基于LDA模型的音乐推荐算法

基 金 项 目 国 家 自 然 科 学 基 金 资 助 项 目 ! $&'-*%)- " % 中 南 大 学 中 央 高 校 基 本 科 研 业 务 费 专 项 基 金 资 助 项 目 ! "%&) J J * ; ""( " # 作 者 简 介 李 # 博 !&*(( + "$男 $硕士研究生 , & & O会员 $ 主研方向为社交网络 , 数据挖掘 % 陈志刚 $ 教授 , 博士 , 博士生导师 , & & O会员 % 黄 # 瑞 $ 博士研究生 %郑祥云 $硕士研究生 # 收 稿 日 期 "%&) 3 %) 3 ")# # 修 回 日 期 "%&) 3 %- 3 "&# # # ./0 1 # 0 K"%(&), ")* # ""S$ 9 "'
&$3 -'
# 本文通过修改
R H ?主 题 模 型 分 析 用 户 自 己 的 音 乐 数 据 $ 并 进 行
&) 相关工作
随着互联网 和 数 字 音 乐 的 快 速 发 展 $ 人 们 越 来 越多地开始 上 网 寻 找 自 己 喜 欢 的 音 乐 $ 这 使 得 音 乐 推荐系统成为很多网站的热 门 应 用 # 而 音 乐 推 荐 系 统能否高效 准 确 地 向 用 户 推 荐 音 乐 $ 则 与 音 乐 推 荐 算法有关 # 早期的音乐 推 荐 主 要 集 中 于 对 音 频 内 容 和 用 户行为进行分析然后进行音 乐 推 荐# 例 如$分 析 用 ຫໍສະໝຸດ Baidu所听音乐的 音 律,节 拍 等 音 频 本 身 的 变 化 规 律$ 然后在音乐 库 中 找 到 类 似 的 音 乐 推 荐 给 用 户# 这 种推 荐 方 式 存 在 " 个 问 题 ( 一 个 是 对 音 频 本 身 的 分 析 需 要 消 耗 很 大 的 系 统 资 源 %另 一 个 是 用 户 对 于 音 乐的感受更多来自语义特征而 非 音 频 特 征$两 者 之 间存在巨大 鸿 沟# 这 使 得 这 种 音 乐 推 荐 方 式 效 果 不好# 基于用户的 协 同 过 滤 方 法 则 考 虑 用 户 的 邻 居 或 者 好 友 对 于 音 乐 的 兴 趣 $然 后 计 算 用 户 和 自 己 邻 居 的 兴 趣 相 似 性 $从 而 向 用 户 推 荐 自 己 的 邻 居 听 过 的音乐# 该方法可用于社交网络中进行音乐推荐# 但 是 $对 于 一 些 没 有 社 交 网 络 性 质 的 音 乐 网 站 而 言 $由 于 没 有 邻 居 或 好 友 信 息 $ 无 法 计 算 用 户 与 邻 居 或 好 友 的 兴 趣 相 似 性 $从 而 不 能 实 现 有 效 的 音 乐 推荐# 还存在一 种 基 于 项 目 的 协 同 过 滤 方 法# 该 方 法通过分析用户的试听行为记 录 音 乐 项 目$并 且 通 过 用 户 行 为 计 算 不 同 音 乐 之 间 的 相 似 度 &(' # 这 种 方法不是通过 分 析 音 乐 本 身 的 属 性 来 确 定 不 同 音 乐 间 的 相 似 度 $ 而 是 通 过 假 设 音 乐 ? 和 音 乐 D同 时 被 很 多 用 户 喜 欢 $则 它 们 的 相 似 度 大 的 理 论 来 计 算音乐的相似度从而推荐给 其 他 用 户# 但 是$该 方 法 存 在 一 定 的 问 题 $ 就 是 音 乐 ? 和 音 乐 D可 能 并 非属于同一类! 比 如 主 题,旋 律 等 " $但 是 却 被 一 些 用户同时喜 欢# 这 使 得 相 似 度 很 小 的 音 乐 在 该 算 法 下 变 得 相 似 度 大 $从 而 在 向 另 一 些 用 户 推 荐 时 造 成偏差# 通过分析以上方法的优 点 和 不 足$本 文 提 出 一 种通过音乐本 身 的 语 义 特 征 计 算 音 乐 之 间 的 相 似 度 $弱 化 用 户 之 间 的 影 响 $ 从 而 使 得 在 不 存 在 好 友
第 !" 卷 # 第 $ 期 # ! "# $ !"# % "$ $ # 人工智能及识别技术
计 算 机 工 程 ## & "'()* + , ./0 .+ + , 0 ./
"%&$ 年 $ 月 1 ).+"%&$
文 章 编 号 !"""# $%&' &"!( "(# "!LI# "I) ) ) 文 献 标 志 码 * )))中图分类号 + , $"!H (
&-$ #######
计#算#机#工#程
"%&$ 年 $ 月 &) 日
!' 同 过 滤 方 法 进 行 推 荐 等 &'3 # 基于内容的音乐推荐
关联的音 乐 网 站 也 可 实 现 较 好 效 果 的 推 荐 算 法# 音乐本身 具 有 一 些 固 有 的 标 签 属 性$ 例 如 音 乐 流 派 ,唱 片 集 ,演 唱 者 , 作 曲 者 等 $ 这 些 属 性 相 似 度 越 高说明两首音乐的相似度越大$这 些 可 认 为 是 音 乐 固有属性带来的相似度# 同时$音 乐 的 题 目 和 歌 词 则在一定意义上代表了该首音 乐 的 语 义 特 征$通 过 分析题目和歌 词 的 主 题 相 似 度 可 得 到 音 乐 之 间 语 义 上 的 相 似 度 $从 而 解 决 音 乐 本 质 属 性 与 用 户 理 解 语义上的鸿沟# 而要想挖掘音 乐 的 主 题$则 最 好 使 用 主 题 挖 掘 模 型 $目 前 使 用 较 多 的 主 题 挖 掘 模 型 是 R H ?模 型 # 本 文 提 出 一 种 使 用 R H ?模型进行音 乐推荐的算法#
