文摘
个性化的音乐推荐感兴趣的可以准确地把音乐从一个巨大的歌库基于用户信息,当用户的听力需求模糊。为此,本文提出一种民族音乐推荐基于本体的建模方法和上下文感知探索音乐资源的使用更好地描述用户首选项。首先,采用算法用于集群用户和民族音乐的分数,和类似的用户和音乐分为集群。在同一集群对象的相似性较高,不同集群对象的相似性较低。第二,我们设计了一个基于本体的民族音乐多层协同过滤推荐模型建模和张量分解。这个模型使用本体来构建一个用户知识模型和集成相似度量在多个场合。实际情况下试验和用户反馈分析表明,设计个性化的民族音乐模型具有良好的应用和推广效果。
1。介绍
作为一种文化载体,中国民族音乐唱片的音乐和文化生活在不同地区的人们在不同的历史时期,特定的文化背景,不同地区的中华民族1,2]。民族音乐反映了中华民族的音乐文化水平、思维方式、哲学、审美取向,和民族个性3]。在这个信息过剩的时代,音乐与人的生活密切相关的蓬勃发展,大大丰富了和音乐资源,但人们越来越难找到自己喜欢的音乐,所以需求个性化的音乐推荐变得越来越迫切4,5]。虽然个性化的音乐推荐系统已经收到了许多研究人员的关注,个性化推荐音乐的发展仍然面临许多挑战和问题,需要不断研究和优化来解决(6,7]。
提出了一种个性化推荐系统来解决企业和用户的共同需求和用户首选项。这个推荐系统可以收集用户的历史行为偏好、个人属性、购买和评级数据,浏览历史,等等。根据用户的数据,分析和挖掘用户的潜在利益偏好和项目,并推荐给用户。通过这种方式,它可以在很大程度上为用户提供方便。同时,个性化推荐系统可以有效地缓解传统推荐算法的“马太效应”,它可以我的项目的“长尾”。推荐的项目,用户还没有发现在目标用户的“长尾”分布,从而给他们一种视角不同的经历。此外,个性化推荐系统也可以利用项目的多样性和推荐给目标用户的意想不到的但是有趣的项目,以改善用户体验。
早期的音乐推荐系统通常基于声学信息,使用相似的音乐声学信息提出建议(8]。例如,Cat10使用音频指纹技术分析音乐的声音信息。这种技术可以准确地识别音乐名称,艺术家,专辑的名字,和其他数据(9]。极等人也使用以听力技术测量音乐之间的相似性,通过分段音频在同一时间间隔获取稀疏MFCC (Mel-frequency cepstral系数),然后依靠MFCC模拟歌曲(10]。一个推荐算法都有自己的缺点和局限性。混合不同的推荐算法的推荐往往可以相互弥补,有更好的推荐性能11,12]。混合推荐方法包括结合不同的推荐方法根据权重来实现更好的推荐效果。陆等人提出了一个混合的基于内容的推荐算法,协同过滤,和情绪13]。卡明斯基的马吕斯混合用户的地理位置信息提出建议(14]。Markopoulos等人结合基于内容和协同过滤推荐的混合推荐(15]。
随着因特网的迅速发展和数字音乐,不同的音乐平台为用户提供大量的歌曲听。研究发现,数据通信网络的拓扑结构是一个重要因素的威胁。在这样的移动计算,计算鲁棒性对有意的攻击,旨在降低网络节点可通过改变不同拓扑。这种降低是一种破坏和干扰威胁攻击网络的可用性(即。,攻击网络资源和链接)。然而,随着越来越多的歌曲,用户很难快速找到他们感兴趣的音乐时,他们正面临着大量的歌曲信息。为了提高该行业的竞争力,越来越多的音乐平台使用推荐系统为用户提供优质的服务和个性化推荐服务。它可以帮助用户快速找到他们最喜欢的歌曲,为用户提供良好的体验,增加用户的满意度和忠诚度的音乐平台。因此,个性化的音乐推荐系统。它已成为学者和业界关注的研究方向。协同过滤算法已广泛应用于推荐系统因其实现简单、通用性强。 The collaborative filtering recommendation algorithm is faced with many problems in the application process; the most typical problems include cold start, data sparsity, and grey sheep user issues. This paper aims at the problem of the traditional collaborative filtering algorithm in the music recommendation system.
