基于音樂內容分析的音樂推薦方法.pdf

1、隨著信息技術的發(fā)展，各種各樣的云音樂服務逐漸興起，充分地改變和豐富了人們的音樂生活。目前如網易云音樂、百度音樂、QQ音樂等云音樂服務已經十分流行。
　　音樂推薦在云音樂服務中發(fā)揮了重要的作用。一個好的音樂推薦能夠幫助用戶發(fā)現音樂，創(chuàng)造隱性價值?，F有主流云音樂服務都有音樂推薦的功能。然而當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。因為音樂數據的長尾分布，使得常

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

3、分：音樂內容分析和推薦方法設計。首先本文設計并實現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據的缺少影響了推薦的結果，該音樂特征提取方案對音樂的音頻數據進行深度內容的分析，結合旋律上和音質上的特征，并根據大數據量的場景，高效獲取音樂特征，為資源數據進行了補充。其次在推薦方法上，本文提出了預測用戶行為數據的音樂-音樂的推薦方法和基于自動生成標簽的推薦方法，充分利用了音頻處理所得的音樂特征，將音樂音頻數據中的深度內容信息

4、與其他數據結合用于推薦，提高了標簽質量避免了覆蓋率低的問題。
　　本文利用現有的音樂服務和Echo Nest數據庫構建了測試集合，對音樂分析和推薦進行了測試和評價。在推薦覆蓋率上，本文的音樂-音樂推薦方法是傳統(tǒng)協同過濾方法的140%，其中測試數據中播放次數小于10的數據的出現比例提升了3.7倍。在推薦準確度上，本文與傳統(tǒng)協同過濾在F1上的指標相差在2%以內。結果表明，使用本文的方法利用音頻處理技術發(fā)掘音樂內容上的信息使得推薦更關注