文献综述
算法推荐在大数据时代是用户获取信息的重要渠道,推荐质量关乎用户的体验态度。如今在用户基数庞大的音乐推荐系统背后,推荐质量参差不齐、用户心理感受容易被忽视,该领域缺乏一个通用的用户评价指标体系，而音乐推荐本身就依赖于这种用户的评价指标体系，如何更好的获取用户的反馈，及时的捕获用户的心理感受、心情变化，在音乐推荐的系统中，想的越来越重要。通过研究表明，音乐推荐系统包括内容性、功能性、页面设计、响应速度、感知易用性、感知有用性、满意度、信心、感知体验和潜在风险10个维度，通过这10个维度来衡量用户应音乐的感受，将会加速音乐推荐质量的提高，也是我们在音乐推荐系统上主要要优化的地方。
随着互联网的发展和普及,人类进入一个高度信息化的时代,网络中的海量信息一方面满足了用户对信息的需求,另一方面也增加了人们找寻有用信息的成本,出现所谓的“信息过载”问题。个性化推荐系统是解决信息过载问题的一个有效办法,而音乐推荐则是应用个性化推荐的一个重要领域。面对海量的音乐曲库,越来越多的用户使用音乐个性化推荐系统来寻找符合自身兴趣的音乐。
- 音乐推荐的概念
音乐推荐系统是个性化推荐系统在音乐领域的延伸。音乐推荐起源于1995年,MIT媒体实验室开发了第一个音乐推荐系统Ringo,Ringo系统可以预测用户对歌曲的评分,推测用户可能喜欢或者不喜欢的音乐,从而向用户推荐他们感兴趣的音乐。Uitdenbogerd认为音乐推荐系统结合用户的人口统计学特性和音乐偏好,根据用户的音乐品味,向他们推荐有趣和新颖的音乐。谭学清和何珊认为音乐推荐系统需要综合考虑用户的需求,并结合多媒体领域的音频特征识别、语音处理等技术完成音乐特征的提取,帮助用户在海量数据库中快速、准确地获取自己感兴趣的音乐曲目,是比一般推荐系统更复杂的系统。笔者认为,音乐推荐系统是音乐平台对个性化推荐系统的具体应用,根据用户的阅听习惯,分析用户的音乐兴趣和品味,向用户推荐歌曲,以帮助用户在庞大音乐库中高效率地找到自己喜欢的音乐。
- 音乐推荐的方法
1. 层次划分音乐的推荐方法。对每首待推荐的歌曲考虑以下6个方面的因素:歌手、歌词、语种、节奏、长短、歌名。首先通过层次分析法建立用户层次分析评价模型,计算出对每首歌曲不同因素的权重,再与模糊综合评价法相结合得出音乐的评分并排序,进而向用户推荐排名较高的音乐。在实现音乐推荐的过程中，通过建立分析层次模型，通过因素层的改变来影响决策层，或是通过判定矩阵，人们会因为音乐的不同特征因素喜欢不同的音乐,但是在通常情况下人们并不能准确而清晰地说出关于这些因素的重要性认识。人们可能会说“歌手”这个因素对于我听音乐的影响大些,“节奏”这个因素小些,但到底大多少,小多少在人的大脑中是不清晰的,因此要将大脑中对于各因素重要性的模糊认识数量化。
2. 基于协同过滤和对象模型的音乐推荐算法。在目前的推荐算法中，个性化推荐音乐为最为热门的方法，也是此次研究的重点。自1997年学界首次提出基于协同过滤算法的个性化推荐系统的概念之后,个性化推荐系统就成为学术界一个重要的研究领域。其实个性化音乐推荐来源于个性化推荐算法，早起的个性化推荐主要用于商业，帮助顾客决定应该购买什么商品，个性化推荐系统的本质其实就是信息过滤,利用用户已有的选择过程或相似性关系挖掘每个用户潜在感兴趣的对象,进而进行个性化推荐。有人认为推荐系统利用关于用户的各种信息源推荐符合用户偏好、品味和需求的服务,帮助用户找到在特定领域可能感兴趣的内容，因此个性化音乐能更加准确的抓住用户的品味，也是目前比较流行的推荐类算法。但凡是推荐类算法，都离不开对用户各种有关因素的划分，个性音乐推荐就是依靠这些因素，对不同的音乐进行过滤，进行筛选音乐的过程，协同过滤和对象模型就是个性化推荐的基础。
