1.一种音乐推荐方法，其特征在于，包括：基于齐夫定律，从音乐库中确定候选音乐集合；

基于预先构建的用户评级模型，利用推荐模型从所述候选音乐集合中确定为在线的目标用户推荐的音乐；所述用户评级模型用于为推荐的音乐评级，评级的结果与音乐的音频内容和新颖性相关；所述推荐模型为基于强化学习和贝叶斯模型的推荐模型；

所述基于齐夫定律，从音乐库中确定候选音乐集合，包括：确定所述音乐库中每个音乐的重复频率的分布；

基于齐夫定律，从所述音乐库中选择重复频率满足预设条件的音乐，得到所述候选音乐集合；

所述用户评级模型为：

‑t/s

U＝UcUn＝θ′x(1‑e )；

其中，Uc为用户对一个音乐的喜好，Un为新颖性恢复函数，x为音乐的音频内容的特征，‑t/sθ′为不同音乐风格的用户的喜好向量，e 为遗忘曲线函数，s为恢复速度，t为自从最后播放音乐流逝的时间；

所述贝叶斯模型为精确贝叶斯模型；

所述基于预先构建的用户评级模型，利用推荐模型从所述候选音乐集合中确定为在线的目标用户推荐的音乐，包括：基于所述精确贝叶斯模型以及马尔可夫链蒙特卡罗MCMC算法，从所述候选音乐集合中确定为在线的目标用户推荐的音乐。

2.根据权利要求1所述的方法，其特征在于，所述基于所述精确贝叶斯模型以及MCMC算法，从所述候选音乐集合中确定为在线的目标用户推荐的音乐，包括：基于所述精确贝叶斯模型以及MCMC算法学习所述用户评级模型的参数；

基于学习的参数，利用Bayes‑UCB算法从所述候选音乐集合中确定为在线的目标用户推荐的音乐。

3.根据权利要求1所述的方法，其特征在于，所述贝叶斯模型包括分段线性近似贝叶斯模型；

所述基于预先构建的用户评级模型，利用推荐模型从所述候选音乐集合中确定为在线的目标用户推荐的音乐，包括：基于所述分段线性近似贝叶斯模型以及变分推断算法，从所述候选音乐集合中确定为在线的目标用户推荐的音乐。

4.根据权利要求3所述的方法，其特征在于，所述基于所述分段线性近似贝叶斯模型以及变分推断算法，从所述候选音乐集合中确定为在线的目标用户推荐的音乐，包括：基于所述分段线性近似贝叶斯模型以及变分推断算法学习所述用户评级模型的参数；

基于学习的参数，利用Bayes‑UCB算法从所述候选音乐集合中确定为在线的目标用户推荐的音乐。

5.一种音乐推荐装置，其特征在于，包括：第一确定模块，用于基于齐夫定律，从音乐库中确定候选音乐集合；

所述基于齐夫定律，从音乐库中确定候选音乐集合，包括：确定所述音乐库中每个音乐的重复频率的分布；

基于齐夫定律，从所述音乐库中选择重复频率满足预设条件的音乐，得到所述候选音乐集合；

第二确定模块，用于基于预先构建的用户评级模型，利用推荐模型从所述候选音乐集合中确定为在线的目标用户推荐的音乐；所述用户评级模型用于为推荐的音乐评级，评级的结果与音乐的音频内容和新颖性相关；所述推荐模型为基于强化学习和贝叶斯模型的推荐模型；

所述用户评级模型为：

‑t/s

U＝UcUn＝θ′x(1‑e )；

其中，Uc为用户对一个音乐的喜好，Un为新颖性恢复函数，x为音乐的音频内容的特征，θ′为不同音乐风格的用户的喜好向量，e‑t/s为遗忘曲线函数，s为恢复速度，t为自从最后播放音乐流逝的时间；

所述贝叶斯模型为精确贝叶斯模型；

所述基于预先构建的用户评级模型，利用推荐模型从所述候选音乐集合中确定为在线的目标用户推荐的音乐，包括：基于所述精确贝叶斯模型以及马尔可夫链蒙特卡罗MCMC算法，从所述候选音乐集合中确定为在线的目标用户推荐的音乐。

6.一种音乐推荐设备，其特征在于，包括：处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序；

所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1‑4任一项所述的方法。

7.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1‑4任一项所述的方法的各个步骤。