《音乐软件音乐推荐研究》

ADDINCNKISM.UserStyle音乐软件音乐推荐研究摘要：在大数据云计算等信息技术的飞速普及发展下，信息过载已经成为我们生活中不得不面对的问题。当用户无法从大量信息中明确搜集到自己的需求时，系统的推荐功能可以帮助用户快速识别到自己有用的信息，也可以为用户推动更多感兴趣的信息。在近些年我国音乐行业也不断发展，音乐用户不断扩大的同时，也面临着音乐歌曲的过载问题，因此我国不少音乐软件开始推出个性化推荐服务，为广大音乐客户推荐符合客户喜好的歌曲，这样的推荐功能不仅提高了音乐软件对客户的服务质量，也增加了音乐平台自身的用户积累与营收。因此本文对音乐软件音乐推荐进行研究。关键词：推荐系统；网络音乐；大数据1需求分析1.1用户体验度量标准相关分析用户体验是一个抽象术语，其概念为用户跟歌曲、设备或系统进行交互时相关的所有内容。互联网首次出现时，它是以数据为中心的，其功只包含有信息的传输，并且用户体验没有很多可供发展的空间。这样的状况字web2.0出现后有所改变，如今互联网已经逐渐成为以用户为中心、强化跟用户互动、重视用户体验的概念。在此阶段，大型互联网公司正在研究自己的衡量用户体验的标准。值得肯定的是，用户体验能够被进行量化，同时有许多可衡量的标准。如果企业要有效衡量任何歌曲的用户体验，就需要选择和使用正确的指标，并有效利用其显示的信息。但是，行业中没有永远统一的标准。用户体验应当紧密联系应用方案，并且必须根据不同的研究方案选择适当的评估标准。为了衡量互联网歌曲的用户体验，自然的优势是可以收集用户和网站之间的所有交互。用户体验研究人员可以通过分析用户行为并由此不断改进歌曲，来得出用户的真实意图并综合用户行为模式。要研究用户体验评估，第一步是了解用户体验的所有生成要素，即我们需要建立一个用户体验层次结构，该层次结构可以包括用户体验的所有元素，并明确显示这些元素之间的关系。LiotaRobertRubinoff于2004年提出了对歌曲用户体验模型的评估/衡量，在该模型单独发挥作用时，这些因素无法衡量歌曲的体验；但总体而言，这些因素是评估用户体验是否成功的重要标准。在评估并权衡了这四个歌曲因素之后，可以实现歌曲用户整体体验水平并作出相应的改进。1.2推荐系统对用户体验的影响在信息量的迅速增加的背景下，信息的爆炸将会造成用户被动地获取大量无用的信息，并且通过搜索引擎主动获取高质量的信息也将花费大量的时间或金钱。尤其是对于刚注册音乐平台的新用户，他们通常不知道如何从突然涌入的音乐歌曲中开始。推荐系统基于用户的历史记录来导出用户的偏好，组织符合其审美的音乐歌曲给用户，而不是让用户自己去搜集信息，这将极大地增加了用户对系统的忠实度。下面，我们从几个方面解释推荐系统对用户体验的影响。其一，推荐系统可以帮助用户做出决策，降低用户做出决策时所付出的成本，并提高用户决策的水平。基于收集的有关用户偏好的信息，推荐系统为用户提供了用户感兴趣的高质量信息的预期列表。推荐系统为用户实施了繁琐而繁琐的歌曲筛选过程，可以减少搜索信息的时间并专注于满足要求的选择。因此，与不使用推荐系统的用户相比，推荐系统的用户应仅面对少量信息选择。这尽可能地减少了用户搜集音乐歌曲所需的劳动，从而提高了用户在当前时间内的决策水平。其二，推荐系统可以提高用户的实际转化率，减少用户完成任务所需的时间。推荐系统发送给用户的信息是用户可能感兴趣的歌曲。与不使用推荐系统的音乐平台相比，用户可以花相同的时间体验到更多感兴趣的歌曲，这也使得用户在该音乐平台的使用体验大大提升，提高用户的忠实度。其三，推荐系统可以增加用户在音乐平台上花费的时间和对音乐平台的信任。