《音樂軟件音樂推薦研究》

ADDINCNKISM.UserStyle音樂軟件音樂推薦研究摘要：在大數(shù)據(jù)云計算等信息技術(shù)的飛速普及發(fā)展下，信息過載已經(jīng)成為我們生活中不得不面對的問題。當(dāng)用戶無法從大量信息中明確搜集到自己的需求時，系統(tǒng)的推薦功能可以幫助用戶快速識別到自己有用的信息，也可以為用戶推動更多感興趣的信息。在近些年我國音樂行業(yè)也不斷發(fā)展，音樂用戶不斷擴(kuò)大的同時，也面臨著音樂歌曲的過載問題，因此我國不少音樂軟件開始推出個性化推薦服務(wù)，為廣大音樂客戶推薦符合客戶喜好的歌曲，這樣的推薦功能不僅提高了音樂軟件對客戶的服務(wù)質(zhì)量，也增加了音樂平臺自身的用戶積累與營收。因此本文對音樂軟件音樂推薦進(jìn)行研究。關(guān)鍵詞：推薦系統(tǒng)；網(wǎng)絡(luò)音樂；大數(shù)據(jù)1需求分析1.1用戶體驗度量標(biāo)準(zhǔn)相關(guān)分析用戶體驗是一個抽象術(shù)語，其概念為用戶跟歌曲、設(shè)備或系統(tǒng)進(jìn)行交互時相關(guān)的所有內(nèi)容?；ヂ?lián)網(wǎng)首次出現(xiàn)時，它是以數(shù)據(jù)為中心的，其功只包含有信息的傳輸，并且用戶體驗沒有很多可供發(fā)展的空間。這樣的狀況字web2.0出現(xiàn)后有所改變，如今互聯(lián)網(wǎng)已經(jīng)逐漸成為以用戶為中心、強化跟用戶互動、重視用戶體驗的概念。在此階段，大型互聯(lián)網(wǎng)公司正在研究自己的衡量用戶體驗的標(biāo)準(zhǔn)。值得肯定的是，用戶體驗?zāi)軌虮贿M(jìn)行量化，同時有許多可衡量的標(biāo)準(zhǔn)。如果企業(yè)要有效衡量任何歌曲的用戶體驗，就需要選擇和使用正確的指標(biāo)，并有效利用其顯示的信息。但是，行業(yè)中沒有永遠(yuǎn)統(tǒng)一的標(biāo)準(zhǔn)。用戶體驗應(yīng)當(dāng)緊密聯(lián)系應(yīng)用方案，并且必須根據(jù)不同的研究方案選擇適當(dāng)?shù)脑u估標(biāo)準(zhǔn)。為了衡量互聯(lián)網(wǎng)歌曲的用戶體驗，自然的優(yōu)勢是可以收集用戶和網(wǎng)站之間的所有交互。用戶體驗研究人員可以通過分析用戶行為并由此不斷改進(jìn)歌曲，來得出用戶的真實意圖并綜合用戶行為模式。要研究用戶體驗評估，第一步是了解用戶體驗的所有生成要素，即我們需要建立一個用戶體驗層次結(jié)構(gòu)，該層次結(jié)構(gòu)可以包括用戶體驗的所有元素，并明確顯示這些元素之間的關(guān)系。LiotaRobertRubinoff于2004年提出了對歌曲用戶體驗?zāi)Ｐ偷脑u估/衡量，在該模型單獨發(fā)揮作用時，這些因素?zé)o法衡量歌曲的體驗；但總體而言，這些因素是評估用戶體驗是否成功的重要標(biāo)準(zhǔn)。在評估并權(quán)衡了這四個歌曲因素之后，可以實現(xiàn)歌曲用戶整體體驗水平并作出相應(yīng)的改進(jìn)。1.2推薦系統(tǒng)對用戶體驗的影響在信息量的迅速增加的背景下，信息的爆炸將會造成用戶被動地獲取大量無用的信息，并且通過搜索引擎主動獲取高質(zhì)量的信息也將花費大量的時間或金錢。尤其是對于剛注冊音樂平臺的新用戶，他們通常不知道如何從突然涌入的音樂歌曲中開始。推薦系統(tǒng)基于用戶的歷史記錄來導(dǎo)出用戶的偏好，組織符合其審美的音樂歌曲給用戶，而不是讓用戶自己去搜集信息，這將極大地增加了用戶對系統(tǒng)的忠實度。下面，我們從幾個方面解釋推薦系統(tǒng)對用戶體驗的影響。其一，推薦系統(tǒng)可以幫助用戶做出決策，降低用戶做出決策時所付出的成本，并提高用戶決策的水平?