属性向量。另外，歌单属性信息还可以包括歌单的基础属性信息，其中，基础属性信息可以是用于反映对应歌单的基础属性的信息，比如，基础属性信息可以包括歌单包括的歌曲的数目、歌单中不同流派的歌曲的数目等，即服务器可以将歌单对应的被关注信息和基础属性信息，确定为该歌单对应的歌单属性信息。[0122]针对歌单属性信息为歌单属性向量的情况，歌单属性向量的每维元素可以表示预设的不同的属性例如，预设的不同属性可以包括收藏量、听歌量、歌单包括的歌曲的数目、不同流派的歌曲的数目等等）。此种情况下，对于候选歌单集中的每个歌单，服务器获取到该歌单对应的被关注信息和基础属性信息后，可以根据该歌单对应的被关注信息和基础属性信息，确定该歌单对应的歌单属性向量。对于歌单集中的每个歌单，确定出该各歌单对应的歌单属性信息和该歌单对应的歌单特征信息后，可以将各歌单对应的歌单属性信息和该歌单对应的歌单特征信息，确定为该歌单对应的歌单信息。[0123]可选的，预先存储的歌曲特征信息可以是服务器预先通过歌曲特征提取模型得到的，歌单特征信息可以是服务器通过歌单包含的歌曲对应的歌曲特征信息得到的，相应的，处理过程可以如下：确定歌曲库中的每个歌曲的标识信息;将歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息;对于预先存储的每个歌单，确定该歌单包括的各歌曲对应的歌曲特征信息;根据该歌单包括的各歌曲对应的歌曲特征信息，确定该歌单对应的歌单特征信息。[0124]在实施中，歌曲库中可以预先存储有各歌曲，对于歌曲库中的各歌曲，服务器可以对其进行编码，得到各歌曲的标识信息，其中，标识信息可以是标识向量，每个歌曲的标识向量的维数为歌曲库中的歌曲的总数量，且每个歌曲对应的标识向量中一维元素的数值为1，其他维元素的数值为〇，每个标识向量数值为1的维数不同。例如，歌曲库中的歌曲的总数量为η1，则每个歌曲的标识向量可以是η1维的向量，第一个歌曲的标识向量可以是（1，0，0,…，〇,〇，第二个歌曲的标识向量可以是〇，1，〇，···，〇,〇，）依次类推，得到歌曲库中的每个歌曲的标识向量。[0125]对于歌曲库中的每个歌曲，确定出该歌曲的标识信息后，可以将该歌曲的标识信息输入到预先训练出的歌曲特征提取模型中，其中，歌曲特征提取模型可以是神经网络模型，可以是item2vec的计算框架，进而，服务器可以将歌曲特征提取模型中的最后一个隐藏层的输出结果，确定为该歌曲对应的歌曲特征信息。服务器可以按照上述处理方式，得到歌曲库中每个歌曲对应的歌曲特征信息，并将其进行存储。确定出每个歌曲对应的歌曲特征信息后，服务器可以根据每个歌曲对应的歌曲特征信息，确定预先存储的各歌单的歌单特征信息。具体的，对于预先存储的每个歌单，服务器可以确定该歌单包括的歌曲，进而，可以在各歌曲对应的歌曲特征信息中，确定该歌单包括的歌曲对应的歌曲特征信息。确定出该歌单包括的歌曲对应的歌曲特征信息后，可以计算该歌单包括的歌曲对应的歌曲特征信息的平均值，进而，可以将得到的平均值，确定为该歌单对应的歌单特征信息，其中，歌曲特征信息可以为歌曲特征向量、歌单特征信息可以为歌单特征向量。例如，歌单A包括歌曲1、歌曲2、歌曲3,歌曲1对应的歌曲特征向量为99,170,50，歌曲2对应的歌曲特征向量为70，199,50，歌曲3对应的歌曲特征向量为80，180,50，则对于歌单特征向量的每维元素，可以计算歌单包括的歌曲对应的歌曲特征向量中该维元素的数值的平均值，得到歌单特征向量的该维元素的数值，即可以得到歌单特征向量为83，183,50，如图2所示。[0126]可选的，上述歌曲特征提取模型可以是服务器预先训练出的，相应的，处理过程可以如下:对于预先存储的每个歌单包含的每个歌曲，获取歌曲的标识信息、以及歌曲前面的第一预设数目个歌曲的标识信息与歌曲后面的第二预设数目个歌曲的标识信息，分别将该歌曲的标识信息作为模型输入数据，将第一预设数目个歌曲的标识信息和第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。[0127]在实施中，在训练歌曲特征提取模型前，服务器可以首先确定训练集中的每个训练样本。具体的，获取预先存储的每个歌单，对于每个歌单中的每个歌曲，服务器可以获取该歌曲的标识信息、以及该歌单中在该歌曲前面的第一预设数目个歌曲的标识信息和该歌单中在该歌曲后面的第二预设数目个歌曲的标识信息，进而，可以分别将该歌曲的标识信息作为模型输入数据、将第一预设数目个歌曲的标识信息和第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的模型输入数据和模型输出数据的对应关系中，其中，第一预设数目与第二预设数目可以相同，也可以不相同。例如，第一预设数目和第二预设数目为2,歌单A包含的歌曲为:歌曲1、歌曲2、歌曲3、歌曲4、歌曲5、歌曲6,对于歌曲4,服务器可以将歌曲4的标识信息作为模型输入数据，歌曲2、歌曲3、歌曲5、歌曲6的标识信息作为模型输出数据，作为一个训练样本，存储到训练集中的模型输入数据与模型输出数据的对应关系中，如图3所示。[0128]同一歌单中的歌曲之间具有一定的相关性，由此，可以通过同一歌单中的相邻歌曲的相关性，训练歌曲特征提取模型。具体的，得到训练样本后，对于训练集中的每个训练样本，服务器可以将该训练样本中的模型输入数据输入到包含待定参数的歌曲特征提取模型可称为待训练歌曲特征提取模型）中，得到通过待训练歌曲特征提取模型确定出该模型输入数据对应的模型输出数据其中，该模型输出数据中包含待定参数），进而，可以基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于对应关系中的该模型输入数据对应的模型输出数据的训练原则例如，可以将通过包含待定参数的歌曲特征提取模型得到的模型输出数据，与对应关系中的该模型输入数据对应的模型输出数据的差值，作为目标函数，进而，可以求取目标函数的最小值），对待训练歌曲特征提取模型进行训练。待所有训练样本训练结束时，即可得到待定参数的训练值，也即可以得到最终的歌曲特征提取模型，其中，歌曲特征提取模型可以为神经网络模型。