论文部分内容阅读
互联网技术和数字化音乐的飞速发展为用户提供了一个开放、快捷的听歌平台，用户可以通过互联网搜索并下载数字化音乐。但是，由于每日新发布的数字化音乐数量庞大，用户需要花费大量时间才能从海量的数字化音乐中找到自己感兴趣的歌曲。音乐个性化推荐技术的出现解决了上述难题，通过分析用户的听歌偏好记录，它不仅能够帮助用户节约搜索歌曲的时间找到感兴趣的歌曲，还能为相关企业（如虾米音乐、网易云音乐）提高用户对音乐推荐系统的忠诚度，从而带来经济利润。 本文利用CORLP(Complex Representation-based Link Prediction)方法将用户的音乐偏好关系表示为正负二元偏好关系，改进了传统二分图链路预测推荐方法中只能表示用户产品一元偏好关系的有限性。此外，将同质节点相似性关系（用户属性相似度和音乐属性相似度）与异质节点偏好性关系（用户的音乐偏好）相结合，综合提高算法的推荐效果。 在实验部分，本文基于虾米音乐社区网站中的公开数据，通过爬虫技术构建了用户-音乐偏好数据集、用户属性数据集以及音乐属性数据集。最终，在对用户进行Top-N的列表推荐发现，基于同质节点相似性的二分图链路预测音乐推荐算法取得了良好的改进效果。另外，本文还单独考虑了用户节点属性相似度以及音乐属性相似度对整体音乐推荐算法的影响，实验结果表明单独考虑用户节点属性相似度的推荐效果最优。