英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
使用内容和上下文信息挖掘的音乐推荐
为了提供适合听众和情境的音乐推荐，uMender可以挖掘情景信息和音乐内容，然后考虑相关的用户评分
智能手机等移动设备越来越流行，在不同环境下实时访问多媒体数据变得越来越容易。 通过适当配备的通信服务，用户可以轻松获得他们想要的广泛分布的视频，音乐和文档。由于其可用性和容量要求，音乐比其他类型的多媒体数据更受欢迎。 文档和视频很难在手机的小屏幕上查看，而视频的大数据量会导致检索的高额费用。 但是先进的音乐压缩技术可显着减少所需的存储空间，并使音乐数据的流通更加容易。 这意味着用户无需去音乐商店就可以直接从网络上捕捉自己喜欢的音乐。 因此，帮助用户在大型档案库中找到他们喜欢的音乐在过去几年已成为一个吸引人的但具有挑战性的问题。 传统音乐推荐人主要基于协同过滤（CF）。（有关此技术的更多信息，请参见“协同过滤的相关工作”。）
但它们的有效性受限于信息不足，包括稀疏的评级数据和缺乏情境信息。 稀疏评级数据在实际应用中频繁出现，并可能导致推荐列表失真。 另外，用户的偏好可以在不同的环境中变化，例如位置，时间，运动状态和温度。 例如，慢跑的人可能更喜欢古典音乐的嘻哈。 一项调查显示，活动（一种上下文信息）显着影响了聆听者的情绪.1这一发现提供了一个重要信息，即上下文信息是音乐推荐人在选择音乐以适应听众情绪时考虑的重要因素。
下一代手机可能会提供这样的上下文信息。因此，图1所示的无处不在的音乐推荐最近受到了相当的关注。在本文中，我们提出了无处不在的音乐推荐器（uMender），它通过挖掘音乐内容和上下文信息来解决音乐推荐问题。对于音乐内容，我们提出了一种两阶段聚类方法，用于识别每个音乐项目的感知模式，其中包括隐藏在音乐中的声学和时间特征。考虑到这种模式，我们可以更精确地捕捉用户对音乐项目的聆听兴趣。对于上下文信息，我们设计了一种新颖的解决方案来捕获用户在各种环境条件下的偏好。与传统方法中计算用户评分的相关系数不同，我们将用户在相似的情境条件下分组以找到隐含的，更适用的感知模式。通过对情景信息和音乐内容的综合挖掘，uMender图2显示了我们推荐的推荐人的主要想法。基本上，我们的系统将音乐项目表示为指示音乐项目签名的变换符号序列。在CF原则的基础上，uMender将用户分类到相似的环境中，这意味着对音乐有着相似的兴趣。然后，uMender识别符合用户的聆听兴趣和当前情境的相关音乐项目。 uMender是一个创新的推荐者，它整合了音乐内容挖掘和上下文信息过滤，以实现高质量的无处不在的音乐推荐。
图1，普遍的音乐推荐情景。 图2，普遍的音乐推荐者的主要思想。 uMender通过
从音乐内容和上下文信息中发现用户的聆听兴
趣来预测用户对音乐的偏好
框架：
如图3所示，uMender框架由两个阶段组成：离线预处理和在线预测。 在离线预处理过程中，系统根据用户的聆听兴趣挖掘感知模式，这有助于在上下文信息的基础上进行在线偏好预测。
图3，uMender的工作流程。 该系统在离线预处理阶段挖掘用户兴趣的感知模式，以便根据上下文信息进行在线偏好预测。
离线预处理：
这个阶段的重点是音乐预处理，其中包括特征提取，两阶段聚类和音乐符号化。 因为我们提出的预测是基于音乐特征的，所以这个阶段对在线预测很重要。 我们的系统首先从数据库中的音乐中提取音乐特征。 接下来，通过两阶段聚类，它将每个音乐项目转换为由一组感知模式组成的连续符号字符串（也称为感知模式字符串）。 提供适当的无处不在的音乐建议。
概念基础：
无处不在的音乐推荐的主要挑战是如何使用情景信息和音乐内容来有效发现用户的隐含兴趣。 为了应对这一挑战，我们根据可用的背景信息探索了采矿音乐的感知模式。
在线预测：
当活跃用户ui到达时，系统会搜索评分矩阵和上下文日志，以生成一个精致的子矩阵，代表最相关的用户和具有相似情境信息的音乐项目。 然后，它会逐个预测每个音乐项目的评分。 对于每个音乐项目，系统将一组连续的模式编码为以窗口旁边方式的片段。 根据从精制子矩阵的正和负集合中挖掘的匹配片段，系统可以使用基于模式的偏好预测来确定首选的音乐项目。 最后，系统生成推荐列表。
预处理阶段：
