基于标签信息的个性化音乐推荐算法研究

摘要

近年来，随着移动互联网和流媒体技术的发展，数字音乐已被越来越多的人接受，且越来越流行。传统的音乐索引技术主要是利用关键字进行查询，然而面对如今互联网上的海量音乐数据，用户要找到喜欢的音乐如同大海捞针。在移动互联网时代，人们的生活节奏很快，设备随时随地都可以接入网络，用户在日常工作、学习或是运动中都有听音乐的习惯。面对浩瀚的音乐库，个性化音乐推荐可以帮助用户快速、准确的找到符合自己兴趣的音乐曲目，这也是目前的音乐推荐技术关注的重点。
　　相比于传统的商品推荐，音乐推荐除了要考虑音乐与用户之间的关系，还需要考虑用户听音乐过程中所标注的标签信息。对于一首音乐，通常会有多个标签，不同的标签代表了用户对音乐不一样的理解，标签同时也在一定程度上表征了音乐的特性。本文充分利用用户的长期偏好、音乐的社会化标签信息，挖掘用户的个人偏好和音乐标签所表征的音乐本身的特点，为了克服冷启动和数据稀疏等问题，提出了一种瀑布型混合的个性化音乐推荐算法，具体内容如下:
　　首先，本文针对用户-音乐矩阵，使用基于项目的协同过滤对矩阵进行填充，之后使用聚类算法对用户进行聚类，聚类后使用基于用户的协同过滤实现对用户音乐的预测评分。
　　其次，使用改进的基于二部图的推荐，通过重启随机游走算法获得用户的top-N标签，找出与之关联的音乐集合，用此集合调整基于用户的协同过滤产生的预测评分，得到更符合用户个性的音乐。
　　再次，考虑到音乐标签表征了音乐本身的特点，使用LDA模型对音乐中的标签信息进行主题建模，得到音乐的主题概率分布向量，通过计算不同音乐的主题概率分布向量间的相似性，产生音乐的近邻集合，进而形成预测评分，这有利于解决冷启动问题。
　　最后，通过对本文改进的算法进行瀑布型混合，提出了一种改进的个性化音乐推荐算法。
　　通过使用Last.fm音乐数据集，将本文所用混合推荐算法与其它算法进行比较。从实验结果来看，本文提出的算法在准确率和运行速度上都有所提高，并在一定程度上克服了冷启动和数据稀疏问题。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文主要研究内容

1．4 论文的组织结构

第二章 相关理论介绍

2．1 现有的音乐推荐系统

2．1．1 Pandora音乐电台

2．1．2 Last．fm音乐电台

2．1．3 豆瓣FM

2．2 个性化音乐推荐算法

2．2．1 协同过滤算法

2．2．2 聚类算法

2．2．3 文本建模

2．3 评价标准

2．4 本章小结

第三章 音乐推荐算法阐述

3．1 影响个性化音乐推荐主要因素

3．2 基于用户的协同过滤推荐算法

3．2．1 生成用户-音乐矩阵

3．2．2 用户相似度计算

3．2．3 Top-N推荐

3．2．4 基于用户的协同过滤算法的特点分析

3．3 基于二部图的推荐

3．3．1 用户-音乐二部图和音乐的关联矩阵

3．3．2 用户相关的top-N音乐推荐

3．4 基于LDA主题模型的推荐

3．4．1 音乐的主题概率分布表示

3．4．2 音乐主题概率分布相似度计算

3．4．3 用户对音乐的评分预测

3．5 本章小结

第四章 一种改进的个性化音乐推荐算法

4．1 基于用户的协同过滤算法的改进

4．1．1 K-means聚类算法

4．1．2 改进后的基于用户的协同过滤算法

4．2 基于二部图的推荐算法的改进

4．2．1 用户-标签二部图和标签的关联矩阵

4．2．2 用户相关top-N音乐标签

4．2．3 用户关联音乐集合

4．3 三种算法的比较

4．4 个性化音乐推荐算法的改进

4．5 改进的个性化音乐推荐算法特点分析

4．6 本章小结

第五章 实验设计与结果分析

5．1 实验数据集介绍

5．2 实验环境及实验算法标识介绍

5．2．1 实验环境

5．2．2 实验算法标识介绍

5．3 标准实验

5．3．1 数据集的划分

5．3．2 参数调节

5．3．3 实验对比分析

5．4 特殊环境实验

5．4．1 冷启动环境

5．4．2 数据稀疏环境

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士期间的研究成果

致谢