音乐个性化标签聚类和推荐可视化

文摘

随着大数据的出现,传统的推荐算法的性能不再是足以满足需求。大多数人都没有留下太多的评论和其他数据在使用应用程序。在这种情况下,用户数据过于分散和离散,用明显的数据稀疏问题。首先,本文介绍了当前推荐系统中使用的主要思想和方法,总结了区域需要关注和考虑。基于这些算法和基于用户历史数据信息和音乐数据信息,可以找到现在,本文旨在建立一个个性化的音乐推荐系统基于指示标记,它可以为用户提供基本的音乐服务,推动他们个性化的音乐推荐列表。然后,介绍了基于标签的协同过滤算法。通常这种方法使用离散的标签,用户标记和音乐标签并列和夷为平地,这并不能反映每个标记的重要性和排名顺序关系,并不能反映用户的认知顺序时听音乐和注释。为了改善这个问题,增加推荐的准确性,user-tag和music-tag数据通过标签相关的序列标记和music-tag数据相关分析和建模,构造和功能指示图。

1。介绍

近年来,移动网络发展非常迅速,与此同时,推动数字多媒体技术的快速发展;90后的年轻人已经成为主要的消费者,和数字音乐已经成为他们最喜欢的消费内容。用户可以访问这些服务的大型音乐数据库;当用户想要特定的音乐,他们可以输入歌曲的标题或艺术家或其他信息轻松地搜索所需的音乐,但是如果没有明确的查询,也就是说,当用户想要的音乐系统给他们匹配他们的偏好没有明确目标,音乐推荐个性化可以更好的解决这个问题。大规模和巨大的异构音乐在音乐数据库中生成的数据无疑超过基本需求和支付能力,进而触发用户信息疲劳(1]。普通音乐用户往往无法快速识别歌曲,满足他们的喜好在面对大量的音乐数据的数据库和有很多个性化的需求没有得到满足由他人推荐的音乐库(2]。目前,信息超载是一个紧急的问题,也就是说,用户无法理解或掌握太多的物品的信息或用户没有一个明确的目标在某些领域,但只有一个模糊的需求,个性化的音乐推荐的目的是帮助用户快速过滤掉感兴趣的音乐在庞大的信息数据库(3]。

目前,主流的大型音乐门户通常包含大量音乐库与各种流派和类型的音乐,和添加一些新音乐是在一个较高的增长率(每个月4]。首先,音乐库包含数以百万计的歌曲和用户不可能有足够的时间听的所有歌曲,然后选择自己喜欢的音乐;第二,音乐服务nonimmersive所以用户可以听音乐而做其他事情,和音乐只是作为一种背景声音,导致模棱两可的用户的需求,如“建议或推荐我一个很好的歌曲或歌曲”(5- - - - - -10]。一首歌,用户时间成本的听一段音乐很低,和大多数在中国在线音乐服务目前免费,没有太多的版权问题。这些特征表明,音乐作为精神享受是一个非常适合推荐的项目与电影相比,有一定的成本,或书,需要更高的时间成本11]。未来市场对音乐的建议是非常广泛的,非常适合于用户的需求,并更充分地接受他们(12]。随着音乐服务的兴起,已有许多研究成果在音乐推荐技术相关的音乐服务。如今,许多音乐电台不仅提供基本的服务功能还可以推动为用户个性化的歌曲列表,其中更著名的是潘多拉和last . fm。然而,由于独特的和情感的音乐本身的特点,当前缺乏个性化和推荐结果没有高覆盖率[13- - - - - -17]。音乐马克和用户使其有序,音乐推荐系统更符合个人需求可以设计并实现了基于两者的功能有向图,如图1。在这个主题,音乐推荐系统有以下问题需要被认为是在设计和开发:如何追踪用户的偏好;如何使系统具有良好的可靠性、可伸缩性和更快的响应(18]。算法将实现个性化的音乐推荐系统基于指示标记,考虑到历史用户行为数据,音乐标签数据,标记序列来提高推荐的准确性(19]。近年来,随着移动通信的快速发展,人们更倾向于使用手机娱乐和交流,和基于社交网络的推荐系统具有明显的市场前景。社交网络含有大量的用户信息,和人们通常都愿意和他们的朋友分享项目,并利用这种关系有助于提高推荐的成功率(20.- - - - - -23]。

