文摘
流媒体音乐的发展和普及改变了音乐,消费方式和用户可以在网上听音乐随时随地。通过整合各种推荐算法/策略(用户分析、协同过滤、内容过滤、等等),我们捕捉用户的利益和偏好和推荐感兴趣的内容。解决稀疏数据在数字音乐营销行为,导致用户音乐偏好特性挖掘不足,指标排名学习与融合的内容表示的推荐算法。相对偏序关系构造用观察到的和未被注意的行为数据,使模型充分训练,同时推荐相关音频特征提取的子任务构造进一步缓解数据稀疏问题,最后,用户偏好之间的关系和歌曲通过度量学习开采。卷积神经网络用于提取高层语义特征的歌曲,然后歌曲的高层语义特征提取上一层改造成一个会话时间序列列表根据用户听的时间序列来建立一个基于注意机制双向递归神经网络模型,这样就可以减少噪声数据的影响,学习歌曲之间的依赖性很强。
1。介绍
数字音乐和流媒体技术的出现使得流媒体音乐服务的主要模型在音乐市场,改变了用户使用音乐,现在让他们听在线音乐在任何地方,任何时间(1]。付费用户的普及率也在逐年增加与过去几年相比。总体趋势而言,中国数字音乐产业正在快速的发展,和数字音乐的普及和增长也被视为音乐消费者的胜利,这让伟大的访问内容;即。,users are no longer bound by conditions such as time, location, and environment, and are free to enjoy the great music and convenience that streaming services bring [2]。如今,这个流媒体消费的新方法推动了数字音乐营销模式的改变从营销到网络营销;前者是营销以企业为中心,使用企业管理系统完善和扩展广义营销,而后者以用户为中心的网络营销,利用互联网技术实现资源整合,即不受时间和空间限制,在很大程度上改变了形状,形式,和传统产业3]。在互联网发展的早期,数字音乐平台主要用于互联网作为双向信息交换平台,采用网络营销方法,如广告、电子邮件、和流行歌曲让用户快速了解音乐的服务内容和良好的品牌形象通过互联网平台(4]。
然而,在互联网的发展,这些传统,原油在线营销方法已经不再适应当前的营销场景。为了提高听力服务质量和用户满意度,我们需要找到一种营销方法,可以满足用户的个性化需求,帮助他们做出决策支持听大量的信息,例如,只有少量的音乐内容匹配用户的偏好在有限的视野,以最终实现营销战略目标,增加用户的规模和付款的普及率5]。现有的推荐系统的研究都集中在电影、书籍,新闻,和电子商务,使在线平台向用户推荐高质量的内容或项目超过以往,实现降低成本和提高效率的营销目标6]。然而,这些研究结果没有工作在数字音乐营销方面的建议;即。,lower recommendation accuracy and content coverage rates have emerged. This is due to some unique peculiarities in digital music marketing: first, song audio is the main influencing factor when users consume music [7]。心理学研究结果表明,在大多数情况下,在很大程度上取决于用户是否喜欢一首歌歌的声音的特点,旋律,节奏,音色,流派,或仪表,等。音频内容不仅提高情绪和激活视觉和听觉的感官,但也有助于用户召回相关的电影或音乐集来缓解压力;乐观的音乐创造了一个刺激效应,而缓慢和轻柔的音乐8]。第二,除了音乐本身的特点,还有其他因素影响用户的音乐喜好,如静态因素,如文化背景,社会经济,年龄,国家,和性别;和动态因素,如当前的情绪,天气,环境,和活动状态;即。,users listen to music for different purposes in different scenarios: to stimulate exercise potential, mood regulation, and bedtime music, etc. Third, compared to book and movie content, users typically consume a song for a short period of time, and users can tolerate repeated song recommendations. Fourth, there is relatively little explicit rating data in music platforms [9]。子弹的构造形式来处理数据,推荐算法依赖和构建适合推荐算法使用的特性。当它存在,它比其他内容更稀疏域;因此,大多数音乐平台使用nonrejected监听事件,从用户那里收集隐含的反馈行为数据(10]。在测试中,k维潜在因素的音乐首先输入CNN回归模型,然后结合用户偏好模型最终计算模型的预测评分,和均方根误差(RMSE)是用来测量的准确性预测分数。
