融合HMM及歌曲特征标签的混合推荐算法研究

• 作 者: 李春俊
• 出 处: 江西师范大学
• 发表日期: 2020年03期
• 关键词: 音乐推荐系统 协同过滤 隐马尔可夫模型

随着人们生活水平的不断提高,日常的休闲方式也越来越多,听音乐便是绝大部分人的一项极为重要的娱乐。在现在主流的在线音乐平台中,音乐的种类和数量远远超过个人能处理的极限。因此,在人们听音乐的时候,就需要一个符合自身需求的音乐推荐系统。由于音乐具有如下特点:音乐的时长较短,用户会反复收听同一首歌曲,热门歌曲更新频率快等,因此非常适合使用音乐推荐系统从海量的网络音乐数据中根据用户听音乐的偏好挖掘出用户喜欢听的歌曲的特征,这样系统便可以根据这些特征向用户推荐他们喜欢的歌曲。在大数据时代,数据种类和数量的增长速度已经远远超过个人能处理的极限,并且还在持续增长。音乐作为大数据的重要构成部分,也存在着信息无法被用户有效处理的问题。对于在线音乐网站而言,歌曲推荐系统便是解决上述问题的方案之一。歌曲推荐系统能依据用户的网上行为数据来挖掘用户潜在的目标信息,这一过程是被动进行的,不需要用户进行主动参与,因此音乐推荐系统在帮助用户获取歌曲信息的时候往往能获得更好的用户体验。目前,商业上所广泛使用的音乐推荐算法主要是根据用户的历史听歌记录来实现歌曲推荐功能,但这种推荐方式往往具有滞后性。例如,用户在收到推荐歌曲的时候,往往对以前的歌曲已经失去了兴趣。因此,当前音乐推荐的发展趋势是准确推断用户的意图和兴趣变化过程,并即时向用户推荐歌曲。本文首先介绍音乐推荐技术的发展历史和研究现状,然后研究传统推荐技术在面对音乐推荐领域所出现的问题。针对音乐推荐过程中的冷启动问题,本文提出一种新的音乐推荐算法,该算法利用歌曲特征标签来向新用户推荐热门歌曲。同时,在音乐推荐领域,推荐系统往往需要在播放列表结束时进行延续歌曲推荐,面对用户的收藏歌单,系统需要从中挖掘出用户的兴趣偏移。在通信领域的,一般使用隐马尔可夫模型(HMM)来进行时间序列的行为概率预测。本论文基于这一原理结合用户的听歌行为记录以及歌曲特征来进行歌曲类别预测(HTR算法),进而向用户即时推荐相应类别的歌曲。本论文通过网易音乐数据集进行几种音乐推荐算法的对比分析,展示HTR算法的优势。最后本文基于HTR算法设计并实现了一个音乐推荐系统,以此验证HTR算法的实际推荐效果。