專(zhuān)利名稱：一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法
技術(shù)領(lǐng)域：
本發(fā)明涉及空間數(shù)據(jù)庫(kù)領(lǐng)域的索引機(jī)制與查詢方法，以及信息檢索領(lǐng)域針對(duì)海量多媒體對(duì)象的檢索推薦技術(shù)，尤其涉及一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法。
背景技術(shù)：
在空間數(shù)據(jù)庫(kù)領(lǐng)域，為了快速、有效地訪問(wèn)海量空間數(shù)據(jù)，專(zhuān)家學(xué)者提出了大量的空間索引方法，常見(jiàn)的索引方法包括網(wǎng)格(Grid)、四叉樹(shù)(Quad-Tree)、R-索引、R*樹(shù)索引、K-D-B樹(shù)索引、Hilbert曲線索引。在此基礎(chǔ)上，更提出了各種各具特色的查詢及其解決方案，如近鄰查詢、K近鄰查詢、連續(xù)近鄰查詢、反向近鄰查詢、最遠(yuǎn)鄰居查詢、skyline查詢。這些空間索引通常以層次型的結(jié)構(gòu)組織空間對(duì)象，從而支持高效的空間查詢。以被廣泛采 用的R樹(shù)為例，空間上位置相近的數(shù)據(jù)點(diǎn)被聚類(lèi)到最小包圍盒里，這些最小包圍盒又根據(jù)空間局部性遞歸的進(jìn)行聚類(lèi)，直到到達(dá)根節(jié)點(diǎn)。在信息檢索領(lǐng)域，常見(jiàn)全文搜索引擎通常采用倒排文件(Inverted File)對(duì)文檔對(duì)象進(jìn)行索引，倒排文件以文檔關(guān)鍵詞作為索引，文檔作為索引對(duì)象建立關(guān)鍵詞-文檔映射結(jié)構(gòu)。當(dāng)用戶輸入關(guān)鍵詞進(jìn)行檢索時(shí)，搜索引擎可以利用倒排文件高效地獲得包含此關(guān)鍵詞的文檔集合以及關(guān)鍵詞在各個(gè)文檔中出現(xiàn)的次數(shù)，從而便捷計(jì)算網(wǎng)頁(yè)文檔與用戶查詢之間的匹配程度，并按一定的排列順序返回查詢結(jié)果?，F(xiàn)有的檢索系統(tǒng)最常用的模型是向量空間模型，在該模型中每個(gè)文檔d被映射為一個(gè)特征向量VWXt” t2, t^tn)，其中ti(i=l…η)為一列互不相同的Tag在文檔d中的權(quán)重，在信息檢索領(lǐng)域最常用的Tag權(quán)重計(jì)算方法為T(mén)F-IDF。使用向量空間模型就能計(jì)算任意文檔和用戶查詢之間的匹配度，首先把用戶查詢轉(zhuǎn)換成位于同一個(gè)文檔空間的向量，然后使用諸如余弦距離等計(jì)算函數(shù)計(jì)算匹配度。在音樂(lè)推薦領(lǐng)域，根據(jù)方法的不同，傳統(tǒng)的音樂(lè)推薦系統(tǒng)大概可以分為兩類(lèi)。一種是基于音樂(lè)內(nèi)容(Content-Based)的，這種方法首先從用戶喜歡的音樂(lè)中提取出各種特征，然后根據(jù)這些特征運(yùn)用機(jī)器學(xué)習(xí)的方法判斷用戶對(duì)于其他音樂(lè)的喜好程度；另一種是協(xié)同過(guò)濾(Collaborative-Filtering),它假設(shè)相似的用戶喜歡的音樂(lè)也是相似的，因此推薦給用戶的是其他有著相似興趣的用戶所喜歡的音樂(lè)。但是大多數(shù)的推薦系統(tǒng)并沒(méi)有考慮用戶當(dāng)時(shí)所處的上下文環(huán)境，推薦出來(lái)的音樂(lè)并不能滿足用戶當(dāng)時(shí)的心理需求，因?yàn)楹芏嘤脩羝鋵?shí)是根據(jù)當(dāng)時(shí)所處場(chǎng)合、發(fā)生事件或者物理環(huán)境狀況而不是歌手等來(lái)選擇音樂(lè)的。