如果我们看这个问题从中国民间音乐的发展的角度来看,中国民间音乐的国际交流的积极意义是促进中国的发展,提高中国民间音乐的影响16]。本文试图利用采用算法进行集群用户和民族音乐的分数。我们设计了一个基于本体的民族音乐多层协同过滤推荐模型建模和张量分解。模型结合gradient-enhanced决策树算法,使用本体构建用户知识模型,集成了multisituation相似的措施。
首先,本文提出了一个依据用户冷启动的问题和项目和稀疏的音乐推荐系统中的数据。个性化的音乐推荐算法提出了基于改进的辅助过滤。该算法是基于传统的协同过滤算法17]。用户画像、用户评级和音乐标签数据集成和用户画像是用来计算用户相似性和解决。解决用户冷启动问题;用音乐标签分数来初始化未知的分数,解决音乐冷启动问题18,19]。后得分数据丰富,基于项目的协同过滤方法用于我的数据。
第二,解决灰羊用户问题和分数音乐推荐系统的稀疏问题,提出了一种coalition-based方法音乐推荐算法过滤和回放系数。用户通过用户回放信息对计算和频率线性函数歌手的评级解决稀疏的用户评级的问题:首先,歌手的歌手的听力听系数计算的系统。用户的播放系数计算并用作用户属性,然后余弦相似度公式用于计算用户相似性;基于用户的协同过滤算法用于我的用户首选项,解决灰色羊用户和数据稀疏问题。
2。民族音乐的概述
国际传播中国民间音乐开始其历史二千多年前(20.,21]。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效途径(22]。衰减参数一个控制时间衰减因子的衰减率。如果衰减速度太慢了,它将不能区分用户的偏好得分区间(不同的项目,23]。太快会过分强调时间因素而忽略用户的长远利益。民族音乐是独特的,它是一个国家的文化的演绎随着时间的推移和历史。民间音乐音频缩略图如图1。
一种艺术流派,沉淀着一个民族的音乐灵魂。在《中国民族音乐》王Yahola指出,“民族音乐涵盖了各民族的音乐从广义上讲,社区的表现后,民族文化的集合;狭义的,是特定的音乐表达形式的民族音乐。“在不同的民族音乐风格,音乐都是不同的(24,25]。民族音乐的重要组成部分包括民间音乐,这是经济增长的推动力和民族音乐的发展。教育是一个国家的发展的关键(26]。主要意思是继承和创新和发展文化。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效途径(27]。国家应该考虑和行动的每一个成员国家的继承优秀的文化。民族音乐教育是音乐教育的一个分支,它允许中小学生直接获取信息关于民族文化的学习过程。虽然中国的民族音乐教育经历了坎坷的发展过程,今天它是一个国家发展不可或缺的力量。
3所示。多层协同过滤民族音乐推荐模型
目前,主流的推荐算法的推荐系统分为基于内容的推荐算法(28[],协同过滤推荐算法29日),和混合推荐算法。其中,应用最广泛的是基于协同过滤和基于内容的推荐算法。国内外大多数音乐平台通常使用这两种类型的推荐技术。基于内容的推荐方法是根据用户的历史偏好项,最类似的项目建议通过计算目标用户,和推荐算法需要知道的内容信息项。另一种方法根据使用歌曲的历史分数,然后计算用户相似的爱好或相似的歌曲,因此给他们给用户。提供个性化推荐服务。这两种两种推荐算法各有优缺点,需要额外的和基于内容的推荐算法。此外,复杂性高,基于协同过滤的推荐算法数据稀疏问题和冷启动问题。
在一个完整的推荐系统中,最关键的部分是推荐算法。虽然个性化的音乐推荐系统已经吸引了许多研究者的关注,个性化推荐音乐的发展仍然面临许多挑战和问题,需要不断的研究和优化。目前,主要包括协同过滤推荐算法的推荐算法,基于数据挖掘的推荐算法,基于内容的推荐算法和混合推荐算法。
3.1。多层协同过滤算法
算法实现步骤如图所示2。首先,user-item得分矩阵,建立了基于user-item用户之间的相似性得分计算,然后k目标用户的最近邻居发现,最后未分级的项目是根据最近邻得分。的目标用户预测评分项计算。衰减参数控制程度的衰减。如果衰减速度太慢了,它将不能区分用户的首选项项目与不同的得分区间。太快会过分强调时间因素而忽略用户的长远利益。一个典型的推荐模型的结构图如图2。
在推荐系统中,原始数据存储在用户的项目评分矩阵基于用户的评分项的记录。例如,如果一组米用户包括user-item评级矩阵构造。基于用户的协同过滤推荐算法,计算用户之间的相似性测量认为user-item棱向量之间的相关性的得分矩阵。衰减参数一个控制时间衰减因子的衰减率。如果衰减速度太慢了,它将不能区分用户的首选项项目与不同的得分区间。太快会过分强调时间因素而忽略用户的长远利益。相似度的计算是一个重要的步骤在协同过滤推荐。计算方法的质量通常决定了推荐的质量。目前常见的方法来计算用户之间的相似性包括皮尔逊相关性,标准的余弦相似性,修改后的余弦相似性。基于用户的协同过滤算法的流程图如图3。
