利用深度学习构建基于内容的音乐推荐系统

发布时间：2021-07-26 16:26

　　随着音乐流媒体服务产业的高速发展,使得用户可以在移动设备上轻易的听到任何的歌曲,互联网成了一个巨大的音乐存储平台。与此同时,如何从海量数据中找到喜爱的歌曲成了一个相当棘手的问题。音乐推荐系统是当前解决这一个问题的最好途径,它能够把用户喜欢的歌曲推荐给用户,也能够为歌曲找到合适的目标用户。音乐推荐是推荐系统技术的一个重要应用领域。由于音乐推荐领域的特殊性,使得当前最为有效的协同过滤方法并不能很好的适用于音乐推荐领域。其原因一方面是由于音乐领域没有足够的用户评分数据;另一方面是由于协同过滤方法会带来冷启动的问题,使得新的歌曲无法被推荐。克服这两个问题的有效方法是构建基于内容的音乐推荐系统。本文主要研究基于内容的音乐推荐系统,它包括了音乐音频特征提取以及向用户推荐感兴趣的歌曲两个重要环节。本文围绕这两个环节,进行改进和优化,从而构建一个更有效的基于内容的音乐推荐系统。具体的研究内容有如下两点:1)提出了一种混合两种不同类型的深度神经网络结构的模型,来提取音乐的音频特征。不同的深度神经网络结构,适合于提取不同方面的特征。该混合深度神经网络模型能够在不同分类标准的分类任务中,提取到歌曲有效的特征... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：74 页

【学位级别】：硕士

【部分图文】：

图２－ｌＴａｘｉｒｉｄｅ乐队的歌曲《ＢａｃｋＡｇａｉｎ》片段的声谱图、梅尔频谱图、ＭＦＣＣｓ??

ＣＮＮ从浅到深的不同层次能提取出不同的区域性特征，而且其抽象的能力会??随着层次的加深而增强。以Ｌｅｅ等人的Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｗｏｒｋｓ??（ＣＤＢＮ）为例［５５ｊ，其结构如图２－２所示。从图中可以看出，经过第一层卷积层??后，网络可以学到代表边缘的低层特征信息；经过第二层卷积层后，可以看出网??络开始把第一层的特征信息进行组合，可以得到局域性的抽象特征；经过了第三??层卷积层后，网络学习到了更加高级的抽象特征，已经可以从这些特征中看到输??入图片中物体的大致模样，并且这些特征的形态没有遭到破坏。这说明了卷积神??经网络适合用来提取图片特征。??＼??Ｖ?＼?＼?Ｍａｘ?——?＞Ｊ＿Ｊ?Ｍａｘ?＾??Ｘ?Ｘ?＾ｃｏｎｖｏｌｕｔｉｏｎ?＾?Ｐ〇〇＂ｎｇ?Ｅｖｏｌｕｔｉｏｎ?？?Ｐｏｏｌｉｎｇ??Ｓｔｒｉｄｅ?ｏｆ??Ｃｏｎｖｏｌｕｔｉ

?利用深度学习构建苺于内容的昔乐推荐系统???这会使得训练的网络更加精简和鲁棒，但是，在边界检测任务中，在时间轴上池??化会降低时间的分辨率。图２－３是Ｃｈｏｉ等人提出的一个基础模型ＦＣＮ－５的网络结??构，其包括了５层卷积核大小为３Ｘ３的卷积层，这里的分类的类别是５０种。在??ＦＣＮ－５基础上，作者又加入了卷积核为１Ｘ１的卷积层，得到了一个效果更好的模??型ＦＣＮ－６。１Ｘ１的卷积层能够增加最后一层的抽象表达能力［６３］。在评价准则上，??作者使用了?ＡＵＣ来评价模型的好坏。因为ＡＵＣ有两个优点，一个是在样本不平??衡的情况下它的分数仍旧鲁棒。第二个是它的形式足够简单。在实验中，他们使??用ＭＳＤ数据集对文中提及的几种ＦＣＮ的变种模型做比较，实验结果显示ＦＣＮ－６??的表现是最佳的。??


本文编号：3303914