文摘
为了更好地实现音乐教育和提高音乐推荐的准确性,音乐教育体系的多维分析方法基于multi-intelligent提出了建议。使用这种方法的过程中向用户推荐音乐,音乐特征提取和数据从MIDI音乐,和三个协同过滤算法联合使用,即基于用户、基于内容和基于模型的协同过滤算法。仿真结果表明,该方法可以为用户提供一个智能音乐推荐方案根据用户的基本信息和操作信息。与一个基于用户的推荐或基于内容相比,基于模型的建议,该方法有一定程度的新奇和准确性。在这里,推荐准确率可以达到94.8%,高于其他两种推荐算法,显示出一定的优势。
1。相关工作
音乐,是人类的共同语言,可以满足人们的精神需求。随着互联网的发展,网络音乐一直在增加,提供全新的在线音乐教育的教育方式。然而,由于大量的音乐存储在网络上,很难音乐教育筛选音乐,这给用户带来极大的不便。为了解决这个问题,相关人员提出采用一种推荐算法,通过多维分析的音乐,向用户推荐智能音乐。穆罕默德Tabrez Quasim等人提出了一个基于感性音乐推荐和分类框架(EMRCF)通过相关分析和神经网络的支持,因此高精度分类歌曲是通过人际关系团队的个人记忆和情感的歌曲。预测和识别的大部分情感反应准确的推荐和分类可以使歌曲有效1]。金正日Youngjun等人利用深层神经网络提出一种多向模糊概念的测量方法,实现音景的推荐选择音乐和有效地改善用户的体验欣赏视觉艺术作品的2]。Mohamadreza酋长Fathollahi等人使用卷积神经网络来设计一个音乐流派分类方法。在这里,高级特性提取中间网络层(3]。余弦相似性和欧几里得距离被认为是进行相似性度量,从而实现自动推荐的音乐,达到显著的推荐精度十佳的结果。米菲Wundervald提出了一种新的方法来预测音乐推荐。通过假设一个艺术家的声望高斯混合分布有一个潜变量估计,发现底部的人气集群通过配额和用于执行预测相关的每个集群的混合比,以获得流行分布,使音乐更准确地推荐4]。萨巴Yousefian Jazi等人提出了一个音乐推荐系统找出用户的喜欢的音乐通过情感感知,实现高精度的音乐推荐5]。Polignano马可等人建立了一个通用计算模型的情感认知用户基于情感的特点。情感的情感一致性评分用户和nonemotional物品被认为是。在这里,一个看不见的项目是否适合当前用户的情绪状态估计,从而实现更准确的推荐(6]。习常新杨和邵等人使用LOD的常见方法提出一个资源之间的语义距离的方法来衡量,这是应用于音乐推荐7,8]。不同的重量和水平的影响被认为是提高音乐推荐的准确性。夏宁等人提出了一个建议方法结合用户属性和项目特点,大大提高了推荐精度(9];张婷婷等人提出了一个基于音乐基因和知识地图的音乐推荐方法,具有一定的优势传统音乐推荐方法(10];施正荣Juanjuan提出预测和建议通过LSTM根据音乐爱好者的时间演化11];扬州等人提出了基于上下文语义的推荐方法,它可以捕捉语义和提高推荐的准确性12]。根据上述研究结果,推荐算法取得了较好的推荐效果音乐推荐,但其推荐精度仍然需要改进。与此同时,本研究认为,增加用户特征的维数可以提高推荐的准确性。因此,本研究试图让音乐推荐用户从多维的角度来看,这也是本研究的创新。此外,为了进一步提高音乐推荐的准确性,联合推荐方法提出了基于multi-intelligent推荐认识到音乐教育的多维分析系统。
2。介绍了协同过滤算法
协同过滤算法,常用的个性化推荐方法在推荐系统中,向用户推荐商品通过预测用户的首选项条目,如图1(13]。在那里,代表用户,代表项目,代表的偏好为 。
三种方法,即基于用户、基于内容和基于模型的协同过滤算法,采用推荐系统。基于用户的方法的计算公式见公式(1)[14]。基于内容的方法是通过公式计算(2)和执行建议用户通过公式(3)[15]。基于模型的方法有一些新奇的事物。为了更好地实现建议,上述三种方法结合音乐推荐给用户。
公式(1)表明, 是用户接近 ; 意味着所有用户行为的方向 ; 代表的兴趣相似性和 ;和是感兴趣的在 。
一般来说,协同过滤推荐结果可以通过回忆和评价精度(16]。
3所示。基于Multi-Intelligent多维分析的音乐教育体系的建议
音乐格式是复杂和多样化,包括MIDI, MP3, WAV,等等。其中,MIDI音乐,目前最常见的音乐格式,解决了电子音乐的问题沟通通过一系列指令来控制乐器的演奏方式和上场时间。因此,MIDI音乐作为研究对象,基于multi-intelligent和多维分析音乐教育系统的建议是由提取音乐特征和基于特征的协同过滤方法。