音乐平台用户的隐式反馈行为是点缀着“看不见的”噪声数据。因为数字音乐消费过程是被动的,歌曲演奏从头到尾并不一定表明用户积极倾听,并很可能用户被外部因素,忽视了点击“下一个歌”按钮。为了减轻噪声数据的影响歌曲推荐质量,当前工业方法是识别不同歌曲的贡献目标歌曲主要是通过引入一个“注意力机制”来减少干扰引起的噪声数据;然而,大多数模型只有呆在全球层面的注意机制的研究但不考虑细粒度级别。歌曲的局部噪声的影响使得模型只有善于处理建议场景长会话数据,和推荐质量急剧下降,当面临简短的会话数据。总之,流媒体音乐业务在中国在唱片市场上占据主导地位,和个性化的数字营销是一种很重要的方式,数字音乐平台增加用户规模和渗透。对于许多音乐平台(网易云音乐和MIGU音乐等),如何提出实用和有效的推荐算法上面提到的许多独特的和具有挑战性的问题是需要解决的一个重要问题,在音乐推荐系统。为此,作者将使用大数据和机器学习等技术深入我的用户属性,歌曲的元数据,并提出一系列的个性化和行为数据,准确、智能音乐推荐算法从用户的角度来看音乐消费偏好和上下文语境来满足个性化的听音乐的用户需求,也帮助企业用户之间建立一个更精确的和聪明的营销平台和音乐。它还可以帮助企业建立一个更精确的和智能营销平台用户和音乐之间实现战略目标,如用户规模增长,提高营销效率,和增值服务实现。
2。相关工作
网络营销的理论基础主要是基于“互联网作为一个双向信息交换平台”,“以用户为中心”和“资源整合”为核心,专注于企业的整个营销过程的商品在互联网上(11]。整个营销过程的深入研究了平台,发挥了不可替代的重要作用在发展的业务操作(12]。在互联网数字经济的时代,市场营销和促进数字内容更加依赖网络营销理论,但是只有少数的研究主要集中在数字音乐,尤其是营销方法基于个性化推荐(13]。本文更系统地研究了数字音乐的个性化营销方法,它可以扩大网络营销理论的应用范围在数字音乐领域,促进发展网络营销个性化营销的概念。音乐推荐系统是一个巨大的系统工程;其核心工作主要包含工程特点、算法研究、工程实现中,组件开发等。14]。特性工程是推荐算法依赖于处理数据,构建适合推荐算法的特性,获得更好的培训效果,使推荐算法通过建立新特性或优化现有功能15]。
算法研究的先决条件是基于产品形式,业务场景中,现有的数据,计算资源,用户规模、软件架构,等等,来设计一种新的推荐算法适用于当前阶段或迭代优化原推荐迭代算法来提高推荐系统的性能和质量;工程实现是基于算法的具体工作人员了解新提出的推荐算法的原理或原始算法的优化策略16]。工程实现是基于算法的具体工作人员了解新提出的推荐算法的原理或原始算法的优化策略,然后实现新算法或优化原算法基于现有的技术积累(技术堆栈,相关组件、计算平台等)。组件开发是发展其他组件的推荐系统相关的业务,如数据质量管理、任务调度、监控、错误恢复,AB测试平台,在线评估、数据传输,建议数据存储、推荐web服务接口,和其他组件17]。所有上述工作是由成熟的建议开发团队为了构建一个真正的和有用的推荐系统18]。互联网技术的发展和它的连锁效应带来了很多便利,智慧,和娱乐用户的生活。用户不再受时间、地点和环境,可以实现活动,比如读书,听音乐,随时随地远程观看视频。
同时,用户事务逐步取代在线交易,这意味着数字内容的营销模式也从传统的市场营销网络营销转变。在早期的总量剧增Read-OnlyWeb,互联网内容主要是由专业人士或组织,也没有渠道普通用户发布内容,所以互联网的主要载体是一个小数量的高质量的文章和图片19]。小规模的内容平台,网络营销通常是通过两种操作方式:手动排名是一个经验操作,平台运营商依靠业务知识和经验手动分配内容固定资源职位背景显示;自然排名是macrodata操作,平台依靠“热。平台依赖的原则“热”“快速”和“完整”快速实现内容的排名显示,“热”是基于几个方面,“快”是排名基于内容的及时性,和“完整”排名的内容基于多样性的程度。大部分的排名计算了简单的逻辑或业务规则和完成在离线阶段(20.]。
这个简单的营销模式可以很容易地创建一个讨价还价的效果:内容变得更受欢迎,更加是为本身的内容被曝光。例如,一首歌听后最初的次数或恶意绘制,这首歌变得越来越流行,这是严重误导听众从长远来看。同时,讨价还价的效果也会导致长尾理论的出现,在20%的内容总量74%的用户行为(21]。这一现象的根本原因不在于用户nonhit歌曲不感兴趣,但这些nonhit歌曲大多不暴露给用户。“长尾”堆积越来越多的新内容平均利用率较低。尽管一些综合排序算法(短时间窗,赛马机制等)有所减轻讨价还价的影响效果,推荐的内容一直是放之四海而皆准的,非个性化内容,产量极低利率对个人资源点(22- - - - - -26]。
