基于音乐类型分类和个性诊断的 移动混合音乐推荐系统

基于音乐类型分类和个性诊断的移动混合音乐推荐系统Aristomenis S. Lampropoulos · Paraskevi S. Lampropoulou ·George A. Tsihrintzis网上发表:2022年2月2日©施普林格科学+商业媒体公司2022摘要：为了运作成一个移动效劳工程，本文提出了一个级联混合音乐推荐系统。具体地说,该推荐系统是实现一个基于音乐类型分类和个性诊断推荐处理的集成固件。移动用户能够通过他/她的 简单地给系统发送一个例如查询音乐文件，在回应移动用户的查询时，系统推荐的音乐不仅属于同类音乐流派查询结果，同时作为考虑其他用户偏好和用户评级的一种尝试。推荐系统机制是依靠个性诊断协同过滤技术来实现的。与现有的协同过滤和基于内容的推荐技术相比。该系统应用最小绝对误差和顺序得分标准的系统,比拟结果充分展示出该系统具有较高的性能。关键字：推荐系统级联混合方法个性诊断移动效劳简介推荐系统被定义为这样一个系统，人们输入建议，系统提供适宜的接受者。今天，这个术语包括更广泛的含义，是指给用户提供个性化的推荐结果或帮助用户实现兴趣的程序或在有可能的最大空间上的有用对象。因为丰富的实际应用，推荐系统形成一个重要的研究领域。明显的，推荐系统功能类似于社交建议并且减少信息量，对用户没有兴趣并且没有用途。因此,可以考虑推荐系统作为类似于搜索引擎或信息检索系统。然而,推荐系统不同于搜索引擎和信息检索系统，不仅给推荐人查询结果,还使用其嵌入式个性化机制来选择对象(工程),满足具体查询用户的需求。因此，推荐系统不象搜索引擎和信息检索系统，它提供应用户的信息更适宜更有价值，防止用户淹没在大量需要浏览和检查的信息中。与搜索引擎和信息检索系统相比，推荐系统进行的事工程“匹配“。这意味着搜索引擎或一个信息检索系统试图形式和返回一个与检索工程相匹配的查询排序名单。动态相关性学习技术可以根据用户偏好给系统提供提炼查询结果的能力，因此，系统可以提供一个简单的推荐信息表。更复杂的搜索引擎如谷歌利用其他“权威性标准,旨在尽可能为用户提供有用的结果,但仍不是一种个性化的方式。推荐系统的研究结合了近期快速开展的移动技术，并且继续被 技术和移动网络技术的革新所推进。现代 依靠其内在能力提供多媒体效劳。内置了照相机、收音机、媒体播放器和其他生成和处理多媒体数据的模块。这些优势导致用户不仅把 当成根本通话工具，更把它视为娱乐和存储设备。除此之外，近几年一系列对 存储容量的限制也被排除。随着移动技术的快速开展，移动宽带用户创作音乐库文件已经实现。明显的，操纵大量数据越来越成为复杂耗时的过程，一致移动用户不能有效管理音乐文件资源。这个事实促成一个能推荐给其用户适宜音乐的系统。因此，期望一个给用户查询结果的推荐系统，并且能够尝试预测用户是否对推荐音乐有兴趣。具体地说，音乐推荐系统根据用户的相似之处尝试推荐给用户一些音乐文件，这样，用户的个性化也被嵌入到推荐系统之中。我们当前的工作重点是建设一个在拥有很少甚至没有用户偏好甚至没有用户偏好数据的情况下，能适应不断变化的用户偏好的推荐系统，该系统能迅速反应给用户所希望查询的结果。众所周知，协同过滤技术患有不协作、用户偏见、冷启动等问题，我们建立的是基于内容检索和个人偏好诊断的协作过滤系统。具体来说,本文的组织结构如下:第二局部回忆之前的相关工作,第三介绍我们已经开发出来系统。第四局部描述了后端整合到系统的推荐技术。第五局部对基于最小绝对错误和得分排序标准的评价结果的推荐技术的评估。最后,在第六局部，插入描绘了系统的未来研究方向。2 相关工作常规的推荐技术室系统过滤，具体的说，协同过滤技术就是在考虑其他人对局部音乐的排序等级而推荐给用户的一种技术。例如，有目标用户喜欢音乐A和B，现有一局部用户喜欢音乐A、B、C，音乐C可能将会被推荐给这个目标用户。