3.1。MIDI音乐
3.1.1。特征提取
MIDI音乐包含各种各样的特性。根据文献[17),以下5个特点是选为MIDI音乐的基本结构特点:(1)平衡程度的左和右通道声音的相对价值大小的左翼和右翼是表达的渠道声道的价值,可以通过分析信息”“(18]。当 ,达到平衡。左右平衡程度的声道x被定义为: (2)平均强度平均强度定义为(19]: 在这里声道的序列号;N声道的笔记吗 ;和 代表媒体注意的力量在 。(3)主音量主音量可以选择的最大体积通过分析“OxBn 07年规模”,和值范围是[0,127][20.]。(4)发音的时间发音时间的结束时间计算提取“Ox8n注意速度”的开始时间提取“Ox9n注意速度”(21]。为notes与交叉发音,它可以由以下公式计算: 在这里k是发音的序列号,然后呢n是记录的数量。(5)发音方面发音面积计算如下(22]: 在这里,注意(我)代表注意编号为我; 代表着音符的长度;和 代表的螺距值。
3.1.2。计算功能相似
特征相似性由培生的方法,可以计算出余弦相似性,jaccard系数,和欧氏距离,如以下公式所示:(23- - - - - -26]
在公式(9),年代x和年代y样本标准差x和y。在公式(10)和(11),x和y代表两个不同的文档。在公式(13),n代表了空间维度。当n= 2,空间是一个二维平面上,可以采用曲线函数计算公式,和距离成反比的相似之处,提供如下:
其中,欧氏距离方法可以计算任意两点之间的距离22]。因此,该方法用于计算音乐特性相似。考虑音乐特征数据提取的显著差异,并避免其影响,之前的数据归一化的计算特性相似,见公式(14)。然后计算特性之间的相对距离,根据不同的权重综合距离计算。特征之间的相似性是通过公式的变换(13)。 在哪里规范化数据;原始数据;和最大和最小的值X。
3.2。基于协同过滤推荐音乐
3.2.1之上。推荐系统
MIDI音乐推荐系统包括三大类,即声底层结构数据,结构化数据和标签数据。上面的数据集成为用户推荐音乐。
(1)声底层结构数据。声底层结构数据包括频率中心(足球俱乐部),零交叉率(ZCR),短期平均能量(avSTE米)和MFCC系数(C我),计算公式如下(27,28]:
在公式(15),F (w)傅里叶变化后的帧频率谱。在公式(16),fs代表了采样频率。在公式(17),年代我是一个离散时间音频信号序列,是符号函数。在公式(18),代表了窗函数长度n;代表了样本值n i帧的帧;和N代表所有采样点的数量。在公式(19),N表示过滤器的数量;Xk代表k输出值;C我代表了MFCC参数;和P代表着秩序。
(2)结构化数据。结构化数据的相关信息是作曲家在音乐创作中,包括歌手、词曲作者、创建时间、创作风格、创作背景,等等。目前,常用的结构化数据的实现方法包括AMG数据库和数据库CDDB。本文使用CDDB数据库处理结构化数据。
(3)标签数据。声底层结构数据可以提取大量的音乐数据,但不能保证它可以提取特征符合音乐的旋律轮廓。此外,结构化数据的提取成本高,还有伟大的标签数据对不同组的差异和环境。为了避免影响最终的推荐结果,底层声学数据,结构化数据和标签数据集成音乐推荐给用户分配一定重量和计算相似度。根据参考,重量分配如下:
左和右通道的比例是4/15;创建时间是2/20;发音是2/15;风格是1/5;平均强度是14/60;这首歌的名字和发音时间是1/10;这位歌手和标签是2/5。声学基础数据:结构化数据和标签的比例数据2:3。欧几里得方法也用来计算相似度。
3.2.2。推荐的过程
了基于协同过滤的音乐推荐过程如下:
(1)用户管理。通过注册用户登录到音乐软件,输入用户名、昵称、性别、和其他信息。选择用户类似于新注册用户的年龄和性别,并检查音乐的兴趣相似的用户。
(2)音乐管理。系统管理员将MIDI歌曲添加到系统和输入结构化信息,包括歌曲名称、发布时间、歌手,标签,和风格。
(3)用户反馈。系统记录用户的反馈和分析,用户还可以查看反馈。
(4)联合推荐。结合音乐数据的联合推荐。
4所示。仿真实验
4.1。实验环境的建设
这个实验是进行64位Windows10操作系统;开发工具MyEclipse10;MySQL5.5数据库;浏览器是Firefox4.5;推荐引擎是Apache Mahout。
