基于多模态的音乐推荐系统-南京信息工程大学学报.PDFVIP

ＤＯＩ：１０．１３８７８／ ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０１９．０１．０１３ 龚志　 邵曦１ １ 基于多模态的音乐推荐系统 摘要 ０　 引言 使用传统协同过滤的方式进行推荐 往往会忽视音乐底层特征．通过将音乐 　 　 随着物质生活水平的不断提高，人们对文化产品尤其是高品质 的音频特征与歌词信息进行多模态融 音乐产品的需求日渐提高．借由互联网规模的扩大和数字存储技术的 合，并将融合后的特征信息作为协同过 滤推荐的补充，提出了一种基于多模态 进步，音乐产业不断发展，音乐数量也以几何级数激增．一方面，网络 的音乐推荐系统．主要探讨了音频特征 中海量音乐资源出现了信息过载现象，这些音乐通过自身携带的标 与歌词信息的提取，并在提取歌词信息 签（如演唱者、年代、音乐流派等）与其他音乐进行区分，但这种分类 时利用ＬＤＡ 主题模型进行特征降维．针 对多模态融合问题，使用一种特征级联 标准不统一且缺乏开放性；另一方面，用户被这些海量音乐所包围 早融合法（ＥＦＦＣ）融合方式，并将多模态 着，传统的检索方式无法满足用户需求，无法从中有效获取自己所需 融合后的结果与单模态结果进行了比 的音乐资源． 较．对于结果的推荐，以多模态特征信息 为依据建立用户兴趣模型，并将该模型 推荐系统作为一种“信息推送”模式，是解决信息过载问题的主 通过ＬＳＴＭ神经网络，以过滤与优化协同 要手段，它能够在分析预测用户需求的基础上主动推送其可能需要 推荐的用户组．结果表明，基于多模态的 但又无法获取的有用信息，并能够以用户为中心，通过研究用户行 音乐推荐系统将推荐结果的误差项平方 和（ＳＳＥ）由传统的２００９ 降至０３８８６，验 为、兴趣和环境等，为用户推荐更具针对性的信息，即实现信息的“按 证了该方法的有效性． ［１］ 需定制服务” ．然而，目前绝大部分已成熟商用的推荐系统都采用了 关键词 传统的基于协同过滤的推荐方式，该方法忽视了音乐内容本身，无法 音乐推荐；协同过滤；ＬＤＡ 主题模 型；多模态融合；ＬＳＴＭ神经网络 满足用户的实际需求．通过进一步研究发现，将融合音乐的音频特征 与歌词信息的多模态特征作为协同推荐方式的补充，可使音乐推荐 中图分类号 ＴＮ９１２ 的结果更加客观与准确．所以，本文提出了一种基于多模态的音乐推 文献标志码 Ａ 荐系统，在进行音乐推荐时使用音乐的多模态特征来提高协同推荐 的准确率． 多模态音乐推荐系统框架如图１所示． １　 协同过滤与用户兴趣模型 协同过滤技术是信息推荐系统中最为成功的技术之一，也是信 ［２］ 息推荐和信息服务领域的研究热点 ．该方法主要通过用户之间的相 收稿日期 ２０１８⁃０４⁃２７ 互协同来选择有价值的信息，比如利用用户之间对资源的评分进行 资助项目 国家自然科学基金 推荐，目前比较具有代表性的是基于用户的协同过滤推荐方法． 作者简介 基于用户的协同过滤推荐方法，首先计算出目标用户与其他用 龚志，男，硕士生，研究方向为多媒体信息 系统．７８３５８６２６４＠ｑｑ．