由于移动终端的快速发展,数字音乐成为主流和主要互联网公司在音乐领域增加投资。在中国有8.94亿网民,音乐是一个非常大的市场需求。当前的移动音乐播放器是非常方便的。巨大需求是一个专注于主要的互联网音乐的竞争厂商,提供巨大的流量和提供音乐给用户在一个大型的数据库。为此,个性化的音乐推荐算法开发了几十年来因为他们的出现。有无数的优秀研究人员结合先进的数学和统计思想与计算机的高速处理能力提供音乐推荐服务。每个主流的推荐算法都有自己的优点和缺点,并结合他们将导致更好的建议。与今天的开放数据更容易获得,算法相比,基于内容的协同过滤算法的成本会更低,有更好的结果在执行集群的建议。

推荐系统的必要性源于人们的生活。因为人类高度社会化的本质,人们总是想要参考他人的意见做决定的时候,并提供准确和有意义的建议用户可以有效地处理信息过载和丰富造福。世界上第一个音乐推荐系统是在1995年开发的,叫做“林格”,率先使用一个评级系统,预测用户评级的音乐,然后把音乐列表,用户可能喜欢根据他们的评级。很长一段时间,音乐推荐是基于基本的关于音乐的信息,如艺术家,流派,和歌曲风格,结果在很大程度上相似,统一,缺乏相关性和个性化。

在随后的发展中,研究者提出了基于内容的推荐算法和协同filtering-based推荐算法,这两种推荐算法及其各种改进的版本是最常见的和常用的今天。基于内容的推荐是基于用户的历史发现项目或类似项目有一定的上下文关系提出建议,要求标签项的内容信息或专家。代表性的例子就是著名的外国互联网电台潘多拉,这“音乐基因工程”是在2001年推出。“音乐基因”依赖于400年音乐旋律等特性,和谐、节奏,形式,和歌词。这些是量化到一个特定的值;然后,计算相似性特征之间的相似性和音乐是精确确定。协作filtering-based算法有社会功能主要是基于用户利益,行为记录,收集历史,等等。SecondHandSongs网站是代表之一。当用户听音乐,他们产生的许多行为,如听音乐、社交、音乐收藏,评级的音乐。人类行为活动并非毫无意义,所以这些记录历史行为数据都暗示信息用户的利益,可以用作基础挖掘用户具有相同兴趣和音乐有类似的特征。 We can divide users into many groups, and each group of users has similar interests, so that we can push other users’ favorite music to each other in the user group. Both methods have both advantages and disadvantages; the former requires considerable expertise to classify music data and is extremely complex, while the latter has two main disadvantages:(1)当用户第一次使用它,我们没有任何数据处理和如何传达音乐信息是一个问题,通常被称为本身的问题。(2)并不是所有的用户评论和标签自己喜欢的内容,这是一个明显的数据稀疏问题。然而,用户的审判和下载记录更有可能被保留,所以有一些解决方案系统设计本身的问题在实际的算法,比如使用多个数据源的混合物和多个推荐方法融合这两个为了达到更好的结果。为了提高算法的解决上述缺点,研究人员已经改进了算法,以及深度学习的兴起导致了新的研究方向。