[0129]可选的，服务器还可以通过评分模型创建歌单，其中，创建的歌单可以用于提供歌曲特征提取模型的训练样本，也可作为候选集中的歌单，相应的，处理过程可以如下:对于每个账户，获取该账户对应的关注歌曲列表;根据该账户对应的关注歌曲列表，统计该账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算该账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在该账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到该账户对应的不同流派类型的歌曲占比;在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；确定目标账户对应的账户信息;对于目标账户对应的关注歌曲列表中的每个歌曲，确定该歌曲的歌曲信息，将该目标账户的账户信息和该歌曲的歌曲信息，输入到预先训练出的评分模型，预测目标账户对该歌曲的评分;在目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；创建由第三预设数目个歌曲构成的歌单。[0130]在实施中，服务器中预先存储的歌单可以是服务器通过评分模型创建的，也就是说，服务器可以通过评分模型创建某预设流派类型的歌单。为创建预设流派类型的歌单，月艮务器可以统计各账户对应的不同流派类型的歌曲占比。具体的，对于每个账户，服务器可以获取该账户对应的关注歌曲列表，进而，可以统计关注歌曲列表中包括的不同流派类型的歌曲的数目，并计算不同流派类型的歌曲的数目在关注歌曲列表中包括的歌曲的总数目的占比，得到该账户对应的不同流派类型的歌曲占比。例如，账户1对应的关注歌曲列表1中包括:歌曲1其中，对应的流派类型为X、歌曲2其中，对应的流派类型为X、歌曲3其中，对应的流派类型为X、歌曲4其中，对应的流派类型为y、歌曲5其中，对应的流派类型为X，则服务器统计账户1对应的关注歌曲列表中的流派类型X的歌曲的数目为4、账户1对应的关注歌曲列表中的流派类型y的歌曲的数目为1，相应的，即可得到账户1对应的流派类型X的歌曲占比为0.845、流派类型y的歌曲占比为0.215。得到各账户对应的不同流派类型的歌曲占比后，服务器可以在各账户中，选取对应的预设流派类型（其中，预设流派类型可以为一个，也可以为多个的歌曲占比达到预设占比阈值的账户可称为目标账户，其中，目标账户可以是一个，也可以是多个）。例如，账户1对应的流派类型X的歌曲占比为0.8、账户2对应的流派类型X的歌曲占比为0.6、账户3对应的流派类型X的歌曲占比为0.4,预设流派类型为X流派类型，预设占比阈值为0.5,则服务器可以将账户1和账户2确定为目标账户。[0131]确定出目标账户后，服务器可以通过评分模型确定目标账户对目标账户对应的关注歌曲列表中的每个歌曲的评分。具体的，服务器可以按照确定第一账户对应的账户信息的处理方式，确定目标账户对应的账户信息。此外，对于目标账户对应的关注歌曲列表中的每个歌曲，服务器可以按照确定歌单对应的歌单信息的处理方式，确定该歌曲对应的歌曲信息，进而，可以将目标账户的账户信息和该歌曲的歌曲信息输入到评分模型中，预测目标账户对该歌曲的评分。得到目标账户对目标账户对应的关注歌曲列表中的各歌曲的评分后，服务器可以在目标账户对应的关注歌曲列表中的各歌曲中，选取对应的评分最大的第三预设数目（比如，第三预设数目为20个歌曲，进而，可以创建由选取出的第三预设数目个歌曲构成的歌单。[0132]步骤103,在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单。[0133]其中，预设推荐条件可以是用于根据第一账户对歌单的评分判断该歌单是否被推荐的条件。[0134]在实施中，服务器确定出第一账户对候选歌单集中的各歌单的评分后，可以在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的歌单可称为目标歌单）。具体的，服务器可以在候选歌单集中的各歌单中，确定对应的评分最高的预设数目个目标歌单，或者，服务器可以在候选歌单集中的各歌单中，确定对应的评分大于预设评分阈值的目标歌单。[0135]步骤104,向第一账户的登录终端发送目标歌单的歌单标识。[0136]在实施中，服务器确定出目标歌单后，可以向第一账户的登录终端发送目标歌单的歌单标识，相应的，终端可以接收服务器发送的目标歌单的歌单标识，并可以对其进行显示，以便用户选择自己喜欢听的歌单，如图4所示。[0137]本发明实施例中，当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息;对于候选歌单集中的每个歌单，确定该歌单对应的歌单信息;将第一账户对应的账户信息和该歌单对应的歌单信息，输入到预先训练出的评分模型，预测第一账户对该歌单的评分;在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向第一账户的登录终端发送目标歌单的歌单标识。这样，用户可以在服务器发送的目标歌单的歌单标识中，选择自己喜欢听的歌单，无需在所有歌单中选择，从而，可以提高选择歌单的效率。[0138]基于相同的技术构思，本发明实施例还提供了一种发送歌单标识的装置，如图5所示，该装置包括：[0139]第一确定模块510,用于当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；[0140]第二确定模块520,用于对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；[0141]第一预测模块530,用于将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；[0142]第三确定模块540,用于在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；[0143]发送模块550,用于向所述第一账户的登录终端发送所述目标歌单的歌单标识。[0144]可选的，所述第一确定模块510,用于：[0145]当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；[0146]确定所述第一账户对应的账户特征信息；[0147]将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。[0148]可选的，所述第一确定模块510,用于：[0149]获取所述第一账户对应的第一关注歌曲列表；[0150]在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；[0151]根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。