换句话说，也就是推荐给目标用户的是消费偏好相似的其他一组用户的内容。由于其本身的特性,协同过滤已经普遍用于预测各种偏好问题,如网络新闻、电子商务、数字图书馆等。在文献中，协同过滤技术一再应用在移动环境中。例如，MobiTip就是利用协同过滤技术预测基于新的或用户提供更新的电影数据变化率。类似的，我们在8提到的，最早之一的音乐推荐系统就是用协同过滤技术。这个系统利用WEB过滤过的数据来支撑节目播放列表。所以被称作“基于系统过滤的推荐引擎。他们的系统产生的是基于用户播放列表内容的推荐。另一方面,基于内容的推荐系统是基于系统通过关联特征发现对象的兴趣。这些系统学习基于用户相关工程特征的兴趣文件。然后，推荐系统在没有匹配兴趣的情况下建立起来。为进一步改良推荐性能和消除每个独立推荐技术的缺点，考虑使用各种混合技术。一种混合的推荐方法是基于内容预测和系统过滤技术。基于内容的预测局部可以解决依靠相关性工程来预测不相关工程等级的稀疏矩阵和第一评估者问题。由于混合方法的性能通常依赖于精确的基于内容预测，支持向量机通常被应用到基于内容的预测任务中。更具体的说，混合推荐系统可以分为以下几类：- 联合别离推荐；- 增加基于内容特征协作模式；- 增加协作特征的内容模式；- 单一统一推荐模式。第一类混合推荐系统包括两个独立协作和基于内容的系统。有四种不同的方法结合两个别离的系统：加权混合方法： 输出(评级)获得个人推荐系统组合在一起以产生一个单一的最后的建议或者使用线性组合7或18投票方案P-Tango系统最初给两个推荐系统相等的权重，但逐渐地根据用户的评级来调整预测权重。系统保持两个过滤方法相互独立，保证发挥各自的优势。切换权重方法：系统在推荐技术之间进行切换，并且选择对当前状况推荐质量较好的推荐技术。该技术一个典型的例子是日学习推荐系统，它选择具有较高可信度的推荐子系统。这种方法的另外一个例子是在27提到的，它选择根据提供的推荐结果与用户评级一致性较高的基于内容或协同过滤技术。分区混合法：在这种方法中，结果从不同的推荐子系统同时给出。一个例子是在25提到的基于电视播出和用户偏好系统信息的文字描述。推荐系统在最后的推荐结果中同时给出这两种技术的推荐结果。梯度混合法： 在这种方法中，先用一种技术产生一个粗略的候选结果，再采用第二种技术对粗选结果进行精确选择。这种方法比加权混合方法的各种应用技术在所有预测工程上都更有效。因为第一级过滤已把候选项进行了过滤，所以这种混合方法计算任务更小。然而，这种方法对于低优先级推荐时对无用数据具有更高的兼容性。换句话说，这种梯度混合方法可以分析两个梯度。第一级基于内容的方法或基于协同知识选择中间推荐结果。然后，第二级基于内容协同或基于知识协同方法从第一级推荐结果中选择更适宜的工程。BurKe5开发了一个叫做EntreeC.的酒店推荐系统。这个系统首先用基于知识的方法选择客户的用餐偏好，在基于知识的方法中，创作者根据事先定义好的描述酒店特征的属性构造特征向量。这种方法与基于内容的方法相似，然而，我们必须注意是在基于知识的属于已被使用并且元数据是独立于内容的。这些酒店用协同方法进行等级排序。除前面提到的方法之外，最近的推荐系统包括下面方法：在9里，作者提出了一个上下文感知的音乐推荐系统，该系统是就内容检索，音乐本体和领域专用术语诸如精神和心里情景。创立了情绪状态转换模型(ESTM),来描绘复杂的人类情感并且能够把用户的心里情景和喜好用COMUS来评估。音乐推荐系统基于当前的、用户想要的、ESTM已经完成低等级特征算法分类。ALBANESE ET AL.2,提出了另外一种方法，该方法融合了隐藏在使用日志中的低等级特征的信息使用模式和用于预测用户行为的语义描述符来提供有效的推荐信息。在这个推荐系统中，作者介绍了多通道浏览器和多通道对象来模拟用户并发浏览多类型对象。