3所示。基于个性化的音乐推荐算法研究

3.1。基于标签的协同过滤算法

用户使用标记标签的音乐来表达他们的意见。音乐的标签代表音乐的体裁,风格,当用户的心理听歌曲,和其他内容,因此可以说,标签是用户和音乐之间的桥梁。在许多音乐电台,你可以看到,有相应的标签在每个音乐,它为用户提供了一个基础来判断他们是否想尝试这种音乐。通常,每个用户的标签记录通常由一个三位一体的行为记录:用户、音乐、和标记。我们可以写成(u,米,t),这意味着用户u标记的音乐米与标签t。使用TF-IDF的想法,我们表示用户标记标签的频率t特遣部队(u,t),其价值计算的次数用户标签t/总次数用户标签;文件标签的频率t关于用户u用IDF (u,t),值是对数的价值(用户/用户数量总数贴上标签t)。然后,tag-user协会度计算

同样,音乐添加关联计算特遣部队(米,t)表示音乐的频率米标记的标签t和IDF (米,我总数)表示对数的值(音乐/数量的标记的标签我);在获得这两个值,模型用户的对音乐的兴趣的是构造如下:

然后,Jaccard公式用于计算资源相似,见以下方程:

在这里,我们主要考虑两个音乐片段,被多个用户标记相同的标签。从理论上讲,次数越多他们被标记为相同的标签,类似的音乐的两块。在获得用户的兴趣模型,然后计算音乐模型之间的相似性,我们可以计算出用户的兴趣其他的音乐,如以下方程:

算法首先计算TF-IDF user-to-tag music-to-tag,的值用于计算用户的兴趣模型对音乐和音乐之间的相似性,最后计算出用户的兴趣在其他音乐基于兴趣模型和相似度来获得一个值得推荐的音乐列表。

3.2。协同过滤算法根据指示标签

音乐标签可以反映内容信息,和其他的音乐推荐,我们主要使用信息标签分类标签在一个平面之间的相关性。然而,标签是相互独立的,离散的分布,所以我们不能访问用户有什么想法当标签或分类音乐和我们不能直接访问他们的认知顺序标记。为了解决这个问题,我们可以改善这种情况通过vectorizing标签。我们收集行为数据,如时间和次数当用户分类和标签的音乐和vectorize他们反映用户之间的关系,音乐,标签,和认知顺序,以提高音乐推荐的准确性。主要方案如图2。

这个项目过程中,以下几点需要阐述和解释道:(1)首先,我们收集的注释记录音乐当他们收到用户服务和数据组织成有序标签数据集。这个标签数据集记录每个用户的注释而听音乐,我们组织这个数据集获得有序序列的注释;从音乐方面,记录包括音乐带注释的内容由每个不同的用户,这可能是相同或相似的或完全不同的。这些数据可以获得从数以百万计的音乐数据库。在每个音乐标签,有他的音乐的音乐家的知识和不同用户的看法,这些看法存在订单;越多的数量标签相同的知觉,越注释反映了音乐的特点。与基本算法相比,一步添加标签序列化,这使得我们的推荐结果更准确。(2)在特征建模中,用户的兴趣要挖掘功能和音乐功能从用户的标签序列集和音乐的标签序列集,分别。挖掘用户特性可以算他的标签内容和时间;发生的频率越高,更多的用户可能感兴趣的。我以同样的方式,我们需要和提取音乐特性的有向图的音乐标签。(3)根据我们前面步骤中获得的指示图,这里我们主要使用同构理论图完成的音乐特性的聚类划分指导图,形成集群。这让我们来匹配用户特性与集群中的内容有向图相似度最高的进行聚合时建议,从而减少匹配的时间成本和更快地获得音乐推荐结果。通常,我们使用标签来描述一个项目的特点,通常以文本的形式和拥有hierarchy-free特征。