[0152]可选的，所述第一确定模块510,用于：[0153]确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；[0154]根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；[0155]将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。[0156]可选的，所述第二确定模块520,用于：[0157]对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；[0158]根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；[0159]将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。[0160]可选的，如图6所示，所述装置还包括：[0161]第四确定模块560,用于确定歌曲库中的每个歌曲的标识信息;将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息;对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息;根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。[0162]可选的，如图7所示，所述装置还包括：[0163]存储模块570,用于对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；[0164]第一训练模块580,用于根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。[0165]可选的，如图8所示，所述装置还包括：[0166]第二训练模块590,用于根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。[0167]可选的，如图9所示，所述装置还包括：[0168]计算模块5100,用于对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；[0169]选取模块5110,用于在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；[0170]第五确定模块5120,用于确定目标账户对应的账户信息；[0171]第二预测模块5130,用于对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；[0172]第六确定模块5140,用于在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；[0173]创建模块5150,用于创建由所述第三预设数目个歌曲构成的歌单。[0174]本发明实施例中，当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息;对于候选歌单集中的每个歌单，确定该歌单对应的歌单信息;将第一账户对应的账户信息和该歌单对应的歌单信息，输入到预先训练出的评分模型，预测第一账户对该歌单的评分;在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向第一账户的登录终端发送目标歌单的歌单标识。这样，用户可以在服务器发送的目标歌单的歌单标识中，选择自己喜欢听的歌单，无需在所有歌单中选择，从而，可以提高选择歌单的效率。[0175]需要说明的是：上述实施例提供的发送歌单标识的装置在发送歌单标识时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将服务器的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的发送歌单标识的装置与发送歌单标识的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。[0176]图10是本发明实施例提供的服务器的结构示意图。该服务器1900可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（centralprocessingunits，CPU1922例如，一个或一个以上处理器和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930例如一个或一个以上海量存储设备）。其中，存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1922可以设置为与存储介质1930通信，在服务器1900上执行存储介质1930中的一系列指令操作。[0177]服务器1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950，一个或一个以上输入输出接口1958，一个或一个以上键盘1956，和或，一个或一个以上操作系统1941，例如WindowsServerTM，MacOSXTM，UnixTM，LinuxTM，FreeBSDTM等等。[0178]服务器1900可以包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：[0179]当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；[0180]对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；[0181]在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；[0182]向所述第一账户的登录终端发送所述目标歌单的歌单标识。[0183]可选的，所述当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息，包括：[0184]当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；[0185]确定所述第一账户对应的账户特征信息；[0186]将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。