基于内容的推荐是特征向量的提取,这意味着特征向量从内容网络。例如,用户听所有的歌曲,然后编码所有歌曲信息。因为这首歌是标记为心脏在一些用户,你可以给一个标签和添加其他标签,这样你就可以得到一组歌曲,你喜欢的用户听的歌曲。可以看出,网络结构有更好的预测能力,比如RNN(递归神经网络)和LSTM短期记忆(长),将不再进行分类标签。这里只是一个例子获取训练数据分类问题)。对于推荐任务,因为我们有成千上万的用户提供不同的口味,也有大量的数据训练当新用户;一些应用程序会问你你喜欢什么歌曲,然后预测你会喜欢听后根据歌曲你听过一段时间(所以你听,更准确的推荐不一定是这些应用的手法让你使用它)。该方法的特征向量提取基于内容的推荐是评判你的后续状态的可能性,基于前面的内容。在这种情况下,用户之间并没有详细解释。例如,用户可能已经听了10000首歌曲,用户B可能听过15流行歌曲,和C已经听了8首歌曲。 These songs are all in A and B’s song lists. However, as the network learns the previous data, resulting in the possible distribution of the later data, the prediction range of user A for the later data is wider than that of B. At this time, user C can often be recommended to some minority, and related songs of this kind of recommendation algorithm can find users’ unique niche preferences and make users feel surprised. To briefly explain, the so-called online collaboration is to find items that users may like through online data, while offline filtering is to filter out some data that are not worth recommending, such as data with low recommendation scores, or data that users like. Although the recommendation value is very high, the collaborative filtering based on the model-based clustering algorithm is somewhat similar to the collaborative filtering based on the user. In terms of features, the difference between collaborative filtering and the feature vectors of deep learning above lies in that collaborative filtering is mainly to find users. The similarity between objects, to some extent, is more like the clustering in traditional machine learning, and the purpose of extracting features at this time is mainly to make our clustering effect better.
如果你使用这一轮,用户可能有10000首歌曲,和用户B可能15流行歌曲。用户现在听8首歌曲,A和B,它们都是播放列表。因此,第一个推荐的时间应该是其他7谈论特性,更可能是噪音,所以有可能是该方法的准确性高,因此基于内容的推荐是提取特征的用户,可以更好地实现数据内容的可能性的过程。去哪里,从内容组件,每组训练数据之间的关系是不明显的。基于协同过滤的模型特性相当于每组数据分析基于特征。解释用户的特点,新用户最多只能匹配和推荐一个数据包,还有一个明显的平行训练数据之间的关系。
特征选择分类部分。本文将功能划分为两个部分按照重要性的顺序。本文首先提取top-k功能的重要性,这是常见的两种类型的特性。接下来,本文将分割后的特性集重要性排序。分割方法是奇偶编码值的序号。奇数属于第一类的功能,甚至数字属于第二类的特性。然后,本文选择和分类原始特性。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效方法。民族音乐是独特的,它是一个国家的文化的演绎随着时间的推移和历史。如果我们看这个问题从中国民间音乐的发展的角度来看,中国民间音乐的国际交流的积极意义是促进中国的发展,提高中国民间音乐的影响。第一种特性是top-k特性加上odd-ranked功能; the second type of features is top-k features plus even-ranked features.