当我们执行基于内容的推荐、音乐等项目,可以以多种方式为特征,是更合适的。基于内容的推荐方法通常首先根据标签分类音乐基于一定的特性,其特性进行建模,然后重新集群相似的歌曲作为基于相似的主题或类型。这个方法有更完整和明确的标准,考虑标签和内容之间的关系,并明确标签语义,但缺乏考虑用户的主题;相应地,协作filtering-based标签推荐技术主要是获取用户的标签行为数据和推断的音乐更类似于用户的需要或更类似于基于法律的数据用户的利益。利用用户之间的关系和标签,标签是用来发现类似的用户。然后,根据相似用户,对应的项目建议,但这将有一个明显的缺点,没有音乐本身的描述性特征的描述。基于有向图的原则推荐结合了前两种算法的部分;用户之间的三维关系,音乐,和标签,用户标签来描述音乐功能,标签反映音乐功能,如果用户重复使用相同的标签标记的音乐,那么他一定是感兴趣的音乐,和同样的推理可以推断相反;三维关系相互影响,形成一个三维的结构关系图。这种方法类似于基于协同过滤算法和具有一定的相似性算法基于用户相似,但没有直接分析内容的音乐,没有关注用户的偏好。

4所示。协同过滤算法基于可视化的指示标签

4.1。得到标签

音乐电台提供了服务,允许用户评论和音乐。用户的评论中关键字可以成为音乐标签和为用户提供多种可选的标记标签的音乐。一段音乐的最初几个标签通常是根据描述标签,艺术家和提供的主题,和情感结合专辑风格。当用户播放音乐时,根据自己的感受音乐,他们可以选择相应的标签标记类别的音乐或完成自己的标签通过创建自己的音乐标签,用户可能有完全不同的感受相同的歌,经过反复尝试,和相应的用户可能有完全不同的感受同一首歌后反复听。与大缺口,因此可能会有多个标签,每个标签的用户将被记录下来。重复的标签和多个注释将增加重量。获得这些标签,我们需要文本处理数据信息在获得用户的注释信息和评论内容。标签信息通常应该能够直观地反映一段音乐的内容,如艺术家,专辑名称、时代、风格、体裁、主题。详细的细节处理。通常,音乐广播电台提供的标签在本质上是连续的,和更先进的标签,它们反映了音乐的特点。 The dataset of this paper comes from Million Song Dataset (MSD), a music resource integration platform. It collects data from seven well-known and authoritative foreign music communities (e.g., MAGD dataset and 7 digital) and organizes and analyzes the data, giving researchers offline datasets and analysis results obtained using various algorithms. The data for the optimization algorithms in this chapter are mainly from the offline dataset provided by Last.fm, which we divided 2/8 into a training set and a test set because the site provides song-level tags and similarity, which helps later studies to conduct comparative exploration. As Figure3展示了一个特定的音乐显示的信息。调频,我们可以看到有多少用户正在听音乐,下面是音乐的流行的标签,标签的顺序安排的暑热。

为艺术家,他们将有关于不同主题的专辑,这些专辑会有不同的歌曲列表不同的标签。音乐,每一段音乐可以被多个用户标记,这些标记可能相似或不同,所以音乐将存在于不同的歌曲列表根据不同的标签。我们能够获得的标签序列艺术家的专辑和音乐的标签序列标记由多个用户。重要的是要注意,在歌曲列表中,用户的看法反映在他们的标记序列,更加突出的音乐是在歌曲列表中,更应该标记和定位在歌曲列表的顶部。

4.2。聚类信息的可视化

在最后一个。调频数据集,有943347个匹配跟踪,其中505216包含至少一个标签和584897年至少有一个相应的音乐相似,包含522366独特的标签,共有859863 track-tag对。基于标签的数量和相应的流行,我们可以得到下列图表,如图4。

从图可以看出4标签出现越频繁,越来越多的人喜欢标签,可以被称为一个受欢迎的标签,相应越小数量的标签。标识分为音乐的设置功能K集群。我们知道目标用户的兴趣特征有向图的有向图,每个集群和集群中心。首先,我们计算同构度一个接一个,把同构度超出临界值为新的集群。然后,我们有向图计算目标用户的兴趣特征和音乐功能有向图中包含的每个集群和比较他们。根据同构,音乐的总数不够大。因为我们向用户推荐音乐,我们不需要推荐符合要求的所有音乐。因此,如果音乐是足够的总量,与最高的集群同构匹配可以满足要求。为用户提供大量的标签,我们可以使用用户兴趣特征的有向图和有向图的音乐特性来计算他们的同构,并提供相应的音乐推荐列表根据同构的水平。用户的数据库记录标签的音乐和音乐家,所以数据非常大,标题的数量达到200000多。排名前20的标签和他们的受欢迎程度如图5。

