基于深度学习的个性化音乐推荐算法研究

发布时间：2021-03-18 12:19

　　互联网技术和电子信息技术的迅速发展为整个时代提供了巨大的计算能力,个性化推荐系统成为时代产物的缩影。结合常用的推荐系统核心算法,设计了一种针对个性化音乐的Apriori改进算法,此算法通过用户信息进行深度学习,利用候选矩阵压缩的方法进行推荐优化,采用准确性、召回率等参数作为评价标准。以Last.fm音乐网站的部分数据作为分析样本,对选定音乐按个性化音乐推荐方式进行试验,Apriori改进算法在准确率和召回率方面均得到优化,推荐效果更优。在考虑推荐数量的前提下,Apriori改进算法的准确率和召回率均高于Plaucount算法,而相似度方面低于Plaucount算法。 

【文章来源】：微型电脑应用. 2020,36(10)

【文章页数】：4 页

【部分图文】：

基于内容的推荐示意图

以基于用户的协同过滤推荐算法为例,用户A、C在歌曲偏好的相似程度更高,如图2所示。推荐系统首先了解到两位用户对歌曲偏好的历史数据,再利用数据挖掘或深度学习的方式建立预测模型,虽然用户A没有关注歌曲d,但推荐系统仍可将歌曲d向用户A实行预测推荐。

为了减小数据采集对试验结果造成的误差,必须选用一个含有足够数据量的数据库,且各类算法的数据采集均出自于相同数据库。因此本文选用了公开的Last.fm音乐网站数据,目前该数据库已包含近40万条用户记录,且该数据库能够支持用户进行自定义标签,方便对数据进行标定。本次试验随机选取4 281条用户记录,其中包含音乐信息245 314条和音乐标签14 263个,利用数据处理软件TRIFACTA软件对数据库进行信息统计分析后得到标签分布情况如图4所示。图4 标签分布图

【参考文献】：
期刊论文
[1]基于内容和协同过滤的科技文献个性化推荐[J]. 杨凯,王利,周志平,赵卫东.  信息技术. 2019(12)
[2]应用于音乐节目分类的Apriori挖掘算法设计[J]. 李臻.  现代电子技术. 2019(19)
[3]大数据环境下改进的Aprior算法研究[J]. 王彩强,赵宪中,刘涌,侯梓浪,颜恒生,袁秋实.  科技通报. 2019(07)
[4]大数据环境下基于用户位置的个性化音乐推荐系统设计[J]. 朱志慧,田婧,林捷.  无线互联科技. 2019(02)
[5]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[6]深度学习理论视角下的移动学习推荐系统的设计和研究[J]. 徐正巧,赵德伟.  智能计算机与应用. 2014(02)

硕士论文
[1]个性化音乐推荐系统的研究[D]. 邓腾飞.华南理工大学 2018
[2]个性化音乐推荐系统的设计与实现[D]. 艾笔.电子科技大学 2018



本文编号：3088309