为了尽可能降低用户因搜索混乱或不喜欢的歌曲引起的不愉快感觉，推荐系统可以充当用户音乐喜好的过滤器，用于捕获用户不感兴趣的歌曲并增加用户使用它的乐趣，从而改善用户使用感受。1.3推荐系统的用户体验标准1.3.1准确性推荐系统产生的结果跟用户偏好之间的相似性和准确性越高，该推荐服务带给用户的服务水平就越高。但是在现实中，如果音乐平台对准确性进行盲目渴望与追求也会导致推荐系统体验的整体下滑。这是由于用户在长久使用该音乐平台后，其选择歌曲的范围将受到限制。为了确保推荐的准确性，最安全的方法是向用户推送当下最受欢迎的歌曲，因为这些歌曲更容易被用户接受。但是，由该推荐产对于所有的用户来说体验不一定是好的。尽管音乐平台已经提高了推荐的准确性，可是由于用户可能很在别的平台已经提前知道这些流行歌曲，所以音乐平台最终传递给用户的音乐歌曲将大大减少。因此，流行推荐只能作为一种附加的推荐显示，结合用户的偏好做出个性化推荐，通过保证推荐结果的准确性可以保证带个更多音乐用户更好的推荐感受。1.3.2可解释性通知用户推荐音乐列表的来源也可以极大地改善用户体验大多数用户在该平台的服务感受。在实际推送的音乐名单中，建议推荐列表带有更多样的音乐元素。不同类型的音乐对来自不同推荐方法的推荐进行排序。表格的标题用于增加建议结果的解释性。与此同时，每个模块中元素的匹配程度也可以提高用户的满意度。2架构设计2.1音乐推荐架构设计2.1.1表示层表示层是直接面对音乐推荐系统的管理员和广大音乐用户的，并且负责查看音乐系统的前端页面。用户能够根据演示层与音乐推荐系统进行互动。音乐用户能够执行的动作主要包括查询有关音乐歌曲的基本信息以及为音乐评分或添加标签或删除标签。最近流行的音乐排名和面向音乐用户的个性化推荐音乐表单也会在演示级别向用户显示。表示层主要使用Html+Jsp+easyUI来实现相关的编码工作。2.1.2业务逻辑层业务逻辑层属于个性化音乐推荐系统中的Web后台服务层，其基本功能在于处理整个音乐推荐系统的事物，执行音乐信息管理，用户的个人信息管理以及生成适合用户个人喜好的个人推荐音乐资源列表的作用。2.1.3数据访问层音乐推荐系统中数据访问层的作用是帮助完成系统数据的存储和读取。数据访问层中涉及的最重要的数据包括基本用户信息数据等。数据存储包括将用户信息和音乐资源数据存储在数据库中。读取数据主要提供需要在企业级别进行类似处理的用户或音乐数据。数据访问层主要由Hibernate+MySQL完成。2.2音乐推荐系统模块设计音乐推荐可以实现面对各类用户相应地推送不同的音乐歌曲，并向他们显示推荐的音乐资源列表，以迎合他们的喜好。当用户登录音乐系统后，用户已经分配了音乐成品并选择了系统中的音乐资源，该操作数据将保存在数据文件中供用户设置，根据用户设置数据和特定的推荐算法来获得与用户的偏好匹配的音乐歌曲的推荐列表。用户设置的数据文件将根据用户的操作数据做出相应变化。2.2.1用户信息管理模块音乐推荐主要取决于所收集到的用户信息，因此用户信息管理模块是音乐推荐系统的关键环节。当音乐软件中有新用户注册账号时，系统都会更新用户的首选项数据文件，如图1所示，即用户的注册顺序图。在初测之初时，音乐软件系统就会要求新用户将填写个人信息和个人音乐偏好。然后，当用户登录时，系统就可以为用户自动推荐匹配用户审美的音乐歌曲。在用户不断使用音乐软件时，用户与音乐平台之间的互动将逐渐加深，系统将在注册表中存储有关用户行为的历史数据，以便可以对注册表中的行为历史数据进行相应的分析和处理，并更新用户信息文件。图1用户注册序列图2.2.2音乐资源信息管理模块音乐推荐系统的目的是向用户推荐音乐资源，以满足用户的兴趣和爱好。因此，有关音乐的相关信息与有关用户行为的信息相同，并且也是音乐和电视节目推荐中必不可少的部分。