每个用户生成的行为当听一首歌;点击跳过,增加了收集、循环,下载,转发,评论,和上述行为的操作时间会留下一个记录,而这些行为将会让用户与标签之间的连接。标记的信息代表了用户对音乐的看法。通过标签,我们可以发现用户的音乐更感兴趣,而在模糊查询的情况下,我们将能够确定音乐是他们所需要的标签的音乐。这一步的目的关联用户和标签序列按照一定的法律和反映这种关系的方程。Useri是当前我th用户数量,假设有共x标记,<k1,…k_x>表示标记序列,格斯_我表示关联的用户的标签序列k_第九表示x标签标记的我th用户相关联的用户形成以下记录: 在哪里胃肠道表示标记序列后联系用户。然后,通过获得不同的音乐和标签序列由用户收集和标记,我们可以获得的米标记序列为该用户,见以下方程:

我们确定这些分类标签使用以下公式:

然后,我们假设有一些标签顺序关系,和绝大多数用户不会让标签没有任何秩序和意义。在整个关系图,每个节点都是一个标签。标签之间的协会是由节点到节点连接边缘线。

5。结果与讨论

如果用户发起的搜索行为,那么它一定是有目的的,有明确的利益特征因为搜索没有目的带来高成本和低效益。一般来说,有两种情况,如果用户使用搜索功能在音乐系统。用户可以执行精确搜索,并提供准确的音乐名称,艺术家,或详细的歌词。这些可以通过音乐中的文本快速匹配特性数据库,尽管用户谁想听某首歌并没有一个明确的目的,只是听一种特定的音乐,不知道类型或想在不同的网页搜索和听歌曲在户外活动,但不知道音乐的名称或艺术家或记住准确的歌词,旋律的印象只是一点点。最近的做法是使用智能联想词和搜索短语来优化服务的建议。这允许用户听特定的音乐在其他社交平台或生活场景中,但他们不知道名字,可能使模糊搜索。精确的音乐搜索通常利用减少搜索,也就是说,用户输入更多信息,匹配精度要求越高,越少的结果匹配的条件,但搜索精度越高,如图6。

的定向图分为音乐特性k集群。我们知道目标用户的兴趣特征有向图,每个集群的集群中心有向图,首先计算同构程度一个接一个,把群的同构程度超过临界值为一个新的集群组,计算目标用户的兴趣特征有向图和音乐功能在集群,每个集群组中包含的有向图,和排名根据同构集群,这种情况当音乐的总量不够大。因为我们是音乐推荐给用户,我们不需要向用户推荐符合条件的所有音乐。因此,如果音乐是足够的总量,与最高的集群同构匹配可以满足要求。为用户提供大量的标签,我们可以计算他们的同构使用用户兴趣特征的有向图和有向图的音乐特性,如图7,并提供相应的音乐列表建议根据同构的水平。用户提供一些标签但更多的试听和下载记录可以被称为不活跃用户,基于协同过滤的指示标签并不是由于缺乏有效的标记数据。我们可以通过使用LDA-MURE补充DTSCF算法基于模型算法对音乐推荐基于用户的收听和下载记录,也就是说,混合使用的建议。

两种推荐算法本文提供音乐列表建议,即。前N的建议。因为用户活动和音乐的长尾效应,我们主要把所有样本音乐到流行音乐和长尾。顶级音乐是音乐与超过15标签,和长尾音乐是少于5标签,它提供了一个明确的区分。当评估算法的性能,使用三个评价指标,记得,准确性,和F-measure图所示8的协同过滤算法基于有向图的标签。在音乐推荐功能的实现,首先我们需要获取的数据信息和模型数据信息与特性(包括用户特性有向图有向图建模和音乐特征建模),和特定的代码已经详细描述。