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術(shù)的不足，提供一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法。本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法，包括如下步驟(O從照片網(wǎng)站爬取具有GPS信息的照片集；
(2)從音樂(lè)網(wǎng)站爬取包含歌詞等相關(guān)信息的音樂(lè)集；
(3)對(duì)步驟I)得到的具有GPS信息照片集建立空間索引，在此過(guò)程中對(duì)每張照片的原始Tag集進(jìn)行分詞處理得到規(guī)范的照片Tag集；
(4)對(duì)步驟2)得到的包含歌詞等相關(guān)信息音樂(lè)集建立存儲(chǔ)索引，在此過(guò)程中對(duì)每首歌曲的歌詞進(jìn)行分詞得到對(duì)應(yīng)的音樂(lè)Tag集和相應(yīng)的音樂(lè)文檔向量；
(5)分析文檔集得到一個(gè)Tag相似度矩陣；
(6)通過(guò)查詢步驟5)得到的Tag相似度矩陣將步驟3)得到的每張照片的Tag集轉(zhuǎn)換成位于音樂(lè)文檔向量空間的照片文檔向量； (7)將步驟4)得到的音樂(lè)文檔向量和步驟6)得到的照片文檔向量用TF-IDF權(quán)重計(jì)算方式轉(zhuǎn)換成帶權(quán)音樂(lè)文檔向量和帶權(quán)照片文檔向量；
(8)客戶端接收用戶的當(dāng)前位置信息和物理環(huán)境信息，傳遞給服務(wù)器進(jìn)行計(jì)算；
(9)服務(wù)器根據(jù)從步驟8)得到的用戶位置信息通過(guò)步驟3)建立的照片集索引查詢出用戶位置包含的所有照片得到位置相關(guān)照片集，同時(shí)對(duì)從步驟8)得到的物理環(huán)境信息進(jìn)行加強(qiáng)得到代表用戶當(dāng)前物理環(huán)境的帶權(quán)Tag集；
(10)使用步驟9)得到的代表用戶物理環(huán)境的帶權(quán)Tag集對(duì)音樂(lè)進(jìn)行過(guò)濾得到候選音樂(lè)集;
(11)根據(jù)步驟9)得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出代表用戶位置的帶權(quán)文檔向量，并用向量相似度計(jì)算方法計(jì)算出和其最匹配的K首音樂(lè)；
(12)基于步驟9)得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出相應(yīng)的標(biāo)簽云，最后將查詢出的K首音樂(lè)和生成的標(biāo)簽云返回給客戶端。本發(fā)明具有的有益效果是提出了一種合理的音樂(lè)推薦架構(gòu)，并設(shè)計(jì)了一種用戶當(dāng)前位置和物理環(huán)境特征的表達(dá)結(jié)構(gòu)，這種結(jié)構(gòu)支持高效的向量匹配算法。同時(shí)，針對(duì)海量照片對(duì)象的空間屬性與文本屬性，采用了支持高效插入、刪除、更新操作的變種空間索引結(jié)構(gòu)。以此索引結(jié)構(gòu)為基礎(chǔ)，結(jié)合音樂(lè)歌詞的語(yǔ)義性和照片具有的空間性和語(yǔ)義性，可供用戶根據(jù)自己的當(dāng)前位置和物理環(huán)境獲取最佳的推薦音樂(lè)。


圖I是本發(fā)明實(shí)施步驟流程 圖2是根據(jù)用戶當(dāng)前位置查詢照片集的索引圖。
具體實(shí)施例方式下面結(jié)合附圖詳細(xì)描述本發(fā)明，本發(fā)明的目的和效果將變得更加明顯。如圖I所示，本發(fā)明基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法具體包含如下實(shí)施步驟
