音乐个性化推荐系统研究综述.PDF

数字图书馆 音乐个性化推荐系统研究综述 谭学清 何 珊 (武汉大学信息管理学院 武汉 430072) 摘要: 【目的 】对音乐推荐的研究概况进行调研和总结, 探讨其存在的问题, 提出相应的研究热点。【方法 】采 用文献分析法, 从推荐算法的角度简要介绍各个推荐策略, 着重根据音乐资源描述方式的不同对现有音乐推荐 的相关文献进行归类总结。【结果 】进一步提出运用粗糙集理论提取重要情境信息的方法, 将该类情境下的用户 偏好与协同过滤推荐技术相结合实现基于情境感知的音乐推荐的新思路。【结论 】现有研究中存在缺乏对用户 行为和需求的系统研究、特征提取低层次以及评测指标单一问题。未来可以从群体音乐推荐、本体建模、 移动环境下基于情境感知的音乐推荐等方面展开更深入的探讨。 关键词: 推荐系统 音乐推荐 元数据 粗糙集 情境感知 分类号: TP311 1 引 言 个性化推荐系统能够根据听众的个人爱好和所处情境 进行有效的反映与调整, 实现对听众不同需求的个性 随着移动网络和数字多媒体技术的飞速发展, 数 化推荐。因此, 音乐个性化推荐系统是比一般的推荐 字音乐已成为众多年轻人追捧的主流消费内容, 基于 系统更加复杂的系统, 其需要综合考虑用户的需求, 个性化的音乐推荐也随之成为推荐领域的一大研究热 结合多媒体领域的音频特征识别、语音处理等技术完 点。然而其产生的海量、庞大的异质音乐数据无疑超 成音乐特征的提取。以音乐推荐为研究对象是个性化 出了受众的基本需求和承受能力, 进而引发用户信息 推荐系统中一个特殊的领域, 具有较大的研究价值和 疲劳。因此, 如何借助音乐个性化推荐帮助用户在浩 实用意义。 瀚的音乐库中快速、准确地获取自己感兴趣的音乐曲 目变得越来越重要。 2 音乐个性化推荐系统 近年来, 音乐推荐技术受到了国内外学者的密切 关注, 产生许多研究成果, 也出现很多知名的个性化 音乐电台, 如国外的著名网站 Pandora 和 Last.fm, 国 内的 SongTaste 和豆瓣电台等, 但其推荐结果的准确 率和覆盖率都较低, 缺乏个性化, 往往并不能令用户 真正满意。同电影、阅读、图书等其他类型推荐内容 相比, 音乐推荐具有独有特性。如跟踪用户的偏好主 图1 音乐推荐系统的典型模型 要是通过隐式的方式进行获取; 推荐曲目可以无限循 音乐个性化推荐系统通常由用户偏好模型、音乐 环, 可只用于作为背景音乐; 播放歌曲类型与用户心 资源描述和推荐算法三个部分组成[1], 如图 1 所示。其 情有着很强的关联; 曲目列表播放具有很强的灵活性, 中, 音乐资源描述主要包括对音乐资源(歌曲、歌手、 可随机播放, 也可进行平滑切换等。这就要求音乐 专辑等)的组织和管理, 通过定义不同级别的复杂度和 收稿日期: 2014-03-05 收修改稿日期: 2014-05-27 22 现代图书情报技术 总第250 期 2014 年 第9 期 抽象程度来构建音乐特征数据库, 为音乐推荐模型提 有的独特性和复杂性主要体现在音乐资源描述模块 供有效的输入数据。因此, 音乐资源是形成音乐推荐 上, 其涉及到对音频文件的标注、终端用户的语义理 的基础和关键。Pachet[2]将音乐资源分为三类——声学 解以及对分割音频的声学描述符的使用等, 这种音乐 元数据(Acoustic Metadata) 、编辑元数据(Editorial 信息处理的特殊性对推荐系统提出了新的要求。因此, Metadata)和文化元数据(Cultural Me