3所示。改进的BP神经网络对音乐学习算法
3.1。深度学习
最传统的机器学习算法,支持向量机或逻辑回归等,由一个或两个层,浅架构。虽然这些模型取得了良好的性能和优势在1990年代,他们有困难在处理非结构化数据(文本、图像、音频等)由于其表征学习能力有限。为了培养更好的机器学习模型,介绍了“深度学习”的概念,导致繁荣发展的深入学习研究和应用领域。深入学习算法打破传统神经网络的层数限制,可以选择和层数根据设计师的需求。然而,这种训练方法,有效的浅层次,仍然是困难的深层结构神经网络(即。,random initialization of weights is highly likely to make the objective function converge to local minima, and due to the large number of layers, the residual forward propagation will be lost severely, leading to gradient spread), therefore, the deep learning process uses a greedy unsupervised layer-by-layer training method, i.e., in a deep learning design, each layer is treated separately and trained in a greedy manner, and after the current layer is trained, the new layer takes the output of the previous layer as input and encodes it for training; finally, after each layer is trained with parameters, the parameters are fine-tuned throughout the network using supervised learning. Compared with the manually designed feature extraction methods, the Lee depth model is able to learn the intrinsic laws and representation levels of the sample data; i.e., by layer-by-layer feature extraction, the features of the data samples in the original space are transformed to a new feature space to represent the initial data, which makes the classification or prediction problem easier to achieve and ultimately enables the machine to be able to analyze and learn like a human and to recognize text, image and sound, and other data.
一个完整的神经网络包括三个业务跨堆栈:卷积,池、和全连接,如图1。卷积操作是由简单的乘法和加法操作之间的卷积内核和相应的局部图像的位置,和订单执行的幻灯片图像从上到下和从左到右,输出“图像栈”几个较小尺寸比原来的形象。此操作可用于图像降噪、图像增强、边缘检测、等;池操作,功能采样图像堆前面的卷积运算,减少图像的空间价值功能,确保图像平移和旋转的不变性,突出了地方特色与识别任务,并淡出无关的突出特点,在池操作包括最大和平均;和完整的连接操作,也就是说,当地的特征提取的图像训练任务相关的识别任务。
3.2。BP神经网络
