基于音樂內(nèi)容分析的音樂推薦方法.pdf

1、隨著信息技術(shù)的發(fā)展，各種各樣的云音樂服務(wù)逐漸興起，充分地改變和豐富了人們的音樂生活。目前如網(wǎng)易云音樂、百度音樂、QQ音樂等云音樂服務(wù)已經(jīng)十分流行。
　　音樂推薦在云音樂服務(wù)中發(fā)揮了重要的作用。一個好的音樂推薦能夠幫助用戶發(fā)現(xiàn)音樂，創(chuàng)造隱性價值。現(xiàn)有主流云音樂服務(wù)都有音樂推薦的功能。然而當(dāng)前音樂推薦方法存在著一些問題，我們將其歸納為三點。首先是對于新資源發(fā)布引起的冷啟動問題以及小眾化冷門音樂的推薦問題。因為音樂數(shù)據(jù)的長尾分布，使得常

2、規(guī)的推薦方法對數(shù)據(jù)稀少的資源效果不佳，造成了推薦結(jié)果的覆蓋率偏低。其次，音樂標(biāo)簽系統(tǒng)作為描述音樂內(nèi)容的主要依據(jù)，用戶標(biāo)注資源的自由性和隨意性引起了標(biāo)簽的泛濫，降低了系統(tǒng)的標(biāo)簽質(zhì)量，間接影響了推薦效果。最后，音樂推薦更應(yīng)該關(guān)注的是音樂本身的內(nèi)容，而對于一般物品的傳統(tǒng)推薦技術(shù)主要以內(nèi)容之外的相關(guān)屬性為計算依據(jù)，在適用性上存在不足。
　　針對音樂推薦的現(xiàn)有問題，本文提出了一個新型的結(jié)合音樂內(nèi)容分析的深度音樂推薦方法，其內(nèi)容主要可分為兩部

3、分：音樂內(nèi)容分析和推薦方法設(shè)計。首先本文設(shè)計并實現(xiàn)了一個適用于音樂推薦場景的音樂特征提取方案。因為部分音樂資源數(shù)據(jù)的缺少影響了推薦的結(jié)果，該音樂特征提取方案對音樂的音頻數(shù)據(jù)進(jìn)行深度內(nèi)容的分析，結(jié)合旋律上和音質(zhì)上的特征，并根據(jù)大數(shù)據(jù)量的場景，高效獲取音樂特征，為資源數(shù)據(jù)進(jìn)行了補(bǔ)充。其次在推薦方法上，本文提出了預(yù)測用戶行為數(shù)據(jù)的音樂-音樂的推薦方法和基于自動生成標(biāo)簽的推薦方法，充分利用了音頻處理所得的音樂特征，將音樂音頻數(shù)據(jù)中的深度內(nèi)容信息

4、與其他數(shù)據(jù)結(jié)合用于推薦，提高了標(biāo)簽質(zhì)量避免了覆蓋率低的問題。
　　本文利用現(xiàn)有的音樂服務(wù)和Echo Nest數(shù)據(jù)庫構(gòu)建了測試集合，對音樂分析和推薦進(jìn)行了測試和評價。在推薦覆蓋率上，本文的音樂-音樂推薦方法是傳統(tǒng)協(xié)同過濾方法的140%，其中測試數(shù)據(jù)中播放次數(shù)小于10的數(shù)據(jù)的出現(xiàn)比例提升了3.7倍。在推薦準(zhǔn)確度上，本文與傳統(tǒng)協(xié)同過濾在F1上的指標(biāo)相差在2%以內(nèi)。結(jié)果表明，使用本文的方法利用音頻處理技術(shù)發(fā)掘音樂內(nèi)容上的信息使得推薦更關(guān)注