在系统原型上进行了广泛的试验，得到了良好的试验结果。在10里，创立者提出了一个基于用户上下文的框架来为周围媒体效劳。拟议的框架包含了动态确定上下文并提供媒体用户需求。该框架能随着时间的变化适应媒体效劳，并且能根据环境灵活的更新用户喜好。3 推荐系统综述我们的推荐系统是一个固件系统。具体地说，我们的系统允许移动用户通过他/她的移动终端发送实例音乐到音乐库查询和与需求音乐相似的音乐文件名进行查询。在前述的预备工作中13-15,开发系统的动机是减少现有移动音乐推荐系统的局限性。具体的说，我们的系统是不需要操作的系统，并且不需要应用程序接口或特别的客户端安装。该系统使用支持所有 的推送技术。推送就是在不需要用户明确需求的情况下给移动用户发送一条信息。信息发送可能是人到人或应用到人甚至应用到应用。一些推送应用的例子包括预警信息、股票行情和每日星座。在这几种情况中，有用户定制效劳和根据用户喜好推送的预警信息。在WAP推送中，允许推送发起者传送推送内容并且传递指令到推送网关，然后推送网关根据传送指令推送内容到WAP客户端诸如“客户或“终端。典型的是推送发起者是运行在WEB效劳器中的应用程序。它与推送网关通过推送接受协议进行通信。推送网关通过空中接口协议传送推送内容到客户。前段推荐水平依靠开放资源技术和仿真模型工具。编程使用JAVA语言。一些完成前段运行水平的效劳已经实现。我们使用开放资源软件WAP Push SDKV2.0版本来实现推送协议。推送代理网关已经使用开放资源软件Kannel.Kannel是开服昂资源WAP网关。最后，对形同运行说明和评估，我们使用Developer Platform 2.0 SDK-Nokia 6230平台版本。它是Nokia Developer Platform 2.0SDK 仿真标准。SDK提供媒体内容和J2ME平台应用的环境。另外，虽然推荐系统算法是基于先进的久经考验的辨识/机器学习技术，推荐系统程序与用户交互非常简单，不需要用户有先进的技巧。确实，用户通过多媒体终端发起的效劳，包含用户通过音频文件发起推荐处理程序。推荐处理过程有两步组成。第一步，处理程序区分用户提交的音乐文件流派，然后第二步推荐系统按照以下程序进行。协同过滤技术应用把选择的歌曲文件排列在较高的等级序列。推荐结果的内容传送格式不需要呈现给用户，因为这样将引起用户不必要的高消费。推荐系统反应给用户简单的推送信息来代替。每一个推送消息与推荐音乐文件列表进行连接。然后，用户可以选择推荐音乐文件或者通过提供排序等价更新系统提供的推荐列表。随后，系统根据用户排序等级更新推荐列表。推送技术允许系统在没有用户发送信息的情况下更新推荐文件列表。连接都有命名，一边用户根据连接名称选择是否从WEB效劳器下载这些音乐文件到他的 。现实中，通信系统是一个前段到后端的多层级体系结构。前段包括实现用户通信的模块，移动网，应用程序。后端是指实现推荐机制的模块。本文设计的推荐系统允许音乐数据库是分布式的并且和后端代理网关，推送发起者，前段无线接入协议效劳器相别离。4基于音乐类型分类和个性诊断的混合音乐推荐方案如上一节所述，用于方案实现的后端包含所有模块。具体而言，我们中间件系统后端包含两个方面。第一，采用径向基函数神经网络支持向量机分类器，从而增强内容信息，以便于在音乐类型分类系统查询支持的音乐文件。第二，利用现有特定用户或其他用户的评级以提供个性化的方案。本推荐机制的目的在于返回音频/音乐搜索结果，而不仅仅是查询同类型的音频/音乐和内容相似的文件。但也考虑到用户喜好的每一个音乐文件的评级。如图1具体步骤如下：1. 用户通过提交询问目的音乐进行初始查询，特征提取器提取对应30个音频详情的一组值。2. 第一，分类标识查询音乐文件的类型。第二，推荐程序将根据用户喜好返回歌曲。更确切的说，一级分类器识别音乐查询文件类