然后,我们训练算法模型,相似度匹配后,我们得到了用户的音乐特性有向图,形成推荐列表匹配的音乐在音乐列表中。然后,我们可以把它给用户实现个性化推荐音乐。特别的问题时提供真实信息和提供虚假信息为了最大化自己的利益是质量差的主要考虑企业智库。建议物联网安全公司做一份好工作的分工和协作,和产品为基础的公司关注细分市场,提供具体详细的物联网解决方案的网络信息安全问题;基于通道企业构建一个公共网络信息安全服务平台进行商业利益的实现和分配,从而实现物联网网络信息安全的生态系统。网络信息安全建设的物联网生态系统面临的技术复杂性和操作复杂性物联网业务产业链,还有很多问题需要解决。

这一过程说明了信号的游戏。换句话说,企业智库将选择自己的策略根据自己的实际情况,权衡收益和成本之间的关系发送信号;同时,公共信息服务平台还将考虑具体行动是最有利于自身,是否合作,根据发送的信号平衡企业智库。信息不对称的条件下,信号机制对企业的未来发展至关重要,政府间接影响参与者的发展道路。为此,本章构造一个信号博弈模型企业智囊团和公共信息服务平台的基于信号博弈理论和均衡结果进行了分析总结并提出相应的对策。

6。结论

介绍了一种基于协同过滤算法的准确性和优化,提高改善的建议。music-tag特性建模和user-tag进行,分别和一个有向图的音乐特征和构造一个有向图的用户兴趣特征。音乐功能有向图分为集群,集群可以明确区分,同时,音乐在每个集群保证是最有向图同构集群中心的功能,执行和音乐列表。推荐时,只需要匹配用户的有向图特征与集群中的音乐最高程度的适应。每个函数的详细的需求分析和设计个性化的音乐推荐系统的实现和功能如音乐播放控制,音乐列表,音乐检索、用户评论和注释,音乐推荐实现。当稀疏太大,很难长尾音乐和低活性用户获得一个好的推荐效果,一个算法基于LDA模型可以作为补救措施。该算法可以根据用户的相应建议试听和下载记录。