3.2。国家音乐基于多层协同过滤推荐模型
传统的协同过滤推荐物品喜欢电影和音乐,因为它们都有较低的选择成本和强大的利益的功能。然而,这种技术并不适用于音乐的建议。它只考虑用户的行为特征和忽略了用户或歌曲的其他特征,如他们是否一直习惯于某种音乐风格和当前的流行歌曲。这些特征可以从用户历史数据挖掘。因此,基于机器学习的数据建模方法的第一选择的音乐推荐系统30.]。
当支票金额之间的因果关系,让是世界上的所有信息,直到时期,直到过期的所有信息,然后是除外的所有信息。如果一个人认为“今天的天气会影响明天的天气和明天的天气不会影响今天的天气,“假设不包括任何冗余信息。
上面的信息集合不仅包括所有相关的变量,但还包括价值观一直落后,但基本上是很难得到一个真正的和可靠的数据集在现实世界中,所以我们必须减少不可靠的数据在一个有限的范围内信息,改变当前可用的信息集合 。
换句话说,信息数据的所有信息可以用来协助判断的预测时间在此基础上,和其他相关数据,形成初始的因果关系相关的证据。更改后的所有相关信息集可以有效地获得信息集,格兰杰因果检验可以添加与初步结果的基础。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效方法。民族音乐是独特的,它是一个国家的文化的演绎随着时间的推移和历史。就像上面的相关基础的具体原因。主要原因是,在这种情况下,不可能清楚地了解是否有其他变量外设置影响的具体关系,它是不可能确定”才是真正的原因。“图4显示了一个民族音乐谱聚类的原理图。
测试的民族音乐,本文还使用“主成分分析”的因子分析方法提取特征值大于1的因素研究和旋转通过方差最大化获得9因素,如表所示1。增加基本显示了先降低,然后增加的趋势。这是因为用户的利益分为长期利益和短期利益。这表明9因素提取摘要保留足够的信息和高度解释。虽然个性化的音乐推荐系统已经吸引了许多研究者的关注,个性化推荐音乐的发展仍然面临许多挑战和问题,需要不断的研究和优化。具体分析结果如下。一个解释的总方差的民族音乐规模如表所示1。
在实际操作中,很难处理变量的分布函数。一个更简单的方法是处理从期望值的角度根据公式如下:
构建回归方程如下: 在这是最优步长因子。给出了迭代的收敛条件如下:
零假设Y不构成因果关系X,也就是说,H0: 。如果零假设成立,
其中,上交所r是最小误差平方和在某些约束,T是没有约束残差平方和,k是样本容量。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效方法。
4所示。国家音乐测试和分析模型的建议
验证该方法的可靠性,进行仿真实验。确保实验结果与此形成鲜明对比的是,在实验中,选择相同的教育访问数据压缩格式,确保教育数据的完整性。同时,为了提高实验数据的准确性,每个实验结果数据的平均值作为实验相同的30倍。任何人都已经熟悉混淆矩阵知道大多数时候是解释的二元分类问题。因此,我们使用混淆矩阵,精度,精度,F1-score评估模型的性能。真阳性(TP)是指数量的预测正确分类器预测积极类看作是积极的。真阴性(TN)是指数量的预测分类器正确地预言了-类-。假阳性(FP)指的是数字分类器的预测错误地预测消极类看作是积极的。假阴性(FN)指的是分类器的预测数量不正确预测正类负。
4.1。民族音乐数据源
这个数据集包含超过7亿个评级记录超过130000首歌曲从近180万用户从Web范围音乐社区从2010年到2018年。评定量表是1 - 5,评级水平值表示用户的偏好程度的歌,其中1表示非常不喜欢,5表示非常喜欢。数据集内的每个用户额定20多首歌曲,每首歌被评为20多个用户。每首歌的信息还包括信息,如歌手、专辑和流派。此外,该数据集也给215类型的描述。此外,我们建立了一个专门的数据清洗和传输架构,如图所示5。
实验结果表明,与传统的协同过滤算法相比,音乐的均方根误差较小的基于改进的协同过滤推荐算法。音乐基于协同过滤的推荐算法和回放系数计算各评价标准(RMSE,梅,NMAE地图,NDCG,和AUC)这是优于其他协同过滤方法及其变异方法,可有效提高音乐的质量的建议。
