基于向量空间音乐推荐系统实现方法.pdfVIP

讲堂数据结构与算法之美文章详情

47|向量空间：如何实现一个简单的音乐推荐系统？

2019-01-14

47|向量空间：如何实现一个简单的音乐推荐系统？

朗读人：修阳08′23′′|7.69M

很多人都喜爱听歌，以前我们用MP3听歌，现在直接通过音乐App就能听歌。而且，各

种音乐App的功能越来越强大，不仅可以自己选歌听，还可以根据你听歌的口味偏好，给你推

荐可能会喜爱的音乐，而且有时候，推荐的音乐还非常适合你的口味，甚至会惊艳到你！如此智

能的一个功能，你知道它是怎么实现的吗？

算法解析

实际上，要解决这个问题，并不需要特别高深的理论。解决思路的思想非常简单、直白，用

两句话就能总结出来。

找到跟你口味偏好相似的用户，把他们爱听的歌曲推荐给你；

找出跟你喜爱的歌曲特征相似的歌曲，把这些歌曲推荐给你。

接下来，我就分别讲解一下这两种思路的具体实现方法。

1.基于相似用户做推荐

如何找到跟你口味偏好相似的用户呢？或者说如何定义口味偏好相似呢？实际上，思路也很简

单，我们把跟你听类似歌曲的人，看做口味相似的用户。你可以看我下面画的这个图。我

用“1”表示“喜爱”，用“0”笼统地表示“不意见”。从图中我们可以看出，你跟小明

共同喜爱的歌曲最多，有5首。于是，我们就可以说，小明跟你的口味非常相似。

我们只需要遍历所有的用户，对比每个用户跟你共同喜爱的歌曲个数，并且设置一个阈值，如果

你和某个用户共同喜爱的歌曲个数超过这个阈值，我们就把这个用户看作跟你口味相似的用户，

把这个用户喜爱但你还没听过的歌曲，推荐给你。

不过，刚刚的这个解决方案中有一个问题，我们如何知道用户喜爱哪首歌曲呢？也就是说，如何

定义用户对某首歌曲的喜爱程度呢？

实际上，我们可以通过用户的行为，来定义这个喜爱程度。我们给每个行为定义一个得分，得分

越高表示喜爱程度越高。

还是刚刚那个例子，我们如果把每个人对每首歌曲的喜爱程度表示出来，就是下面这个样子。图

中，某个人对某首歌曲是否喜爱，我们不再用“1”或者“0”来表示，而是对应一个具体的分

值。

有了这样一个用户对歌曲的喜爱程度的对应表，如何来判断两个用户是否口味相似呢？

显然，我们不能再像之前那样，采用简单的计数来统计两个用户之间的相似度。还记得我们之前

讲字符串相似度度量时，提到的编辑距离吗？这里的相似度度量，我们可以使用另外一个距离，

那就是欧几里得距离（Euclideandistance）。欧几里得距离是用来计算两个向量之间的距离

的。这个概念中有两个，向量和距离，我来给你解释一下。

一是一条线，我们用1，2，3……这样单个的数，来表示一中的某个位置；二维空

间是一个面，我们用（1，3）（4，2）（2，2）……这样的两个数，来表示二中的某个

位置；三是一个立体空间，我们用（1，3，5）（3，1，7）（2，4，3）……这样的三个

数，来表示三中的某个位置。一维、二维、三维应该都不难理解，那更高维中的某个位置

该如何表示呢？

类比一维、二维、三维的表示方法，K中的某个位置，我们可以写作（$X_{1}$，

$X_{2}$，$X_{3}$，…，$X_{K}$）。这种表示方法就是向量（vector）。我们知道，二维、三

中，两个位置之间有距离的概念，类比到高纬空间，同样也有距离的概念，这就是我们说

的两个向量之间的距离。

那如何计算两个向量之间的距离呢？我们还是可以类比到二维、三中距离的计算方法。通

过类比，我们就可以得到两个向量之间距离的计算。这个计算就是欧几里得距离的计算

：

我们把每个用户对所有歌曲的喜爱程度，都用一个向量表示。我们计算出两个向量之间的欧几里

得距离，作为两个用户的口味相似程度的度量。从图中的计算可以看出，小明与你的欧几里得距

离距离最小，也就是说，你俩在高