3. 基于大数据的个性化音乐推荐系统。基于大数据的个性化推荐系统任务是将用户的听歌信息收集起来，对用户进行听歌喜好分析，再通过推荐算法生成一个歌曲列表推荐给用户。个性化推荐系统中最为重要的是它的个性化推荐服务。基于大数据的个性化音乐推荐也是个性化推荐的其中一种，只是它获取用户行为因素的形式不一样。通过建立多种模型进行划分，多个模块进行嵌套分析，主要分为数据模块和推荐模块。对音乐的属性以及属性权重进行提取，再根据之前统计过的一个月内的用户听歌次数计算出用户的歌曲喜好特征以及权重，就可以对用户的偏好进行整合。
4. 基于用户位置的个性化音乐推荐系统设计。将移动位置以及处于该情景中用户的心情作为个性音乐推荐的考虑因素，为用户推荐更合适的音乐曲目是本方案的设计目标。基于移动位置的音乐推荐技术，将位置信息与音乐的推荐算法相结合，能够根据用户所处环境以及心情的不同，推荐最适宜的音乐。根据个性音乐推荐常用算法以及各种的要点、使用范围和优缺点，在用户的移动位置信息中，提取体现用户兴趣点的因素作为推荐算法的因子，进行基于移动位置的个性音乐推荐方案设计，包括所使用的算法、设计的流程以及存在的不足之处。在个性化音乐的筛选过程中，我们除了完善算法本身外，也需要朝着不同的方向去挖掘影响用户情绪的因素，比如时间、空间。为了让个性化更加的完善，我们要拓展我们的思维方式，不再局限于用户的主动行为中。
5. 基于双向情感分析的实时性音乐推荐系统设计。双向情感即音乐情感和社交情感，分别对应非实体音乐和实体音乐。改算法更针对对音乐情感的分类以及及时获取用户的心情状态，做到更为合适的音乐推荐。重点在于对音乐情感属性划分以及感知用户的社交网络情境，当然这同样需要更多用户社交细节的支持。实时音乐系统可以分为用户音乐情感分类、用户社交网络情感分析与推荐系统界面三个模块。其中,音乐情感和用户情感均分为四个维度,分别是喜悦、励志、躁动和悲伤。具体过程:首先获得用户的音乐曲目列表,计算所有歌曲在频域的梅尔倒谱系数,完成曲目的情感分类。这部分的计算是离线的,非实时感知的。此外,还需要使用网络爬虫实时抓取用户在社交网络或社交媒体上的文本信息,使用自然语言处理模块分析出用户每时每刻的情感,要求此部分必须是在线的,实时感知的。将用户的实时心情和对应的曲目相匹配,推荐出满足当前心情的歌曲,再整合到推荐系统界面,最终进行可视化展示和音乐播放。音乐感情的划分主要通过音乐数据预处理、人工标定音乐情感分类、划分训练集和测试、音乐特征提取、训练分类器、测试并评估分类结果几个步骤来完成，用户心情的检测则通过用户情感文本数据的收集和预处理、人工标定文本情感分类、构建训练和测试语料库、训练分类器、测试并评估分类结果几个步骤实现。此类算法必然是实时性最高的音乐推荐系统。
综上所属，音乐推荐早已不是陌生的概念，如今的音乐推荐正在不断的发展，用户的体验也变得越来越好，这些都离不开音乐推荐算法的完善。当今时代，信息数据已经在充斥这我们的生活，我们的生活全然离不开各种各样的信息，似乎想要为某一个用户推荐一首喜欢的歌曲不再是什么难事，但是从此次研究发现，信息虽然是庞大的，但用户的情绪更是多变的，之前曾列举过多重维度来划分用户的音乐体验，从而达到实事的抓去用户的情绪，这无不是在向我们证明着，想要获得一个用户的超高满意度，必然还是一个曲折的过程，在信息包围的时代里，它仍然是一个艰难的过程。但按照这些科学的算法来，我们将会更加接近用户的满意度，不断提高用户的体验。
