基于音频特征的音乐推荐方法

发布时间：2021-02-21 22:21

　　目前,通过互联网在线欣赏音乐已经成为一种很常见的生活方式,不过互联网上存储的海量音乐,使人们并不能很方便的找到自己喜欢的音乐,这对用户产生了一定的不便。音乐推荐则可有效的解决这样的问题,音乐系统可在分析用户欣赏音乐习惯的基础上高效地向用户推送其可能感兴趣的音乐,这不仅会使用户得到更好的服务,对提高一个音乐系统的服务能力和服务水平也会有较好的帮助。本文对音乐推荐问题进行了比较系统的研究,提出了一个基于音频特征的音乐推荐方法,该方法通过比较音乐之间频谱分布的相关度来分析音乐的相似性,并期望将与用户喜欢的音乐相似度较高的音乐推荐给用户。本文的主要工作有音乐特征提取和推荐算法设计两个方面。音乐特征提取方面,本文在查阅大量文献的基础上,以音乐的频谱分布为基础,将音色（Timber）、节奏（Rhythm）和音调（Chroma）定义为主要的音乐特征。为了提高音乐特征提取和分析的效率,本文还对定义的特征进行了适当的优化,期望能够消除一些冗余的特征分量,以提高分析效率。推荐算法方面,由于音乐库存储着了海量的音乐,如果仅通过音频特征计算音乐相似度进行音乐推荐,那么音乐推荐将成为一种不可能完成的任务。为此,... 

【文章来源】：辽宁科技大学辽宁省

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1.绪论
    1.1 音乐推荐背景及意义
    1.2 国内外发展现状
    1.3 文章工作及结构安排
        1.3.1 主要工作
        1.3.2 结构安排
2.音乐推荐相关技术介绍
    2.1 基本的推荐方法
        2.1.1 基于协同过滤技术的推荐方法
        2.1.2 基于标签的推荐方法
        2.1.3 基于内容的推荐方法
        2.1.4 混合推荐算法
    2.2 音频信号分析技术
        2.2.1 音频信号的时域分析
        2.2.2 音频信号的频域分析
        2.2.3 时域频域相互转换
    2.3 数字音乐技术及其特征
    2.4 本章小结
3.音频特征提取和优化
    3.1 音乐特征的选择及提取
    3.2 基于平行坐标轴的特征优化
    3.3 基于散点图的音乐特征优化
        3.3.1 基于散点图的音乐特征优化
        3.3.2 基于维密度和聚类散点图的音乐特征优化
    3.4 实验分析
    3.5 小结
4.基于音频特征的推荐方法
    4.1 整体框架结构
    4.2 音乐相似度计算
    4.3 基于音频特征的推荐方法
    4.4 实验分析
    4.5 本章小结
5.基于音频特征的混合推荐算法
    5.1 基于FP—growth与音频特征的混合推荐算法
    5.2 基于标签与音频特征的混合推荐算法
        5.2.1 二分图的关联矩阵
        5.2.2 基于二分图的推荐算法
        5.2.3 基于标签的推荐算法
    5.3推荐算法对比实验
        5.3.1 实验环境
        5.3.2 评价标准
        5.3.3 实验结果分析
    5.4 本章小结
6.总结与展望
参考文献
致谢
作者简介


【参考文献】：
期刊论文
[1]基于类空间密度的文本分类特征加权算法[J]. 贾隆嘉,孙铁利,杨凤芹,孙红光.  吉林大学学报(信息科学版). 2017(01)
[2]“互联网音乐调查报告”结果揭示音乐市场巨大变化 CD被抛弃,数字音乐成新宠[J]. 周萌,王亚楠.  北方音乐. 2008(08)
[3]基于谱图理论的流形学习算法[J]. 罗四维,赵连伟.  计算机研究与发展. 2006(07)



本文编号：3045010