因此,本节中的实验选择提取一个子数据集包含近240000分的记录大约5000用户评分数据集的2000首歌曲,并选择10评分记录每个用户的测试。基于用户的协同过滤推荐算法,计算用户之间的相似性测量认为user-item棱向量之间的相关性的得分矩阵。衰减参数一个控制时间衰减因子的衰减率。如果衰减速度太慢了,它将不能区分用户的首选项项目与不同的得分区间。相似度的计算是一个重要的步骤在协同过滤推荐。计算方法的质量通常决定了推荐的质量。目前常见的方法来计算用户之间的相似性包括皮尔逊相关性,标准的余弦相似性,修改后的余弦相似性。太快会过分强调时间因素而忽略用户的长远利益。相似度的计算是一个重要的步骤在协同过滤推荐。数据大小与另一个评分项目团队提供的数据集。
4.2。民族音乐推荐模型试验
实验数据集是一组相似的候选歌曲混合计算的建议组装数据根据所需的输入格式多层协同过滤模型。每首歌的信息还包括信息,如歌手、专辑和流派。此外,该数据集也给215类型的描述。组装后的数据,输入多层协同过滤模型预测每首歌的削减率和过滤出歌曲的概率超过一定的阈值K。虽然个性化的音乐推荐系统已经吸引了许多研究者的关注,个性化推荐音乐的发展仍然面临许多挑战和问题,需要不断的研究和优化。实验评价指标采用美和RMSE值这两个指标是通过推荐给用户真正的得分。图6显示时间的影响因素对民族音乐推荐算法。
从实验结果可以看到,在这些指标中,我们建议所有这些方法比其他方法更好的结果。我们可以得出结论,该方法比其他方法具有明显的优势的准确性(MAP)和归一化平均损失累计回报(NDCG)。ROC曲线下的面积(AUC)更少的优势。我们想强调的是基于用户的另一个观察。实验结果的资讯(UB-KNN)和基于项目的资讯(IB-KNN)因为这个算法很穷。这两个算法只使用用户评级计算相似度。使用其他用户属性的算法可以提高推推荐效果,尤其是当UPC单独使用作为一个用户属性。
美价值逐渐增加而衰减参数的算法一个。增加基本显示了先降低,然后增加的趋势。这是因为用户的利益分为长期利益和短期利益。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效方法。民族音乐是独特的,它是一个国家的文化的演绎随着时间的推移和历史。衰减参数一个控制时间衰减因子的衰减率。如果衰减速度太慢了,它将不能区分用户的首选项项目与不同的得分区间。太快会过分强调时间因素而忽略用户的长远利益。图7显示了多层协同过滤模型在不同的性能k值。
个性化的音乐推荐算法基于本体和张量分解与基于user-improved余弦相似性的协同过滤相比,音乐推荐基于用户的即时行为,和高阶奇异值分解。每首歌的信息还包括信息,如歌手、专辑和流派。民族音乐文化的传播已经从无意识的传播意识的传播,满足国内外音乐文化的需求,现在积极进行国际传播已经成为增强国家的软实力的有效方法。此外,该数据集也给215类型的描述。的邻居,平均美价值越小,预测精度越高。随着最近的邻居的数量增加,准确率趋于稳定。
针对用户评级的差异,分析导致用户评级差异的因素。该算法首先使用修改后的余弦相似性计算公式正确的用户之间的得分标准误差。通过引入用户影响因素相似度计算公式,区别在不同的用户之间的相互影响程度是反映。如果我们看这个问题从中国民间音乐的发展的角度来看,中国民间音乐的国际交流的积极意义是促进中国的发展,提高中国民间音乐的影响。相似度的计算是一个重要的步骤在协同过滤推荐。计算方法的质量通常决定了推荐的质量。目前常见的方法来计算用户之间的相似性包括皮尔逊相关性,标准的余弦相似性,修改后的余弦相似性。比较数据源数据源1和2同时,发现当数据稀疏,美价值得到个性化的音乐推荐算法基于本体和张量分解在不同的邻居小;也就是说,推荐的准确性更高。基于用户的协同过滤推荐算法,计算用户之间的相似性测量认为user-item棱向量之间的相关性的得分矩阵。 The calculation of similarity is an important step in collaborative filtering recommendation. The MAE value calculated by high-order singular value decomposition all increases to varying degrees. The performance of different methods under different numbers of recommendation songs is shown in Figure8。
我们也检查了模型对民族音乐的建议和教学能力。如图8不同数量的推荐下,音乐,考虑各自的识别能力,结果表明,我们的方法获得最好的结果在不同的数字。此外,混合模型不如他们的结果与基于内容和协同过滤方法相比,这表明,增加模型的复杂性并不一定提高推荐系统的性能。它表明我们的建议可以执行比其他三种方法。