到目前为止，基于音乐特征的音乐推荐效果非常有限[2,3]。这是因为在将传统的低级特征转化为语义特征的过程中，用户的聆听兴趣模式可能会丢失，如节奏，音调，节奏，音色等。为了捕捉用户的聆听兴趣，我们提出了一种两阶段聚类方法，将音乐转换为一组连续的感知模式（图4）。感知模式就像一个音乐项目的基因，通过声音和时间特征来表示音乐的签名。实验评估结果显示了感知模式的稳健性。现在，我们展示如何从低级音乐特征中推导出感知模式。在聚类之前，我们从音乐中提取低级特征。对于MP3格式的音乐，我们在一秒内提取38帧，并在26 ms内通过576个修正离散余弦变换（MDCT）系数表示每帧。在我们的方法中，我们从576中选择36个重要系数来降低计算成本。第一个聚类阶段（基于帧的聚类）通过计算Pearson相关系数将相似的帧分组为一个聚类。也就是说，它将具有相似频谱的帧分组以表示声学特征。 基本上，基于帧的聚类是一种分层分裂策略。 我们的方法使用两个标准 - 比例和密度 - 作为分割每个叶节点的阈值。 比例表示集群中的总帧数; 密度表示集群确信半径中的帧数（可信半径指定集群质心周围的资格区域以验证密度的帧分布。）假设集群Cj由一组帧组成，并且c是Cj的质心，质心的表达式为：，当满足和时，
dist（f，c）（表示帧f和质心c之间的距离），如下所示：。
其中| MDCT | = 36，mff i和mfc i是帧f和质心c的第i个MDCT系数特征; mff和mfc是帧f和质心c的平均MDCT值。 对于每个叶子节点，如果比例低于预设阈值，或者密度高于预设阈值，则不分割节点。 最后，当每个节点停止分裂时，分割过程停止。 在基于帧的聚类结束时，音乐的MDCT值被转换成一组符号。 实际上，音乐的声学特性可以用基于相关系数的符号表示。 在基于帧的聚类之后，音乐流由一组顺序符号表示。 根据顺序符号，我们进入第二个聚类阶段，基于序列的聚类。 这个阶段考虑音乐的时间连续性。
为了捕捉两个音乐序列之间的时间关系，我们采用图5所示的序列比对作为执行基于分区的K均值算法的距离函数。我们建议的方法可以部署任何几种当代聚类方法，例如DBSCAN（基于密度的噪声应用空间聚类），CURE（使用代表进行聚类）或Birch（使用层次平衡的迭代减少和聚类）。在这篇文章中，我们采用了K-means作为我们的集群组件，因为它实现起来非常有效和简单。在预处理阶段，我们采用符号字符串中的九个顺序符号作为执行对齐的子序列。换句话说，帧频为9.最后，音乐可以被编码为四种感知模式，每个音乐串包含一组感知模式;例如，30秒的音乐串由120个感知模式组成。在基于序列的聚类之后，用于音乐的每个符号字符串可以被转换成一组连接感知模式。
在线预测：
在线预测包括从上下文信息和前一阶段生成的感知模式推断用户的音乐偏好。 一般而言，当活跃用户（ui）访问系统并激活推荐人时，此阶段开始。
首先，我们将涉及的用户项目矩阵MX定义为MXU→I [vn，m]，其中U是用户集合{u1，u2，...，un}，I是{itm1，itm2，...， itmm}，v是评分值。 例如，假设MXU→I [vn，m]包含一组用户{Alice，Andre，Ben，Eric，Juice，David}和一组项目{itm1，itm2，itm3，itm4，itm5}，并且 在三次推荐交易中，Alice对物品{itm1，itm3，itm5}进行评级。 她的评价值是v1,1 = 3，v1,3 = 3和v1,5 = 5，第一个元组的其他值是0.也就是说，用户项目矩阵的相关元组是{3， 0，3，0，5}。 为了预测，我们建议的推荐人逐一检查与ui有关的目标项目。
第1步：生成精制的子矩阵
这一步骤的目标（图6中的1-3行）是在类似的环境条件下，找到与用户界面最相关的用户和项目。 然后我们的推荐人将最相关的用户和项目存储在一个新的子矩阵中。 表1列出了收集的上下文信息的不同维度以及每个维度的相关可能值。 推荐者按维度进行迭代过程，以找到最相关的用户和项目。
上下文日志包含一组表示上下文条件集下项目上用户投票的上下文事务。我们定义一个日志事务为{用户名，HT，BT，AT，NV，HY，LT，M，T，S，{HT = 79，BT = 35.9，AT = 25.0，NV = 54，HY = 80，LT =黑暗，M =停止，T =下午，S =夏天，LN =卧室}。假设活跃用户的条件集为{HT = 88，BT = 36.4，AT = 33.0，NV = 50，HY = 20，LT = light，M = slow，T = morning，S = summer，LN = outdoor}。对于心跳维度（HT），{Alice，Andre，Ben，Eric，Juice，David}的相似集为{1,1,2,1,0,0}，其中0意味着无关紧要，其他数值意味着相关。类似地，LN，评级（I）}，其中评级（I）表示{itm1，itm2，...，itmm}的评级值集合。表2给出了包含13个上下文事务的示例上下文日志。在这种情况下，第一个事务表示Alice在上下文条件下赋予itm1等级为3，{itm1，itm2，itm3，itm4，itm5}的相似集为{1,1,1,2,0} H T。通过确定相似度集，按维度进行维度推荐，可以通过归一化分数统计出最相关的用户和项目。