BP神经网络是神经网络处理顺序数据,短期记忆能力;即。,the next neuron can remember the state information of other neurons and also receive its own state information, making this neural network form a link structure. In contrast to feedforward neural networks, RNN models are able to process data inputs with variable sequence length and finally output a high-level semantic feature vector containing sequence information. Letx是一个输入序列;隐藏层边缘活动价值的反馈更新的递归神经网络由以下方程: 在哪里h=f(x)表示激活函数,xt表示输入当前时刻和t表示隐层输出之前的一刻;ht主张国家重量是矩阵,W我是州输入权重矩阵,然后呢Wh是偏差项。如果政府在每个时刻被认为是一层前馈神经网络,可以被看作是一个递归神经网络的神经网络与共享时间维度的权重。复发性的原理图网络结构扩大按时间维度如图2。
递归神经网络的参数可以学到的时间反向传播算法传递错误信息的反向顺序,一步一步。然而,有一个梯度爆炸和消失的问题当输入序列较长,也称为长期依赖问题。考虑到本机RNN无法应付梯度消失和梯度爆炸问题带来的长时间序列的训练过程,一种变体的网络RNNs当时提出了长期短期记忆——解决这一挑战通过引入一种自适应门控制矩阵,一个机制,决定在多大程度上LSTM单位保持之前的状态和存储当前的提取特征数据输入。随着研究的深入,许多研究者提出了许多变体LSTM,格勒乌是最成功的一个,从而改变输入门,忘记门,和输出门LSTM模型分成两个盖茨:更新门和重置(即门。,单位状态和输出组合成一个状态),实现的可能性减少模型过度拟合。
3.3。音乐推荐算法将歌曲内容
推荐算法,融合特性依赖于歌曲内容元数据信息和用户和用户描述信息构建的歌表示表示,然后计算用户之间的相似度表征和歌曲表示推荐歌曲听起来相似J对用户或有类似的语义。因为这种方法不需要建模用户的行为,它可以有效地缓解预热将音乐推荐的问题。根据元数据类型的歌,音乐推荐算法,融合特征分为三个类别如下内容。
3.3.1。推荐算法,融合编辑元数据
编辑元数据是关于音乐作品本身的主观和客观描述性信息由领域专家,包括歌曲信息(作曲家、艺术家、年龄、语言、专辑名称),艺术家信息,歌曲类型,和专家注释。的核心是显示相应的音乐作品的属性信息和利用其属性信息的过滤数据对音乐的建议。使用歌曲的编辑元数据构建音乐推荐算法是最简单而有效的方法,起到了至关重要的作用在数字音乐流媒体的早期发展。然而,这种算法的最大的问题是,他们不考虑任何用户信息,导致缺乏个性化、高劳动力成本、可伸缩性差,和推荐结果和用户之间的距离真正的音乐体验。
3.3.2。推荐算法整合文化的元数据
手工编辑方法获取元数据是昂贵和低效的歌,很难适用于大规模的数字音乐流媒体。研究人员建议使用文本处理技术提取song-related web内容的元数据信息为基础的数据标签推荐系统,被称为文化的元数据。这个建议算法综合评价的相关性艺术家或歌曲根据用户提供的社会标签,不仅反映出这首歌的风格和内容特点也是用户的偏爱这首歌,具有较高的灵活性和开放性。元数据的自动采矿是优于手工编辑方法,但开采元数据的信息是有限的。同时,仍有一些局限性。例如,获得文化上的元数据条件具有很大的和高度粘性的用户群;其次,这种方法容易产生偏见,和长尾歌曲在音乐很容易被听众所忽视;最后,元数据信息的内容也不能完全描述一首歌;即。,users listening to a song are influenced not only by the song metadata but also, more importantly, by the audio melody of the song, etc.
3.3.3。推荐算法将音频的元数据
音频元数据是某些基本的声学特征层的一首歌中提取音频信号分析,例如,频率中心,短期平均能量,overzero利率,梅尔频率倒谱系数,等等。这些基本层的声学特征提取,通常是通过量化年代平滑滤波、窗口和傅里叶变换操作的音频信号数据的歌。音色特性与信号频谱使用MFCC提取,提取时域特征代表信息,如它的音量和音质的演化,在场上的特性代表其规模和和弦分布等信息;所有的声学特性可以显著提高推荐算法的准确性
元数据提取音频的音频信号分析的方法是一种早期的音乐信息检索的重要手段和语音信号处理,但有一些限制:特征的数量大,算法的时间复杂度高,而且只有基本层的声学特性可以提取。近年来,随着深度学习技术的成功应用在图像识别和自然语言处理领域,研究人员已经开始介绍深层神经网络提取音频内容的高层语义特征,然后生产建议通过有机整合与传统推荐算法。音频内容特征提取使用深层神经网络克服缺点,如以下几点:传统的音频特征提取方法只能提取音频功能层底部,不能充分表现歌曲的内容语义特征,最重要的是,这种方法可以提取相关的高级音频语义特征推荐任务:
具体来说,深层神经网络是用来学习歌曲或艺术家表示(嵌入式或潜在因素)从音频内容或文本的元数据(例如,艺术家传记或用户生成标记),然后,学习嵌入式表示应用于协同过滤,矩阵分解,或混合的推荐。总之,它是发现,大多数音乐推荐算法,融合特性推荐歌曲的内容比较歌曲内容和用户属性和音频元数据已广泛应用于音乐推荐算法作为主要因素影响用户的音乐喜好,但它依赖于歌曲内容特征提取模型的正确性,因此不能有重要的区别其他类似的歌曲。几个问题需要牢记在实现这种类型的算法:首先,标签可以自动或手动,自动,当他们被分配,必须选择一个方法,可以从歌曲中提取标记;第二,标签需要学习,以便用户和歌曲可以相比有意义;最后,必须选择学习算法,使它学习用户属性特性基于这首歌的特性。相应的歌曲推荐物品然后生成基于用户属性特点如下:
用户通常喜欢听多个歌曲同样的艺术家,专辑,流派,词曲作家,作曲家,或唱片公司,在欧几里得空间中嵌入这些歌曲显示用户听会话中的某些歌曲之间的相关性。因此,经常发生模式或从用户听会话关联规则开采为了指导接下来的歌曲推荐结果。方法包括三个主要阶段:频繁模式挖掘,会话匹配,和歌曲推荐,如图3。具体地说,给定一组歌曲/和相应的会话组,一组使用模式挖掘频繁模式挖掘算法,如先天或FP-Tree:
对于一个给定的部分会话(例如,项目中选择一个事务)的集合,如果歌曲存在,
为了处理数据听会话,有严格的顺序或涉及时间的影响因素,提出了一种基于序列模式的推荐方法。方法包括三个主要阶段:序列模式挖掘、序列匹配和推荐歌曲。具体地说,鉴于序列的集合, 的序列
4所示。实验和结果分析
4.1。音乐营销数据的真实性评估
监督学习算法通常有一个目标函数,然后优化。通常情况下,算法模型处理回归或分类任务使用一个损失函数作为目标函数。损失函数是用于衡量预测的区别和真正的网络模型的输出值,模型训练,它的主要目标是减少损失的价值。值得注意的是,不同的损失函数通常用于回归和分类模型的评价。在本文中,我们专注于潜在因素的预测功能的音乐音频使用CNN网络模型,它本质上是一个回归的问题。因此,只有损失函数定义常用的回归模型给出下面简要比较。均方误差(MSE)损失可以被视为一种计算欧氏距离定义如下:
平均绝对百分比误差(日军)损失被定义如下:
虽然有各种损失函数回归模型,测量MSE仍然是最广泛使用的损失函数;与MSE相比,美可以有效地惩罚异常值和更适合的情况下更多的数据异常值;怪物带有类似于MSE在其计算过程中,和它的主要目的是减少函数输出的范围;日军,像怪物带有,通常是用来处理一个大范围的数据来计算预测值和真实值之间的相对误差,如图4。提前因为所有的数据预处理,数据归一化到合理的范围内,没有太多的异常值,因此,均方误差(MSE)选择损失来衡量网络预测误差。
4.2。收购营销音乐偏好和潜在功能
在音乐推荐系统中,用户和音乐是两个主要部分,然后通过矩阵分解,用户和音乐联系在一起。在前一节中获得的音乐数据集包含每个用户的次数了每一段音乐,和用户的行为可以被视为一种隐式反馈。这是因为虽然数据集记录的次数用户听每首歌,用户不明确每一段音乐。然而,它可能是有用的假设,如果一个用户喜欢某首歌,那么用户将会更倾向于去听那首歌多次,查看用户的播放行为音乐作为一个潜在的评级。计算效率是一个非负实值函数,损失值越小,网络模型的性能就越好。的意义,这是它避免了在用户显示评级一方面,另一方面,它允许评级数据基于用户听音乐,而不是仅仅取决于时代的歌,歌手,等等。事实上,如果一个用户从未听一首歌,可能有多个原因;例如,用户可能不喜欢它或者用户尚未意识到这一点。为了减少用户的nonsubjective因素的影响;例如,某个用户拥有更多的自由时间可能有一个整体的戏剧歌曲,同时另一个用户有一个整体相对较少的一首歌,因为他通常是忙碌的。摘要扮演的每个用户的数量是预处理,最后转化为用户的评级的音乐大致如下:首先,戏剧的数量每个用户归一化,即。,最玩音乐作为基础,和播放其它音乐由用户的数量除以扮演的最大数量; then, the normalized result is multiplied by 30 and rounded upwards (the number of plays of 0 is still recorded as 0) so that the number of plays is limited to 0. The number of plays is thus limited to the range 0–30; finally, the number of plays to the music is converted into the rating of the music according to the rating rules. In the table, “?” indicates unrated items.
