基于用户_Context_的音乐推荐.pdf

上传人:李主任 文档编号:3332922 上传时间:2019-08-13 格式:PDF 页数:20 大小:1.82MB
返回 下载 相关 举报
基于用户_Context_的音乐推荐.pdf_第1页
第1页 / 共20页
基于用户_Context_的音乐推荐.pdf_第2页
第2页 / 共20页
基于用户_Context_的音乐推荐.pdf_第3页
第3页 / 共20页
基于用户_Context_的音乐推荐.pdf_第4页
第4页 / 共20页
基于用户_Context_的音乐推荐.pdf_第5页
第5页 / 共20页
点击查看更多>>
资源描述

《基于用户_Context_的音乐推荐.pdf》由会员分享,可在线阅读,更多相关《基于用户_Context_的音乐推荐.pdf(20页珍藏版)》请在三一文库上搜索。

1、User Context Based Music Recommendation By C Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 数据分析结果 下载行为分析 用户总数:60099人 周期内下载总次数:353992次 周期内人均下载次数:5.9次 242, 0% 715, 1% 1084, 2% 3286, 5% 7009, 12% 47763, 80% 10050 3015 50 15次:92% 05次:80% 数据分析结果 分析分析总结总结 不活跃用户较多:试听10次以内用户占总数60% 用户下载次数少:

2、下载05次的用户约占总数80% 冷门歌曲多: 冷门歌曲约占周期内播放过歌曲的88% 引入用户“Context”,减少数据稀疏带来的影响 User-Based 协同过滤 效果差 Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 用户“Context”发现 “Context”定义 工作上班 休闲放松 旅途行程 健 身 运 动 伤心忧愁 Context = 爱好 + 环境 + 心情 + 事情 + 假设:歌曲的选择受“Context”影响 用户“Context”发现 利用“Context”做音乐推荐 对比 UserKNN Co

3、ntent-based BPRMF (Bayesian Personalized Ranking Matrix Factorization) 有较为显著的提升 用户“Context”发现 怎么发现“Context” 利用用户的歌单序列 依据:用户会用不同的歌曲制作不同的歌单表现不一样的“Context” 用户“Context”发现 怎么发现“Context” 分析用户听歌的序列,挖掘出隐藏在序列背后的听歌“Context” 歌曲序列表示“Context”? (1)歌曲多,组合多,计算量太大,频繁项集难以挖掘 (2)粒度太细,容易产生过拟合现象 (4)不能使“不同歌单表现同样的Context”

4、(3)不适用于冷启动问题 如何表示“Context” 不行 用户“Context”发现 有效地表示“Context” 利用标签发现歌曲“潜在类簇”,用类簇表示“Context” 依据如下: (1)标签反映用户对该歌的偏好 (2)基于标签得到的类簇表现歌曲之间隐藏的共性(也就是这些歌曲被不同 用户收听的共同原因) (3)类簇表示的行为序列可以从更高层(Abstract)的角度表示、发现和 解释用户的“Context”、“Context”的变化及其变化的原因 用户“Context”发现 怎么得到 “音乐类簇” 利用音乐基因(标签) 用户“Context”发现 怎么得到 “音乐类簇” 音乐基因结合L

5、DA( Latent Dirichlet Allocation ) 得到两个矩阵: T 1 T 2 T 3 Song 1 Song 2 Song 3 Tag 1 Tag 2 Tag 3 T 1 T 2 T 3 Song-Topic:每首歌中,不同的Topic(音乐类簇)在这首歌所占的比重 Topic-Tag:每个Tag在这个Topic所占的比重 用户“Context”发现 什么是“音乐类簇” Topic 用Tag表示的“音乐类簇” Topic 2:拉丁风 Topic 4:摇滚 。 用户“Context”发现 用Topic代替Song hu = suk1 , suk2 , suk3 , hu =

6、 , , , 用户“Context”发现 例子 利用频繁序列做预测,如以下用户: 用户“Context”发现 利用频繁序列做预测 得到的下一首歌曲的Topic集合及其得分: pu = , , Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 融合“Context”的推荐 结合协同过滤与“用户Context”的推荐 融合协同过滤与“用户Context”的推荐得分: predictionScore(,s) = (ContextScore(,s)+1) * (CFScore(s)+) (1)推荐总得分: (2)选择得分最高的s推荐 CFScore(s) = , , ContextScore(,s) = p T Ti s score(T Ti) T Ti pu / score(T Ti) T Ti pu Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 总结 口头总结

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 建筑/环境 > 装饰装潢


经营许可证编号:宁ICP备18001539号-1