步驟I :從照片網(wǎng)站爬取具有GPS信息的照片集。爬取數(shù)據(jù)的流程中照片網(wǎng)站提供的API單張照片訪問(wèn)速度太慢(按照照片ID依次爬取)，而照片的需求量是幾千萬(wàn)甚至上億，本發(fā)明采用二分法探測(cè)最適宜的一次爬取照片數(shù)量，然后批量下載照片(批量下載某個(gè)地區(qū)的所有照片)，大大降低網(wǎng)絡(luò)IO的訪問(wèn)，比如從WWW. flickr. com爬取照片的速度可以達(dá)到I秒鐘爬取2000張照片，在所有照片下載完成之后最后進(jìn)行數(shù)據(jù)清洗，保證每張照片只留一份對(duì)應(yīng)數(shù)據(jù)，并剔除掉沒(méi)有GPS坐標(biāo)的照片，最后形成了一個(gè)擁有6000多萬(wàn)張具有GPS信息的照片的數(shù)據(jù)庫(kù)。步驟2 :從音樂(lè)網(wǎng)站爬取包含歌詞等相關(guān)信息的音樂(lè)集。以www. lyrics, com網(wǎng)站的爬取為例,每首音樂(lè)都對(duì)應(yīng)了一個(gè)html文件,使用正則語(yǔ)言分析html文件可以得到每首音樂(lè)對(duì)應(yīng)的歌手名、歌曲名以及歌詞。使用多線程加速，最后收集了一個(gè)包含了十幾萬(wàn)首音樂(lè)的音樂(lè)數(shù)據(jù)庫(kù)。步驟3 :對(duì)步驟I得到的具有GPS信息照片集建立空間索引，在此過(guò)程中對(duì)每張照片的原始Tag集進(jìn)行分詞處理得到規(guī)范的照片Tag集。由于照片數(shù)據(jù)量過(guò)于龐大，需要先對(duì)所有的照片進(jìn)行預(yù)處理，提取出照片對(duì)應(yīng)的 GPS坐標(biāo)以及照片ID、評(píng)論數(shù)、URUTag集等等。然后根據(jù)GPS坐標(biāo)插入到維護(hù)所有照片的空間索引中，比如以R-TREE為例(可以采用其他空間索引)，R-TREE當(dāng)中維護(hù)了每張照片的GPS坐標(biāo)以及照片的ID，而照片的其余信息都存放在磁盤(pán)上。不論用戶的位置信息表達(dá)為矩形還是圓形都可以通過(guò)層序遍歷R-TREE節(jié)點(diǎn)做矩形或圓形求交運(yùn)算獲得該區(qū)域內(nèi)的所有照片的數(shù)據(jù)。以圖2為例來(lái)進(jìn)行說(shuō)明。為方便說(shuō)明，空間索引采用R-TREE，圖中的各個(gè)矩形就是R-TREE層次中的MBR (最小包圍矩形)，內(nèi)部節(jié)點(diǎn)包含下一層中的各個(gè)MBR，依次遞歸包含。葉子節(jié)點(diǎn)中存儲(chǔ)了位于葉節(jié)點(diǎn)MBR內(nèi)的所有照片的GPS地理坐標(biāo)和相應(yīng)的照片ID，圖中每個(gè)小點(diǎn)代表一張照片。圖中的虛線矩形表示用戶當(dāng)前的位置矩形，在查詢的時(shí)候該位置矩形內(nèi)所包含的照片組成了代表用戶位置信息的照片集(圖中用黑色小點(diǎn)表示這些照片)，然后我們通過(guò)該照片集到磁盤(pán)上取得這些照片的Tag集合以及相應(yīng)的其他諸如評(píng)論、上傳時(shí)間等等信息。某些返回的照片Tag有可能是由若干真正的Tag拼接而成，采用AC自動(dòng)機(jī)(Aho-Corasick string matching algorithm)將這些拼接而成的Tag分詞，得到照片對(duì)應(yīng)的規(guī)范的Tag集。比如服務(wù)器返回的是字符串BeautifulBuildingOfUSA，將它拆分為Beautiful, Building, Of, USA。步驟4:對(duì)步驟2得到的包含歌詞等相關(guān)信息音樂(lè)集建立存儲(chǔ)索引，在此過(guò)程中對(duì)每首歌曲的歌詞進(jìn)行分詞得到對(duì)應(yīng)的音樂(lè)Tag集和相應(yīng)的音樂(lè)文檔向量。