基于音乐类型分类和个性诊断的 移动混合音乐推荐系统.docVIP

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:2011年2月2日 ?施普林格科学+商业媒体公司2011 一个级联混合音乐推荐系统具体地说,系统是实现一个音乐分类和。移动用户能够通过简单地发送一个示例查询音乐文件 关键字：推荐系统．级联混合方法．个性诊断．移动服务 １简介 推荐系统被定义为这样一个系统，人们输入建议，系统提供合适的接受者。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,推荐系统搜索引擎和信息检索系统荐人结果,使用其嵌入式个性化机制来选择对象(项目),满足具体查询用户的需求。这意味着搜索引擎或一个信息检索系统试图 形式和返回一个相匹配的查询排序名单更复杂的搜索引擎如谷歌利用其他“权威性”标准,旨在为有用的结果,但不是一个性化的方式。 随着移动技术的快速发展，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合适音乐的系统。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，该系统能迅速反馈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:第二部分回顾之前的相关工作,第三我们已经开发出来系统。第四部分描述了推荐技术。第五部分评价结果最后,未来研究方向。 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的。 更具体的说，混合推荐系统可以分为以下几类： - 联合分离推荐； - 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分离的系统： 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 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项目上都更有效。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合适的项目。BurKe[5]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，