；谑占挠嘘P(guān)用戶偏好的信息，推薦系統(tǒng)為用戶提供了用戶感興趣的高質(zhì)量信息的預(yù)期列表。推薦系統(tǒng)為用戶實施了繁瑣而繁瑣的歌曲篩選過程，可以減少搜索信息的時間并專注于滿足要求的選擇。因此，與不使用推薦系統(tǒng)的用戶相比，推薦系統(tǒng)的用戶應(yīng)僅面對少量信息選擇。這盡可能地減少了用戶搜集音樂歌曲所需的勞動，從而提高了用戶在當(dāng)前時間內(nèi)的決策水平。其二，推薦系統(tǒng)可以提高用戶的實際轉(zhuǎn)化率，減少用戶完成任務(wù)所需的時間。推薦系統(tǒng)發(fā)送給用戶的信息是用戶可能感興趣的歌曲。與不使用推薦系統(tǒng)的音樂平臺相比，用戶可以花相同的時間體驗到更多感興趣的歌曲，這也使得用戶在該音樂平臺的使用體驗大大提升，提高用戶的忠實度。其三，推薦系統(tǒng)可以增加用戶在音樂平臺上花費的時間和對音樂平臺的信任。為了盡可能降低用戶因搜索混亂或不喜歡的歌曲引起的不愉快感覺，推薦系統(tǒng)可以充當(dāng)用戶音樂喜好的過濾器，用于捕獲用戶不感興趣的歌曲并增加用戶使用它的樂趣，從而改善用戶使用感受。1.3推薦系統(tǒng)的用戶體驗標(biāo)準(zhǔn)1.3.1準(zhǔn)確性推薦系統(tǒng)產(chǎn)生的結(jié)果跟用戶偏好之間的相似性和準(zhǔn)確性越高，該推薦服務(wù)帶給用戶的服務(wù)水平就越高。但是在現(xiàn)實中，如果音樂平臺對準(zhǔn)確性進(jìn)行盲目渴望與追求也會導(dǎo)致推薦系統(tǒng)體驗的整體下滑。這是由于用戶在長久使用該音樂平臺后，其選擇歌曲的范圍將受到限制。為了確保推薦的準(zhǔn)確性，最安全的方法是向用戶推送當(dāng)下最受歡迎的歌曲，因為這些歌曲更容易被用戶接受。但是，由該推薦產(chǎn)對于所有的用戶來說體驗不一定是好的。盡管音樂平臺已經(jīng)提高了推薦的準(zhǔn)確性，可是由于用戶可能很在別的平臺已經(jīng)提前知道這些流行歌曲，所以音樂平臺最終傳遞給用戶的音樂歌曲將大大減少。因此，流行推薦只能作為一種附加的推薦顯示，結(jié)合用戶的偏好做出個性化推薦，通過保證推薦結(jié)果的準(zhǔn)確性可以保證帶個更多音樂用戶更好的推薦感受。1.3.2可解釋性通知用戶推薦音樂列表的來源也可以極大地改善用戶體驗大多數(shù)用戶在該平臺的服務(wù)感受。在實際推送的音樂名單中，建議推薦列表帶有更多樣的音樂元素。不同類型的音樂對來自不同推薦方法的推薦進(jìn)行排序。表格的標(biāo)題用于增加建議結(jié)果的解釋性。與此同時，每個模塊中元素的匹配程度也可以提高用戶的滿意度。2架構(gòu)設(shè)計2.1音樂推薦架構(gòu)設(shè)計2.1.1表示層表示層是直接面對音樂推薦系統(tǒng)的管理員和廣大音樂用戶的，并且負(fù)責(zé)查看音樂系統(tǒng)的前端頁面。用戶能夠根據(jù)演示層與音樂推薦系統(tǒng)進(jìn)行互動。音樂用戶能夠執(zhí)行的動作主要包括查詢有關(guān)音樂歌曲的基本信息以及為音樂評分或添加標(biāo)簽或刪除標(biāo)簽。最近流行的音樂排名和面向音樂用戶的個性化推薦音樂表單也會在演示級別向用戶顯示。表示層主要使用Html+Jsp+easyUI來實現(xiàn)相關(guān)的編碼工作。2.1.2業(yè)務(wù)邏輯層業(yè)務(wù)邏輯層屬于個性化音樂推薦系統(tǒng)中的Web后臺服務(wù)層，其基本功能在于處理整個音樂推薦系統(tǒng)的事物，執(zhí)行音樂信息管理，用戶的個人信息管理以及生成適合用戶個人喜好的個人推薦音樂資源列表的作用。2.1.3數(shù)據(jù)訪問層音樂推薦系統(tǒng)中數(shù)據(jù)訪問層的作用是幫助完成系統(tǒng)數(shù)據(jù)的存儲和讀取。