音樂(lè)信息按照音樂(lè)ID順序存放在磁盤(pán)里，內(nèi)存中開(kāi)辟一個(gè)緩沖區(qū)存放一定比例的連續(xù)音樂(lè)信息，音樂(lè)信息的訪問(wèn)是按序的，每當(dāng)需要訪問(wèn)下一部分的音樂(lè)信息時(shí)清空緩沖區(qū)，重新從磁盤(pán)讀入下一部分的音樂(lè)信息。通過(guò)英文分詞技術(shù)將每首音樂(lè)的歌詞進(jìn)行分詞得到對(duì)應(yīng)的音樂(lè)Tag集。把所有歌詞集里出現(xiàn)的每個(gè)不同的Tag看作一個(gè)維度，每首音樂(lè)看作一個(gè)文檔，把音樂(lè)表示成這個(gè)多維空間中的一個(gè)向量，每個(gè)維度上的值就是對(duì)應(yīng)Tag在該首音樂(lè)中出現(xiàn)的次數(shù)。步驟5 :分析文檔集得到一個(gè)Tag相似度矩陣。先分析文檔集比如維基百科、大英詞典中出現(xiàn)的所有英文文章，用一個(gè)滑動(dòng)窗口得到Tag對(duì)之間的共生次數(shù)，然后用LIN氏理論信息值為每個(gè)Tag計(jì)算一個(gè)分布相似度向量，然后通過(guò)多次迭代最后產(chǎn)生一個(gè)類(lèi)似LSA矩陣的相似度矩陣，其中每一行表示一個(gè)Tag和其他Tag的相似度向量，每一項(xiàng)就是兩個(gè)Tag之間的相似度，并按遞減順序排列。這樣可以快速取得和每個(gè)Tag最相似的Tag。為了方便每個(gè)Tag最相似Tag的查詢,預(yù)先計(jì)算好每個(gè)Tag最相似的若干Tag并按照從高到低的順序排列，生成一個(gè)相似矩形，存放于磁盤(pán)中，在程序運(yùn)行期間加載到內(nèi)存中。步驟6 :通過(guò)查詢步驟5得到的Tag相似度矩陣將步驟3得到每張照片的Tag集轉(zhuǎn)換成位于音樂(lè)文檔向量空間的照片文檔向量。在音樂(lè)匹配過(guò)程中需要計(jì)算音樂(lè)和一個(gè)照片Tag集合之間的相似度，但是本質(zhì)上照片Tag集和音樂(lè)Tag集(歌詞分詞后得到)是處于兩個(gè)不同空間上的數(shù)據(jù)，要計(jì)算形似度就需要將它們轉(zhuǎn)化到同一個(gè)空間中進(jìn)行計(jì)算。方法是對(duì)于照片的每一個(gè)Tag X計(jì)算出音樂(lè)Tag集中和它最相似的Tag y,并用y代替X。比如如果要將照片中出現(xiàn)的Tag X轉(zhuǎn)換到一個(gè)音樂(lè)Tag集中出現(xiàn)過(guò)的tag的話， 首先將歌曲中出現(xiàn)的所有Tag放到一個(gè)哈希表中，然后在Tag相似度矩陣中X對(duì)應(yīng)的數(shù)據(jù)行中從前往后掃描與X最相似的Tag查看是否出現(xiàn)在音樂(lè)Tag集的哈希表中，若找到則退出，否則X沒(méi)有對(duì)應(yīng)的音樂(lè)Tag，也就不用考慮了。處理完成之后，按照和步驟4類(lèi)似的方法將每張照片的Tag集轉(zhuǎn)換成一個(gè)處于音樂(lè)向量空間的照片文檔向量。步驟7 :將步驟4得到的音樂(lè)文檔向量和步驟6得到的照片文檔向量用TF-IDF權(quán)重計(jì)算方式轉(zhuǎn)換成帶權(quán)音樂(lè)文檔向量和帶權(quán)照片文檔向量。對(duì)于音樂(lè)文檔向量和照片文檔向量中出現(xiàn)的任何一個(gè)Tag計(jì)算出它所處文檔向量中它中出現(xiàn)的次數(shù)(TF)以及在整個(gè)文檔向量集中包含有它的文檔向量的個(gè)數(shù)(DF)并得到IDF值，根據(jù)TF和IDF值計(jì)算出該Tag在所處文檔向量中對(duì)應(yīng)的TF-IDF值。對(duì)每個(gè)文檔向量中的每個(gè)Tag都按照上述的步驟處理之后得到帶權(quán)音樂(lè)文檔向量和帶權(quán)照片文檔向量。步驟8 :客戶端接收用戶的當(dāng)前位置信息和物理環(huán)境信息，傳遞給服務(wù)器進(jìn)行計(jì)