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

作者宣称他们没有利益冲突或人际关系可能出现影响工作报告。

引用

d . Kulibert a·艾伯特s猿人,s . h·麦克费登“家庭使用个性化的音乐对于痴呆的人,”痴呆,18卷,不。7 - 8,2971 - 2984年,2019页。视图:出版商的网站|谷歌学术搜索
k·墨菲,w·w·刘,d·戈尔茨et al。”实施个性化音乐听力辅助生活居民痴呆,”老年护理,39卷,不。5,560 - 565年,2018页。视图:出版商的网站|谷歌学术搜索
m . Wang和a . Nehorai Coarrays、音乐和cramer-rao绑定”,Ieee信号处理,卷65,不。4、933 - 946年,2017页。视图:出版商的网站|谷歌学术搜索
a . Salunke r . Kukreja j . Kharche, a . Nerurkar“个性化的建议基于协同过滤的音乐。”国际工程和计算机科学杂志》上,9卷,不。5,25047 - 25051年,2020页。视图:出版商的网站|谷歌学术搜索
f·s·柯林斯和r·弗莱明,“健康”,《美国医学协会杂志》上,卷317,不。24日,第2471 - 2470页,2017年。视图:出版商的网站|谷歌学术搜索
加里多,c·j·史蒂文斯e . Chang l·邓恩和j . Perz”音乐和痴呆:个体差异,以应对个性化的播放列表,“阿尔茨海默氏症期刊》上,卷64,不。3、933 - 941年,2018页。视图:出版商的网站|谷歌学术搜索
彭译葶。王的研究。王,研究所。t .周”,一个上下文和情感意识到个性化的音乐推荐系统,”互联网技术杂志》,19卷,不。3、765 - 779年,2018页。视图:谷歌学术搜索
k . Archambault k . Vaugon诉Deumie et al .,“地图:个性化的接受音乐疗法干预改善年轻人的情感幸福住院精神卫生单位,“《音乐疗法卷,56号4、381 - 402年,2019页。视图:出版商的网站|谷歌学术搜索
n . Sharda e·马顿,l . et al .,“巴赫基础:实现和影响术后的住院老年人的个性化音乐节目,“Perianesthesia护理杂志》,34卷,不。2、347 - 353年,2018页。视图:谷歌学术搜索
r . Kyriakides p·琼斯,r . Geraghty et al .,“音乐对门诊泌尿手术的影响:系统回顾和荟萃分析从uro-technology欧洲泌尿外科协会的部分,“泌尿学杂志,卷199,不。5,1319 - 1327年,2017页。视图:谷歌学术搜索
大肠Liebman, m . Saar-Tsechansky和p .石头,“在正确的时间正确的音乐:自适应个性化的基于序列建模,播放列表”MIS的季度,43卷,不。3、765 - 786年,2019页。视图:出版商的网站|谷歌学术搜索
H.-Y。常,研究所。黄,黄永发。吴”,一个个性化的音乐推荐系统基于脑电图的反馈,”多媒体工具和应用程序,卷76,不。19日,19523 - 19542年,2017页。视图:出版商的网站|谷歌学术搜索
M.-C。赵和L.-W。Ko”,开发个性化的智能音乐选择系统基于心率变异性和机器学习,”多媒体工具和应用程序,卷76,不。14日,第15639 - 15607页,2017年。视图:出版商的网站|谷歌学术搜索
d·康和美国Seo”,个性化的智能家居音响系统与自动音乐选择基于情感,“多媒体工具和应用程序,卷78,不。3、3267 - 3276年,2019页。视图:出版商的网站|谷歌学术搜索
n .叮,公元Patel l . Chen h·巴特勒,c罗和d . Poeppel“暂时调节语音和音乐,”神经科学和生物行为的评论卷,81年,第187 - 181页,2017年。视图:出版商的网站|谷歌学术搜索
p .调查员,k . m .罗文特区安格斯et al .,“早期目标导向治疗感染性震惊了患者的立场分析,“《新英格兰医学杂志》上,卷376,不。23日,第2234 - 2223页,2017年。视图:谷歌学术搜索
e . m . k .白,“对痴呆患者使用个性化的音乐播放列表作为一个教学创新,“护理教育的视角,40卷,不。6,384 - 385年,2019页。视图:出版商的网站|谷歌学术搜索
e·霍夫曼:“当作曲家画:个性化的音乐、形式化的思想,“视角的新音乐卷,57号1,第190 - 149页,2019。视图:出版商的网站|谷歌学术搜索
董问:d .苗族x Lu, d .香港“哼唱问询”和基于强化学习的建模方法对个性化的音乐推荐,“Procedia计算机科学卷,176年,第2163 - 2154页,2020年。视图:出版商的网站|谷歌学术搜索
s . Koelsch p Vuust, k . Friston”预测过程和特殊情况下的音乐”,认知科学趋势,23卷,不。1,第77 - 63页,2019。视图:出版商的网站|谷歌学术搜索
m . Tkalčičm . Schedl, p .膝盖,“前言特殊问题对用户建模的个性化与音乐、互动”用户建模和用户交互,30卷,不。2、195 - 198年,2020页。视图:谷歌学术搜索
黄永发。苏,彭译葶。下巴,Y.-W。廖,H.-C。杨、v . s .曾和S.-Y。谢长廷,“个性化的音乐推荐系统使用用户内容,音乐内容和偏好评级,”越南计算机科学杂志》上,7卷,不。1,第92 - 77页,2020。视图:出版商的网站|谷歌学术搜索
l . Quinn-Lee和d . Mowry个性化音乐对医护人员的影响与痴呆的老年人在社区里,”WMJ威斯康辛州医学社会的官方出版物,卷118,不。2、80 - 83年,2019页。视图:谷歌学术搜索

复杂性