數(shù)據(jù)訪問層中涉及的最重要的數(shù)據(jù)包括基本用戶信息數(shù)據(jù)等。數(shù)據(jù)存儲包括將用戶信息和音樂資源數(shù)據(jù)存儲在數(shù)據(jù)庫中。讀取數(shù)據(jù)主要提供需要在企業(yè)級別進(jìn)行類似處理的用戶或音樂數(shù)據(jù)。數(shù)據(jù)訪問層主要由Hibernate+MySQL完成。2.2音樂推薦系統(tǒng)模塊設(shè)計音樂推薦可以實現(xiàn)面對各類用戶相應(yīng)地推送不同的音樂歌曲，并向他們顯示推薦的音樂資源列表，以迎合他們的喜好。當(dāng)用戶登錄音樂系統(tǒng)后，用戶已經(jīng)分配了音樂成品并選擇了系統(tǒng)中的音樂資源，該操作數(shù)據(jù)將保存在數(shù)據(jù)文件中供用戶設(shè)置，根據(jù)用戶設(shè)置數(shù)據(jù)和特定的推薦算法來獲得與用戶的偏好匹配的音樂歌曲的推薦列表。用戶設(shè)置的數(shù)據(jù)文件將根據(jù)用戶的操作數(shù)據(jù)做出相應(yīng)變化。2.2.1用戶信息管理模塊音樂推薦主要取決于所收集到的用戶信息，因此用戶信息管理模塊是音樂推薦系統(tǒng)的關(guān)鍵環(huán)節(jié)。當(dāng)音樂軟件中有新用戶注冊賬號時，系統(tǒng)都會更新用戶的首選項數(shù)據(jù)文件，如圖1所示，即用戶的注冊順序圖。在初測之初時，音樂軟件系統(tǒng)就會要求新用戶將填寫個人信息和個人音樂偏好。然后，當(dāng)用戶登錄時，系統(tǒng)就可以為用戶自動推薦匹配用戶審美的音樂歌曲。在用戶不斷使用音樂軟件時，用戶與音樂平臺之間的互動將逐漸加深，系統(tǒng)將在注冊表中存儲有關(guān)用戶行為的歷史數(shù)據(jù)，以便可以對注冊表中的行為歷史數(shù)據(jù)進(jìn)行相應(yīng)的分析和處理，并更新用戶信息文件。圖1用戶注冊序列圖2.2.2音樂資源信息管理模塊音樂推薦系統(tǒng)的目的是向用戶推薦音樂資源，以滿足用戶的興趣和愛好。因此，有關(guān)音樂的相關(guān)信息與有關(guān)用戶行為的信息相同，并且也是音樂和電視節(jié)目推薦中必不可少的部分。關(guān)于音樂歌曲的信息主要包括音樂的相關(guān)信息和音樂屬性。同時，音樂歌曲數(shù)據(jù)也存儲在數(shù)據(jù)庫中。當(dāng)新的音樂歌曲更新后，個性化音樂推薦系統(tǒng)會更新具有相似性的音樂。2.2.3數(shù)據(jù)分析模塊數(shù)據(jù)分析模塊主要分析注冊表中的用戶行為數(shù)據(jù)，處理和過濾有關(guān)用戶行為的歷史數(shù)據(jù)，提取有效信息并將其作為來自自定義推薦的輸入數(shù)據(jù)存儲在數(shù)據(jù)庫中。用戶興趣首選項的更改反映在用戶行為數(shù)據(jù)日志中，每次用戶首選項更改時，系統(tǒng)都會通過分析用戶的數(shù)據(jù)日志然后更新用戶首選項信息文件來獲取它們。數(shù)據(jù)分析模塊的另一個功能是分析有關(guān)音樂屬性的內(nèi)容特征的信息。2.2.4個性化推薦模塊音樂推薦系統(tǒng)中最關(guān)鍵和最基本的部分是個人推薦模塊。由數(shù)據(jù)分析模塊處理的關(guān)于用戶行為和音樂歌曲的數(shù)據(jù)將用作輸入格式推薦表的來源，因此將使用前面提出的增強算法進(jìn)行推薦。先計算用戶之間的相似度來選擇用于音樂資源推薦的音樂集合，并在分析和計算候選池中的音樂資源的標(biāo)簽屬性之后，定制出推薦結(jié)果的最終名單。最近添加的音樂，根據(jù)管理員輸入的基本音樂信息來計算音樂與其他音樂之間的相似度，并使用基于資源的協(xié)作過濾算法直接推薦它。