笪
ο用戶通過(guò)客戶端指定她所處的當(dāng)前位置(可以是矩形或者圓形，長(zhǎng)寬和半徑都可更改，矩形和圓形的坐標(biāo)都用經(jīng)緯度表示)，并選擇自己的心情(通過(guò)文字選擇或者圖形化選擇)和代表心情強(qiáng)烈程度的權(quán)重值(I到100)，客戶端同時(shí)計(jì)算出其他諸如天氣狀況，時(shí)間等等物理環(huán)境信息，客戶端將這些信息傳遞給服務(wù)器。步驟9 :服務(wù)器根據(jù)從步驟8得到的用戶位置信息通過(guò)步驟3建立的照片集索引查詢出用戶位置包含的所有照片得到位置相關(guān)照片集，同時(shí)對(duì)從步驟8得到的物理環(huán)境信息進(jìn)行加強(qiáng)得到代表用戶當(dāng)前物理環(huán)境的帶權(quán)Tag集。按照遞歸查詢的方法從照片空間索引中查詢出用戶位置包含的所有照片信息集。用戶的物理環(huán)境包括天氣狀況，時(shí)間，心情等等，其中用戶心情表達(dá)為一個(gè)Tag和對(duì)應(yīng)的權(quán)重(I到100),權(quán)重越高表示用戶當(dāng)前的物理環(huán)境越強(qiáng)烈，并通過(guò)WordNet-Affect對(duì)用戶當(dāng)前的物理環(huán)境進(jìn)行擴(kuò)展和用戶當(dāng)前物理環(huán)境類(lèi)似的情緒的Tag都被加入到表達(dá)用戶的物理環(huán)境帶權(quán)Tag集里。步驟10 :使用步驟9得到的代表用戶物理環(huán)境的帶權(quán)Tag集對(duì)音樂(lè)進(jìn)行過(guò)濾得到候選音樂(lè)集。對(duì)于代表用戶物理環(huán)境的帶權(quán)Tag集中的每一個(gè)Tag，根據(jù)它對(duì)應(yīng)的權(quán)值計(jì)算出一個(gè)等比例的ο-I之間的閾值，使用步驟5中得到的Tag相似度矩陣可以求得任何一首音樂(lè)中和它最相似的Tag以及對(duì)應(yīng)的相似度。對(duì)于任何一首音樂(lè)，如果這個(gè)帶權(quán)Tag集中任何一個(gè)Tag在該首音樂(lè)中最相似的Tag相似度沒(méi)有超過(guò)對(duì)應(yīng)的閾值就將這首音樂(lè)過(guò)濾掉，在音樂(lè)匹配過(guò)程中就不再考慮。步驟11 :根據(jù)步驟9得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出代表用戶位置的帶權(quán)文檔向量，并用向量相似度計(jì)算方法計(jì)算出和其最匹配的K首音樂(lè)；
和步驟7中計(jì)算帶權(quán)照片向量的方法類(lèi)似計(jì)算出代表用戶位置的帶權(quán)文檔向量V，V和所有音樂(lè)文檔向量一樣均處于同一個(gè)向量空間中，任何一個(gè)音樂(lè)文檔向量M和V之間的相似度計(jì)算采用余弦距離公式，描述如下(可以采用其他的向量相似度計(jì)算公式) 假設(shè)V的向量形式如下
r=(w’O ；
音樂(lè)文檔向量M形式如下M= (W1, 2...,%)；
其中，η是向量的維數(shù)。它們之間的相似度計(jì)算如下
(
SimiIaniy (F, Μ)=........嚴(yán) M=:——『===■
■
V i-l Υ -4若用戶請(qǐng)求的是前K首最匹配的音樂(lè)，維護(hù)一個(gè)容量為K的最小堆，在每首音樂(lè)的匹配分?jǐn)?shù)計(jì)算完畢之后相應(yīng)地更新最小堆的內(nèi)容，即若該首音樂(lè)得分高于最小堆中分?jǐn)?shù)最低的音樂(lè)就刪除堆頂音樂(lè)而插入該首音樂(lè)，最后最小堆里記錄的就是匹配度最高的K首音樂(lè)。步驟12 :基于步驟9得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出相應(yīng)的標(biāo)簽云，最后將查詢出的K首音樂(lè)和生成的標(biāo)簽云返回給客戶端。