关于音乐歌曲的信息主要包括音乐的相关信息和音乐属性。同时，音乐歌曲数据也存储在数据库中。当新的音乐歌曲更新后，个性化音乐推荐系统会更新具有相似性的音乐。2.2.3数据分析模块数据分析模块主要分析注册表中的用户行为数据，处理和过滤有关用户行为的历史数据，提取有效信息并将其作为来自自定义推荐的输入数据存储在数据库中。用户兴趣首选项的更改反映在用户行为数据日志中，每次用户首选项更改时，系统都会通过分析用户的数据日志然后更新用户首选项信息文件来获取它们。数据分析模块的另一个功能是分析有关音乐属性的内容特征的信息。2.2.4个性化推荐模块音乐推荐系统中最关键和最基本的部分是个人推荐模块。由数据分析模块处理的关于用户行为和音乐歌曲的数据将用作输入格式推荐表的来源，因此将使用前面提出的增强算法进行推荐。先计算用户之间的相似度来选择用于音乐资源推荐的音乐集合，并在分析和计算候选池中的音乐资源的标签属性之后，定制出推荐结果的最终名单。最近添加的音乐，根据管理员输入的基本音乐信息来计算音乐与其他音乐之间的相似度，并使用基于资源的协作过滤算法直接推荐它。对于新用户，系统将强制用户进去选择他们喜欢的音乐流派，然后推送属于该流派或具有此标签功能的音乐。3数据收集与分析3.1数据收集在深度学习视觉领域中，如MNIST、COCO、CIFAR、ImageNet以及OpenImage等都是研究人员较为常用的数据集。这些公开数据集对促进相关领域的研究和发展起着至关重要的作用。然而，与有着大量公开可用的图像或文本不同的是，音乐检索或推荐领域一直缺乏大型成熟、完整且易用的基准数据集。这一定程度上限制了通常需要大量数据训练的深度神经网络等模型在该领域的研究与应用。图2目前常用的音乐公开数据集3.2数据分析通过自行收集了一个包含音频内容和用户历史行为的音乐数据库，并在此基础上进行数据预处理，最终得到了满足系统实验所需的数据集。下面对这个数据集的构造过程进行简单介绍。首先通过在线音乐服务提供网站随机下载600首歌曲到本地，并将其添加到酷狗音乐客户端本地资源库中，选择身边12位同学作为音乐用户，利用酷狗音乐播放器自带的歌曲播放记录功能，统计出上述所有用户在60天中对每首歌曲的播放次数。这样就形成了一个既包含用户-音乐播放次数，又包含音频文件本身的可用的数据库，然后再对用户播放数据以及音频文件进行相应的预处理。图3不同用户的音乐播放次数记录示例通过分解操作降低矩阵的维度，P是一个mk的矩阵，即所谓的用户偏好模型，代表着用户对音乐每个特征的兴趣度；QT是一个kn的矩阵，即所谓的音乐特征模型，其每一个列向量代表着每首音乐的特性，这也是我们接下来需要预测的内容。当分解维度为5时，正则化损失误差随迭代步数变化趋势如图所示。图4矩阵分解正则化误差变化趋势示意图4结论通过对音乐软件的音乐推荐研究，可以发现音乐软件利用了用户的标注数据和时间上下文对原始的用户行为数据模型进行补充，使建立的模型能更准确地贴合用户的实际喜好，而实际上还有很多的用户行为数据可以发掘，比如用户的浏览行为以及点击行为等等，也都在一定程度上体现了用户的喜好倾向。大数据技术的发展下，包括音乐在内的内容服务必然向着个性化和场景化的方向发展，在面对千变万化的用户需求时，如何切中痛点是题中要义。而在收集场景化和个性化数据方面，与新兴科技相比，传统的音乐App或许正日落下乘。参考文献[1]何珊,谭学清.音乐个性化推荐系统研究综述[J].数据分析与知识发现,2014,30(9).[2]李瑞敏.基于社会化网络的个性化音乐推荐算法研究[D].大连理工大学.[3]谭学清,何珊.音乐个性化推荐系统研究综述[J].现代图书情报技术,2014.[