[0187]可选的，所述确定所述第一账户对应的账户特征信息，包括：[0188]获取所述第一账户对应的第一关注歌曲列表；[0189]在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；[0190]根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。[0191]可选的，所述根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息，包括：[0192]确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；[0193]根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；[0194]将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。[0195]可选的，所述对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息，包括：[0196]对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；[0197]根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；[0198]将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。[0199]可选的，所述方法还包括：[0200]确定歌曲库中的每个歌曲的标识信息；[0201]将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息；[0202]对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息；根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。[0203]可选的，所述方法还包括：[0204]对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；[0205]根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。[0206]可选的，所述方法还包括：[0207]根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。[0208]可选的，所述方法还包括：[0209]对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；[0210]在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；[0211]确定目标账户对应的账户信息；[0212]对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；[0213]在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；[0214]创建由所述第三预设数目个歌曲构成的歌单。[0215]本发明实施例中，当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息;对于候选歌单集中的每个歌单，确定该歌单对应的歌单信息;将第一账户对应的账户信息和该歌单对应的歌单信息，输入到预先训练出的评分模型，预测第一账户对该歌单的评分;在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向第一账户的登录终端发送目标歌单的歌单标识。这样，用户可以在服务器发送的目标歌单的歌单标识中，选择自己喜欢听的歌单，无需在所有歌单中选择，从而，可以提高选择歌单的效率。[0216]本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。[0217]以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种发送歌单标识的方法，其特征在于，所述方法包括：当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；向所述第一账户的登录终端发送所述目标歌单的歌单标识。2.根据权利要求1所述的方法，其特征在于，所述当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息，包括：当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；确定所述第一账户对应的账户特征信息；将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。3.根据权利要求2所述的方法，其特征在于，所述确定所述第一账户对应的账户特征信息，包括：获取所述第一账户对应的第一关注歌曲列表；在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息，包括：确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。5.根据权利要求1所述的方法，其特征在于，所述对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息，包括：对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。6.根据权利要求3或5所述的方法，其特征在于，所述方法还包括：确定歌曲库中的每个歌曲的标识信息；将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息；对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息；根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。9.