基于 X F *模型的音乐推荐算法
李 # 博 & " 陈志刚 & " 黄 # 瑞 & " 郑祥云 & "
!&$ 中南大学 软件学院 $ 长沙 !&%%-) % " $ 移动医疗教育部 3 中国移动联合实验室 $ 长沙 !&%%(' "
摘 # 要 互联网的普及以及音乐资源 的 电 子 化 使 得 人 们 可 以 更 方 便 地 获 得 音 乐 资 源 # 但 随 着 音 乐 库 变 得 越 来 越 大 , 资源越来越丰富 $ 人们已经很难准确及时 地 找 到 自 己 喜 欢 的 音 乐 # 因 此 $ 对 于 音 乐 网 站 而 言 $ 需 要 一 个 合 适 的 音乐推荐算法向用户推荐音乐 # 根据已有的基于音频信息的音乐推荐以及协 同 过 滤 方 法 $ 分 析 用 户 的 音 乐 试 听 数 据以及下载数据 $ 并结合 R 8 * + .* H 0 , 0 9 :# + * 分配 ! R H ? " 主题挖掘模型 $ 提 出 一 种 音 乐 推 荐 算 法 # 实 验 结 果 表 明 $ 与 基 于用户的协同过滤算法以及基于项目的协同过滤算法相比 $ 该算法可以更加高效地向用户推荐感兴趣的音乐 # 关键词 协同过滤 % 音乐推荐 % 主题挖掘 % R 8 * + .* H 0 , 0 9 :# + * 分配模型 % 吉布斯抽样 % 基于 R H ? 模型的音乐推荐 中文引用格式 李 # 博 $陈志刚 $黄 # 瑞 $等 $ 基于 R H ?模型的音乐推荐算法 & 1 '$ 计算机工程 $"%&$ $!" !$ "(&-) 3 &-* $&(! $ 英文引用格式 R 0 D "$& :+ . V :0 /8 ./ $ > )8 ./ P )0 $+ * 8 # $ @); 0 9P + 9 "''+ .A8 * 0 ". ? # /", 0 * :' D 8 ; + A ". R H ? @"A+ # &1 '$ &-* $&(! $ & "'()* + , ./0 .+ + , 0 ./ $"%&$ $!" ! $ " (&-) 3
一般考虑音乐 的 底 层 音 频 信 息 等 音 乐 特 征 进 行 分 析 推 荐 $但 是 $音 频 特 征 和 用 户 的 音 乐 理 解 存 在 巨 大 的 语 义 鸿 沟 $推 荐 效 果 不 好 &)' # 基 于 用 户 的 协 同 过滤方法考虑用户间兴趣的相似性进行音乐推荐$ 需要获取用户和他的邻居 信息 音乐推荐#
!) 概述
随着互联网的不断发展$各 种 音 乐 资 源 实 现 电 子 化 $形 成 了 庞 大 的 音 乐 库 $ 使 得 人 们 可 以 很 方 便 地找到各种 音 乐 资 源# 多 家 音 乐 网 站 都 有 大 量 用 户 $比 如 酷 狗 ,百 度 ,豆 瓣 音 乐 等 # 各 个 网 站 用 户 在 享受丰富音乐资源的同时也面 临 一 个 问 题$过 于 庞 大的音乐库使 得 用 户 难 以 快 速 找 到 自 己 感 兴 趣 的 音乐# 目前听音 乐 已 成 为 人 们 放 松 心 情 的 一 种 有
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
2V ? 0 8N 3 8 @..3 : 5 /4 0 @:* 1 ;@6 0 4 9 .> /? 3 5@:X F * 2@5 3 1
& $" R F D " & $" $ & > %V :0 /8 ./ & $" $ > G ? % =P )0 $V > % =T 0 8 ./C). & $"
!&$ 2 9 :""# "6 2 "6 * 5 8 , + $& + .* , 8 # 2 ")* : G .0 E+ , ; 0 * C$& :8 ./; :8!&%%-) $ & :0 .8 % "$ I :+1 "0 .* R 8 K", 8 * ", C 6 ", @"K# 0 +> + 8 # * : $ @0 .0 ; * , C "6 A)9 8 * 0 ".3 & :0 .8@"K0 # +& "'').0 9 8 * 0 ". & ", (", 8 * 0 ". $ & :8 ./; :8!&%%(' $ & :0 .8 "
效 方 法 $难 以 找 到 自 己 喜 爱 的 音 乐 无 疑 会 降 低 音 乐 库 的 使 用 效 率 $ 影 响 用 户 友 好 度 &&' # 可 见 $ 一 个 有 效的音乐 推 荐 算 法 对 于 各 大 音 乐 网 站 尤 为 重 要# 同 时 $随 着 社 交 网 络 的 发 展 与 普 及 $ 网 友 越 来 越 多 地开始在社 交 网 络 上 分 享 音 乐 资 源# 如 何 整 合 网 友的分享信息$从 而 向 网 友 推 荐 喜 爱 的 音 乐$也 成 为 社 交 网 络 需 要 提 供 的 功 能 &"' # 这 同 样 需 要 一 种 可靠的音乐推荐算法来实现# 目 前$音 乐 推 荐 方 面 的研究使用较多的方法有基于 内 容 的 推 荐,使 用 协