權(quán)利要求
1.一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法，其特征在于，包括如下步驟 (O從照片網(wǎng)站爬取具有GPS信息的照片集； (2)從音樂(lè)網(wǎng)站爬取包含歌詞等相關(guān)信息的音樂(lè)集； (3)對(duì)步驟I)得到的具有GPS信息照片集建立空間索引，在此過(guò)程中對(duì)每張照片的原始Tag集進(jìn)行分詞處理得到規(guī)范的照片Tag集； (4)對(duì)步驟2)得到的包含歌詞等相關(guān)信息音樂(lè)集建立存儲(chǔ)索引，在此過(guò)程中對(duì)每首歌曲的歌詞進(jìn)行分詞得到對(duì)應(yīng)的音樂(lè)Tag集和相應(yīng)的音樂(lè)文檔向量； (5)分析文檔集得到一個(gè)Tag相似度矩陣； (6)通過(guò)查詢步驟5)得到的Tag相似度矩陣將步驟3)得到的每張照片的Tag集轉(zhuǎn)換成位于音樂(lè)文檔向量空間的照片文檔向量； (7)將步驟4)得到的音樂(lè)文檔向量和步驟6)得到的照片文檔向量用TF-IDF權(quán)重計(jì)算方式轉(zhuǎn)換成帶權(quán)音樂(lè)文檔向量和帶權(quán)照片文檔向量； (8)客戶端接收用戶的當(dāng)前位置信息和物理環(huán)境信息，傳遞給服務(wù)器進(jìn)行計(jì)算； (9)服務(wù)器根據(jù)從步驟8)得到的用戶位置信息通過(guò)步驟3)建立的照片集索引查詢出用戶位置包含的所有照片得到位置相關(guān)照片集，同時(shí)對(duì)從步驟8)得到的物理環(huán)境信息進(jìn)行加強(qiáng)得到代表用戶當(dāng)前物理環(huán)境的帶權(quán)Tag集； (10)使用步驟9)得到的代表用戶物理環(huán)境的帶權(quán)Tag集對(duì)音樂(lè)進(jìn)行過(guò)濾得到候選音樂(lè)集; (11)根據(jù)步驟9)得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出代表用戶位置的帶權(quán)文檔向量，并用向量相似度計(jì)算方法計(jì)算出和其最匹配的K首音樂(lè)； (12)基于步驟9)得到的位置相關(guān)照片集所包含的照片Tag集計(jì)算出相應(yīng)的標(biāo)簽云，最后將查詢出的K首音樂(lè)和生成的標(biāo)簽云返回給客戶端。
全文摘要
本發(fā)明公開(kāi)了一種基于用戶當(dāng)前地理位置和物理環(huán)境的音樂(lè)推薦方法，本發(fā)明一種合理的音樂(lè)推薦架構(gòu)，并設(shè)計(jì)了一種用戶當(dāng)前位置和物理環(huán)境特征的表達(dá)結(jié)構(gòu)，這種結(jié)構(gòu)支持高效的向量匹配算法；同時(shí)，針對(duì)海量照片對(duì)象的空間屬性與文本屬性，本發(fā)明采用了支持高效插入、刪除、更新操作的變種空間索引結(jié)構(gòu)；以此索引結(jié)構(gòu)為基礎(chǔ)，結(jié)合音樂(lè)歌詞的語(yǔ)義性和照片具有的空間性和語(yǔ)義性，可供用戶根據(jù)自己的當(dāng)前位置和物理環(huán)境獲取最佳的推薦音樂(lè)。
文檔編號(hào)G06F17/30GK102890713SQ201210349719
公開(kāi)日2013年1月23日 申請(qǐng)日期2012年9月20日 優(yōu)先權(quán)日2012年9月20日
發(fā)明者陳珂, 胡天磊, 夏飛, 壽黎但, 陳剛 申請(qǐng)人:浙江大學(xué)