介绍了矩阵分解方法用于分解r .也就是说,参数推导找到目标函数下降最快的方向,然后,变量可以继续沿着这个方向,直到他们搬到一个最小值点。经验,学习速率α和正则化参数设置为0.0002和0.02,分别。用户潜在因素矩阵P和音乐潜在因子矩阵问最终通过不断优化迭代。
可以看出,分解矩阵的维数降低的操作。P是一个米 k矩阵,所谓的用户偏好模型,代表用户兴趣度的每个特性的音乐;问T是一个k n矩阵,所谓的音乐特性模型的每个列向量表示每段音乐的特点,这就是需要预测未来。当分解维度5,正则化的趋势损失误差的迭代步骤如图5。为了优化规范的目标函数,采用随机梯度下降法。
在本文中,我们使用python工具包Librosa来分析和处理音乐音频。不仅提供了最常见的音频处理功能,如音频阅读、重采样、短时傅里叶变换,幅度转换,和变频也更常见的光谱特征提取等功能梅尔光谱,MFCC和CQT。Log-Mel光谱特征的提取使用Librosa可以用几行代码。首先,600年的音乐文件下载的数据集转换为采样率为22050 Hz和存储在”。wav文件格式;然后短时傅里叶变换应用于音频信号序列,反过来,FFT窗的长度设置为1024,和样本的数量连续帧之间设置为512。FFT窗的长度设置为1024,连续帧之间和样本的数量设置为512,这对应于一个音频约23.2毫秒的时间步长;然后,STFT序列生成到一个功率谱然后缩减规模进一个Meier光谱,与Meier过滤器的过滤器设置为256;最后,Meier谱转换为对数刻度,商议作为存储的图片。通过使用光谱图波形显示功能specshow Librosa工具包(),并使用横轴为时间轴,纵轴为频率轴,生成的256×256梅尔光谱输出如图6。
从图可以看出7迭代轮的不断增加,网络模型的误差减少损失快开始,逐步成为慢后,和时代达到10时,误差降到0.128和函数趋于收敛。损失的价值曲线,模型的训练过程基本上符合预期的要求。为了能够更好地验证模型的预测能力,更全面的评估实验模型从不同的角度进行。
最后一层CNN网络模型的结构中使用这个实验是预测输出层,它的输出尺寸大小应该由特征向量维数的潜在因素的音乐,和众所周知的4.1.2节中分析维度的潜在因素k r,在那里r表示得分矩阵的秩R,分钟(米,n),通常是必需的。用户的数量n用于实验的数据集是12,所以实验提出了设置k改变从3 - 11的渐进步骤2评价维度的数量的影响潜在主题模型的预测成绩。此外,当训练模型,模型的训练效果通常是受训练轮时代的影响,所以本文进行对比实验与不同训练轮。RMSE结果模型的预测功能维度分数不同的潜在因素k和培训时代如图8。
从实验结果可以看出,的RMSE值预测分数时更大k值是3和5,表明小k不足以描述的潜在主题音乐;当k值是7岁和9岁的RMSE值预测分数的差异不是很明显,RMSE的k7被略低于RMSE值k值9,在最好的情况下,RMSE下降到0.6;当k值是11日的RMSE值预测分数又开始增加,表明太大潜在因素维度开车远离真正的潜在功能的重要性。算法使用概率图模型和个性化的目标排名优化,地图用户和音乐一样密集的语义空间分开,和全球构造和细粒度用户和音乐使用距离指标之间的关系。训练轮数量的增加,与此同时整个RMSE提高10至20时代时,虽然RMSE仍基本相同,当时代在20到30之间,这表明首选训练轮在这个实验中是大约20;毕竟,一个大型培训轮将增加整个模型的训练时间。可以看出,实验能取得更好的分数预测时的潜在因素k7,训练轮时代是20。与现有的推荐算法相比,本文算法在解决极端数据稀疏场景下的推荐问题,可以充分探索用户的音乐偏好特征,及其研究成果可以用来提高曝光率的新歌货架/冷歌曲和输出比例的营销投资。当它存在时,它比其他内容更稀疏域;因此,大多数音乐平台使用nonrejected监听事件,从用户那里收集数据隐含的反馈行为。
5。结论
最先进的精密营销工具在当前网络营销,营销的推荐系统可以最大化输出比率投资和更细粒度的挖掘用户兴趣偏好的基于用户属性、内容元数据和用户行为的历史和有趣的内容推荐给用户。数字音乐领域,音乐推荐数字音乐营销的核心业务平台,音乐作品的推荐质量决定了分配效率和用户的满意度监听服务。为此,作者把“工程挑战”的过程中遇到数字音乐推荐到“学术研究”,并进行一系列的科学研究工作,分别在极端稀疏的行为数据,分化、噪音和音乐的动态偏差和行为。与现有的解决方案,通过比较分析和实验评估我们验证的正确性和效率目标模型,并提供一个合理的解释的有效性和核心参数最优性能。从实验结果可以看出,的RMSE值预测分数时更大k值是3和5,表明小k不足以描述的潜在主题音乐。本文指标排名学习与融合的内容表示的推荐算法来解决数据稀疏的问题倾听用户的行为。算法使用概率图模型和个性化的目标排名优化,地图用户和音乐一样密集的语义空间分开,和全球构造和细粒度用户和音乐使用距离指标之间的关系。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作在本文中被邯郸大学支持。