第2步：生成正面和负面的偏好项目集
从生成的子矩阵中，推荐人可以获得正面和负面的项目集（图6中的4-11行）。 这里，如果推荐人的评分值为3至5，则推荐人认为该项目是肯定的。否则，它将该项目视为否定（不喜欢）。 除了子矩阵之外，还有其他有用的评级信息可供收集。 第一种类型是基于用户的评分信息，它指示不在子矩阵中但已由活动用户评分的项目。 第二种是基于项目的评分信息，表示目标项目的评分。 然后，我们分别从基于用户和基于项目的信息收集正面和负面项目集。 这些正面和负面的项目集为推荐者提供有用的偏好预测信息。
第3步。生成频繁的正面和负面片段
离线预处理阶段将音乐流转换为基于感知模式的字符串，我们可以将这些组合模式视为音乐基因。 因此，我们在这一步骤中的意图（图6中的12-13行;图7）是发现超过预设的最小频率的模式，在正负集合中。为了考虑连续连续性和模式的持续时间， 被称为滑动窗口（在图6中定义为winsize）的子序列沿着序列滑动以生成片段，每个片段由四个连续图案组成。 图7显示了挖掘频繁片段以代表活动用户潜在的积极和消极偏好的过程。
第4步：预测基于模式的偏好
包含频繁积极片段的项目可被视为潜在推荐。 但是，该项目也可能包含频繁的负片段。 确定该项目是否是用于ui的良好建议是一项具有挑战性的任务。 为了解决这个问题（图6中的14-32行），推荐人使用兴趣度量来判断项目目标的偏好程度：
其中ts是目标片段，P_degree和N_degree是片段的正负频率（出现次数）（通过计数来自正片和负片的片段的出现而获得），并且TFIDF表示片段ts的权重。 假设在I和tsisin;DS中存在一组不同的片段DS。当满足
和 时，我们为ts定义TFIDF为：。
事实上，关于模式可区分性，TFIDF有助于识别片段。 也就是说，如果TFIDFts很高，ts是对targetitm内容的很好描述。 关于频率逆文档频率（tf-idf）加权方案，我们可以将Interest作为根据正负频率之间的累积差异导出的加权度来查看。 在计算活跃用户未分级的目标项目的兴趣值之后，推荐者可以通过相关兴趣值对目标项目进行排名。 通过这种方式，即使在信息减少的情况下，我们提议的推荐人也可以有效地制作移动音乐推荐，就像面对新的项目或用户时一样。
协同过滤相关工作（CF）：
在音乐推荐领域，基于用户对每个音乐项目的评价，使用诸如协同过滤（CF）的传统方法来发现用户和音乐项目之间的关系。 （我们在本文中使用术语音乐项目来表示一首乐曲，例如歌曲。）有几种类似CF的推荐人。为了在用户的兴趣和音乐项目之间建立桥梁，基于模型的推荐人使用机器学习技术通过一组评分得分来表示用户偏好，并构建一个特殊的预测模型.1受基于模型的CF的驱动，过去的一些研究少数几年专注于建模行为的有效性。与基于模型的推荐人相比，基于记忆的推荐人使用大量明确的用户投票找到活跃用户的最近邻居。然后，他们汇总找到的邻居的评分，以预测活跃用户对相关项目的评分。除了这些基于CF的方法学，一些过去的研究已经开发出混合推荐器，它们结合了不同的CF算法以产生更好的推荐列表.5 Jun Wang，Arjen de Vries和Marcel Reinders收集了基于用户和基于项目的CF方法并表明混合方法优于个别方法.4 CF背后的主要思想是，通过具有类似评级行为的用户，可将书籍，音乐，电影等产品与偏好桥接起来。不幸的是，类似CF的推荐人信息不足，特别是缺乏背景信息。虽然一些当代情境感知推荐人试图通过对环境元数据的更多考虑来加强推荐，但他们仍然难以在不同情境条件下学习用户的偏好。
参考：
1. G. Adomavicius and E. Tuzhilin, “Toward the Next Generation of Recommender Systems: A Survey of the State-of-theArt and Possible Extensions,” IEEE Trans. Knowle
全文共6965字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[12927]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