在图9,我们花了20000块流行、爵士、摇滚、民谣、和儿童歌曲系统中,然后把他们不同的群体,而他们的结果在不同的方面。最后,我们发现我们的系统最好的结果在各种各样的音乐,特别是流行音乐和民歌。库存系统的分析,可以发现这两个歌曲的数量更大,这首歌年龄更长,所以推荐的效果明显比其他人更好。更重要的是,年龄结构和偏好的用户,这两个轨道的普及较高。不同模型的推荐结果显示我们的方法的推荐结果在不同类型的歌曲都是由于其他方法。根据不同的方法,民间的准确性和流行音乐是最高的。此外,我们可以看到,爵士乐的结果不是在所有的方法,特别是在协同过滤方法。然而,这并不证明推荐的过滤方法不能用于爵士乐。我们相信所有的现有研究方法适用于爵士乐。一方面,爵士可能不流行在我们的日常生活中,我们有一个足够的例子来训练模型,经验丰富; on the other hand, the 20000 Jazz music is not distinctive to represent the Jazz that lead the Jazz lover unwilling to accept them. In addition, as we can see from Figure10,爵士乐的F1已经有所改善,这表明,爵士有更好的回忆。这意味着用户喜欢爵士乐可以接收的爵士音乐是他们的最爱。
图10显示所有的F1-measure方法;我们可以看到,几乎所有的方法都有同一F1-measure混合方法和协同过滤方法;这表明,协同过滤可能召回结果虽然不是在精度。我们的方法做所有最好的各种各样的音乐在回忆和精度。我们的模型使用本体来构建一个用户知识模型和集成相似度量在多个场合。实际情况下试验和用户反馈分析表明,设计个性化的民族音乐模型具有良好的应用和推广效果。与其他方法相比,它可以避免过度拟合,它还可以增加生成的能力。因此,我们的方法可以为用户推荐不同类型的音乐和为每个类型的音乐;可以推荐更多的音乐项目。
5。结论
虽然个性化的音乐推荐系统已经吸引了许多研究者的关注,个性化推荐音乐的发展仍然面临许多挑战和问题,需要不断的研究和优化。如果我们看这个问题从中国民间音乐的发展的角度来看,国际传播中国民间音乐的积极意义是促进中国的发展,提高中国民间音乐的影响。增加基本显示了先降低,然后增加的趋势。这是因为用户的利益分为长期利益和短期利益。衰减参数一个控制时间衰减因子的衰减率。如果衰减速度太慢了,它将不能区分用户的首选项项目与不同的得分区间。太快会过分强调时间因素而忽略用户的长远利益。态势感知可以用来探索音乐资源的使用,和这种方法能够更好地探索用户角色。本文试图利用采用算法进行集群用户和民族音乐的分数。在写作本文的过程中,许多期刊引用和咨询,以及详细的现状调查和分析在某些领域,数据分析和理论研究真实的和科学的。同时可伸缩性问题尚未解决,在未来的工作中,我们打算部分用户通过搜索。然后,基于辅助筛选的方法可以独立输入不同的训练集。因为建议将进行更多的空间,我们将努力以一种更有效的方式提供建议。虽然有几个聚类的方法在推荐系统获得用户组具有相似偏好,将尝试方法问题从不同的角度,重点描述用户根据其程度的灰色。 Therefore, the playback factor will be one of the properties involved in different user groups. In addition, in view of the objectives of our work, one is not to separate grey sheep users from other users; our goal is to create fuzzy clustering so that users can belong to multiple clusters with different memberships. We will further focus on exploring the combination of folk music recommendation and music teaching in the future.
数据可用性
数据可以从公开渠道获得的手稿。
的利益冲突
作者宣称没有利益冲突。