對于新用戶，系統(tǒng)將強制用戶進(jìn)去選擇他們喜歡的音樂流派，然后推送屬于該流派或具有此標(biāo)簽功能的音樂。3數(shù)據(jù)收集與分析3.1數(shù)據(jù)收集在深度學(xué)習(xí)視覺領(lǐng)域中，如MNIST、COCO、CIFAR、ImageNet以及OpenImage等都是研究人員較為常用的數(shù)據(jù)集。這些公開數(shù)據(jù)集對促進(jìn)相關(guān)領(lǐng)域的研究和發(fā)展起著至關(guān)重要的作用。然而，與有著大量公開可用的圖像或文本不同的是，音樂檢索或推薦領(lǐng)域一直缺乏大型成熟、完整且易用的基準(zhǔn)數(shù)據(jù)集。這一定程度上限制了通常需要大量數(shù)據(jù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)等模型在該領(lǐng)域的研究與應(yīng)用。圖2目前常用的音樂公開數(shù)據(jù)集3.2數(shù)據(jù)分析通過自行收集了一個包含音頻內(nèi)容和用戶歷史行為的音樂數(shù)據(jù)庫，并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)預(yù)處理，最終得到了滿足系統(tǒng)實驗所需的數(shù)據(jù)集。下面對這個數(shù)據(jù)集的構(gòu)造過程進(jìn)行簡單介紹。首先通過在線音樂服務(wù)提供網(wǎng)站隨機下載600首歌曲到本地，并將其添加到酷狗音樂客戶端本地資源庫中，選擇身邊12位同學(xué)作為音樂用戶，利用酷狗音樂播放器自帶的歌曲播放記錄功能，統(tǒng)計出上述所有用戶在60天中對每首歌曲的播放次數(shù)。這樣就形成了一個既包含用戶-音樂播放次數(shù)，又包含音頻文件本身的可用的數(shù)據(jù)庫，然后再對用戶播放數(shù)據(jù)以及音頻文件進(jìn)行相應(yīng)的預(yù)處理。圖3不同用戶的音樂播放次數(shù)記錄示例通過分解操作降低矩陣的維度，P是一個mk的矩陣，即所謂的用戶偏好模型，代表著用戶對音樂每個特征的興趣度；QT是一個kn的矩陣，即所謂的音樂特征模型，其每一個列向量代表著每首音樂的特性，這也是我們接下來需要預(yù)測的內(nèi)容。當(dāng)分解維度為5時，正則化損失誤差隨迭代步數(shù)變化趨勢如圖所示。圖4矩陣分解正則化誤差變化趨勢示意圖4結(jié)論通過對音樂軟件的音樂推薦研究，可以發(fā)現(xiàn)音樂軟件利用了用戶的標(biāo)注數(shù)據(jù)和時間上下文對原始的用戶行為數(shù)據(jù)模型進(jìn)行補充，使建立的模型能更準(zhǔn)確地貼合用戶的實際喜好，而實際上還有很多的用戶行為數(shù)據(jù)可以發(fā)掘，比如用戶的瀏覽行為以及點擊行為等等，也都在一定程度上體現(xiàn)了用戶的喜好傾向。大數(shù)據(jù)技術(shù)的發(fā)展下，包括音樂在內(nèi)的內(nèi)容服務(wù)必然向著個性化和場景化的方向發(fā)展，在面對千變?nèi)f化的用戶需求時，如何切中痛點是題中要義。而在收集場景化和個性化數(shù)據(jù)方面，與新興科技相比，傳統(tǒng)的音樂App或許正日落下乘。參考文獻(xiàn)[1]何珊,譚學(xué)清.音樂個性化推薦系統(tǒng)研究綜述[J].數(shù)據(jù)分析與知識發(fā)現(xiàn),2014,30(9).[2]李瑞敏.基于社會化網(wǎng)絡(luò)的個性化音樂推薦算法研究[D].大連理工大學(xué).[3]譚學(xué)清,何珊.音樂個性化推薦系統(tǒng)研究綜述[J].現(xiàn)代圖書情報技術(shù),2014.[