4.2。数据源和预处理
在这个实验中,新注册用户的“A”在音乐软件选择为研究对象,和三个类似的用户“B”,选择“C”和“D”进行分析。用户信息和类似的用户信息如表所示1。序列号的歌曲在音乐软件的序列号,偏好是用户的对音乐的偏好,和它的值范围是[0,1]。
4.3。实验结果
4.3.1。方法验证
验证有效性,歌曲推荐给用户“A”的结果之间的比较推荐只有音乐特性数据和联合推荐结合结构化数据。共有9相同歌曲在前十歌曲推荐的联合推荐的特性数据和结构化数据,唯一不同的是“春天的故事”和“我爱你,中国”。然而,这两个不同的歌曲属于同一个红歌民间音乐的风格。它只表明联合推荐的特性数据和结构化数据有更好的整体效果和用户的兴趣范围内可以推荐歌曲。联合推荐列表的排名都是不同的,根据音乐偏好和类似的用户首选项,联合推荐列表结合结构化数据接近的音乐偏好。总之,相比之下,联合推荐只有特性数据,结构化数据的联合推荐有更好的效果。
4.3.2。比较的方法
来验证提出方法的多维分析和推荐效果音乐教育系统,选择“A”为研究对象,并使用该方法向他推荐音乐。结果与基于用户的推荐结果相比,基于内容的推荐结果,基于模型的推荐结果。前十的推荐结果选择进行分析,如表所示2。可以看出,总共有6个相同的推荐歌曲推荐的方法和基于用户的推荐方法,和这首歌的号码是299,259,107,132,207,和125年,分别。有三个相同的推荐歌曲一样的基于内容的推荐方法,和这首歌的号码是299,107和132。此外,总共有5个相同的歌曲一样的基于模型的推荐方法,和这首歌的号码是259,113,269,105,和134年,分别。有三个相同的推荐歌曲推荐的基于用户和基于内容的推荐方法,2相同的推荐歌曲推荐的基于用户和基于模型的推荐方法,共0相同歌曲推荐的基于内容和基于模型的推荐方法。因此,提出联合推荐方法不仅能准确的基于内容和用户个性化的音乐,但也推荐小说音乐基于模型的推荐方法,有一定的优势。
为了进一步验证该方法的有效性,实验比较不同的推荐方法之前和之后的推荐列表推荐的歌曲“A”的反馈。表3是不同的推荐方法的推荐结果在用户反馈之前,而“A”尚未添加“美好的一天,”“红蜻蜓”“披着羊皮的狼,”和“想爱你太多”最喜欢的歌曲。表4不同的推荐方法的推荐列表,“A”增加了喜欢的歌曲。比较表3和4显示推荐的音乐列表前后不同的推荐方法已经改变了用户的反馈。基于用户的推荐列表方法大大改变,和两个保留原始推荐歌曲。原因是,当分析从用户层面,添加音乐的偏好程度显著变化,导致重要的推荐结果的变化,这表明基于用户的推荐方法显然是不确定的。其次,联合推荐方法,3保留原始推荐歌曲,和巨大的变化的原因是基于用户的推荐方法相同,但新产生的推荐结果联合推荐方法提高原来的排名推荐音乐。基于内容和基于模型的推荐名单没有变化,分别为7和原始推荐音乐保留6,。综上所述,该联合推荐方法有一定的推荐准确性和新奇,可以更新和推荐列表根据用户的反馈,更好地满足用户的音乐偏好的建议。
4.3.3。与其他算法比较
在这个实验中,选择一个音乐网站的数据为研究对象。这个数据集包含两个部分:音乐信息数据和得分数据。其中,数据集包括1589当前的流行歌曲,音乐包括音乐名字,音乐类型,音乐音调,和其他信息;评分数据集包含100万条记录的1589首歌曲6040用户,对应于用户ID、产品ID、用户评分ID,和评分,其中得分范围是0∼5。
为了验证该算法的有效性,该算法与传统的协同推荐算法相比,结果如图2。可以看到,与对比算法相比,音乐推荐算法研究中具有较高的准确性和一个F1值,这表明该方法有更好的推荐效果。
5。结论
总之,音乐教育的提出了多维分析系统基于multi-intelligent推荐选择MIDI音乐为研究对象,和有五个特征提取的特征。此外,结合不同音乐的特性数据,基于用户、基于内容和基于模型的算法加入了提供一种智能音乐推荐方案。与单一的基于用户的推荐或基于内容相比,基于模型的建议,具有一定的新颖性和准确性。然而,由于条件的限制,仍存在一些不足需要改进。旋律的重量分配特性数据,现有文献是用于分配,缺乏一定的合理性。为了解决这个问题,下一步是要分配不同旋律的特征权重根据实际情况,尝试采用一种新的智能推荐算法的推荐。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明,关于这项工作有利益冲突。