基于隱式反饋的音樂推薦技術(shù)研究.pdf

1、以用戶主導的Web2.0技術(shù)已逐漸替代傳統(tǒng)互聯(lián)網(wǎng)模式成為目前音樂服務的主流技術(shù)。然而由于其允許用戶自由上傳和分享音樂相關(guān)數(shù)據(jù)容易導致出現(xiàn)信息過載的問題,海量的數(shù)據(jù)給音樂消費者和提供商都帶來了挑戰(zhàn)。個性化音樂推薦技術(shù)作為解決信息過載的有效方法成為當前音樂服務領域的一個研究熱點。本文從隱式反饋信息著手，針對如何提高推薦性能、實現(xiàn)語義解釋性和解決冷啟動這些音樂推薦中的幾個關(guān)鍵問題展開研究。
　　一方面為了提高音樂推薦的性能和實現(xiàn)推薦的語

2、義解釋性，提出了一種基于帶權(quán)重社會化標簽的改進內(nèi)容過濾音樂推薦方法。使用社會化標簽表示歌曲內(nèi)容，并通過用戶行為分析為標簽分配不同權(quán)重，建立基于帶權(quán)重標簽的用戶興趣模型，然后依據(jù)候選歌曲與興趣模型間的匹配程度進行推薦。與傳統(tǒng)內(nèi)容過濾方法的對比實驗表明，預測跳過的命中率提高了6.12％，準確率、召回率和F1-measure平均分別提高了1.68％、0.748％和0.751％，并且得益于帶權(quán)重標簽的用戶興趣模型，可以更好地解釋用戶興趣，因為權(quán)

3、重越高的標簽暗示著用戶更喜歡的信息，反之亦然。
　　另一方面為了解決推薦系統(tǒng)因為數(shù)據(jù)太少而出現(xiàn)推薦準確率低的冷啟動問題，提出了一種基于社會化標簽與用戶屬性混合的音樂推薦方法。另外，針對用戶往往由于隱私保護的考慮導致系統(tǒng)中用戶屬性信息稀疏的問題，本文還提出了一種基于隱式反饋的用戶屬性預測方法，通過分析已知屬性用戶的記錄建立TFIDF屬性分類模型，接著根據(jù)分類模型來預測未知用戶的屬性。然后利用得到的用戶屬性信息，建立基于屬性過濾的推薦

4、方法來啟動行為數(shù)據(jù)稀疏的用戶推薦進程；最后線性結(jié)合屬性過濾推薦和帶權(quán)重社會化標簽的改進內(nèi)容過濾推薦方法，得到最終的混合推薦模型。一方面，屬性預測驗證實驗表明，該方法在預測年齡、性別和國籍上準確率分別達到91％、99％和93％，另一方面，Top-K音樂推薦對比實驗表明，當推薦數(shù)目大于十時，基于混合推薦方法比單一內(nèi)容過濾推薦方法在準確率上平均提高了0.46％，其最大值為98.5％。
　　本文以隱式反饋信息為主要推薦因素，提出了基于帶權(quán)