根据权利要求1或7所述的方法，其特征在于，所述方法还包括：对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；确定目标账户对应的账户信息；对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；创建由所述第三预设数目个歌曲构成的歌单。10.—种发送歌单标识的装置，其特征在于，所述装置包括：第一确定模块，用于当检测到对应第一账户的歌单推荐触发事件发生时，确定第一账户对应的账户信息；第二确定模块，用于对于候选歌单集中的每个歌单，确定所述歌单对应的歌单信息；第一预测模块，用于将所述第一账户对应的账户信息和所述歌单对应的歌单信息，输入到预先训练出的评分模型，预测所述第一账户对所述歌单的评分；第三确定模块，用于在候选歌单集中的各歌单中，确定对应的评分满足预设推荐条件的目标歌单；发送模块，用于向所述第一账户的登录终端发送所述目标歌单的歌单标识。11.根据权利要求10所述的装置，其特征在于，所述第一确定模块，用于：当检测到对应第一账户的歌单推荐触发事件发生时，根据所述第一账户对应的基础属性信息和关注歌曲偏好数据，确定所述第一账户对应的账户属性信息；确定所述第一账户对应的账户特征信息；将所述第一账户对应的账户属性信息和所述第一账户对应的账户特征信息，确定为所述第一账户对应的账户信息。12.根据权利要求11所述的装置，其特征在于，所述第一确定模块，用于：获取所述第一账户对应的第一关注歌曲列表；在预先存储的各歌曲对应的歌曲特征信息中，确定所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息；根据所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息，确定所述第一账户对应的账户特征信息。13.根据权利要求12所述的装置，其特征在于，所述第一确定模块，用于：确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型;并确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长；根据预先存储的不同关注类型与关注权值的对应关系，确定所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注类型对应的关注权值;并根据时间衰减公式、以及所述第一账户对所述第一关注歌曲列表中的每个歌曲的关注时刻距离当前时刻的关注时长，确定每个歌曲对应的时间衰减度；将所述每个歌曲的关注类型对应的关注权值与所述每个歌曲对应的时间衰减度的乘积，作为每个歌曲对应的歌曲特征信息的权值，计算所述第一关注歌曲列表中的每个歌曲对应的歌曲特征信息的加权和，得到所述第一账户对应的账户特征信息。14.根据权利要求10所述的装置，其特征在于，所述第二确定模块，用于：对于候选歌单集中的每个歌单，在预先存储的各歌单对应的歌单特征信息中，确定所述歌单对应的歌单特征信息；根据所述歌单对应的被关注信息，确定所述歌单对应的歌单属性信息；将所述歌单对应的歌单属性信息和所述歌单对应的歌单特征信息，确定为所述歌单对应的歌单信息。15.根据权利要求12或14所述的装置，其特征在于，所述装置还包括：第四确定模块，用于确定歌曲库中的每个歌曲的标识信息；将所述歌曲库中的每个歌曲的标识信息输入到预先训练的出的歌曲特征提取模型中，确定歌曲库中的每个歌曲的歌曲特征信息;对于预先存储的每个歌单，确定所述歌单包括的各歌曲对应的歌曲特征信息；根据所述歌单包括的各歌曲对应的歌曲特征信息，确定所述歌单对应的歌单特征信息。16.根据权利要求15所述的装置，其特征在于，所述装置还包括：存储模块，用于对于预先存储的每个歌单包含的每个歌曲，获取所述歌曲的标识信息、以及所述歌曲前面的第一预设数目个歌曲的标识信息与所述歌曲后面的第二预设数目个歌曲的标识信息，分别将所述歌曲的标识信息作为模型输入数据，将所述第一预设数目个歌曲的标识信息和所述第二预设数目个歌曲的标识信息作为模型输出数据，存储到训练集中的各模型输入数据和模型输出数据的对应关系中；第一训练模块，用于根据训练集中的各模型输入数据和模型输出数据的对应关系，基于通过包含待定参数的歌曲特征提取模型得到的模型输出数据趋近于所述对应关系中的模型输出数据的训练原则，对包含待定参数的歌曲特征提取模型进行训练，得到歌曲特征提取模型。17.根据权利要求10所述的装置，其特征在于，所述装置还包括：第二训练模块，用于根据训练集中的各账户对各歌单的评分、以及各账户对应的账户信息、各歌单对应的歌单信息，基于通过包含待定参数的评分模型预测的账户对歌单的评分趋近于训练集中的账户对歌单的评分的训练原则，对包含待定参数的评分模型进行训练，得到评分模型。18.根据权利要求10或16所述的装置，其特征在于，所述装置还包括：计算模块，用于对于每个账户，获取所述账户对应的关注歌曲列表;根据所述账户对应的关注歌曲列表，统计所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目，并计算所述账户对应的关注歌曲列表中的不同流派类型的歌曲的数目在所述账户对应的关注歌曲列表中的歌曲的总数目中的占比，得到所述账户对应的不同流派类型的歌曲占比；选取模块，用于在各账户中，选取对应的预设流派类型的歌曲占比达到预设占比阈值的目标账户；第五确定模块，用于确定目标账户对应的账户信息；第二预测模块，用于对于所述目标账户对应的关注歌曲列表中的每个歌曲，确定所述歌曲的歌曲信息，将所述目标账户的账户信息和所述歌曲的歌曲信息，输入到预先训练出的评分模型，预测所述目标账户对所述歌曲的评分；第六确定模块，用于在所述目标账户对应的关注歌曲列表中的各歌曲中，确定对应的评分最大的第三预设数目个歌曲；创建模块，用于创建由所述第三预设数目个歌曲构成的歌单。19.一种服务器，其特征在于，所述服务器包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至9任一所述的发送歌单标识的方法。20.—种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至9任一所述的发送歌单标识的方法。

百度查询： 腾讯音乐娱乐科技(深圳)有限公司 一种发送歌单标识的方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD