基于多层注意力表示的音乐推荐模型

目前的音乐推荐方法只能挖掘用户与歌曲之间的一般性关系,无法区分不同用户对同一首歌曲的差异性偏好.为此,本文提出了基于多层注意力表示的音乐推荐模型,利用用户属性信息和歌曲内容信息从多维度学习歌曲表征,挖掘用户与歌曲之间的偏好关系.为了区分用户对歌曲多域特征的差异性偏好,设计了用户特征依赖的注意力网络;为了区分不同历史行为对用户偏好的差异性,挖掘用户行为的时序依赖关系,设计了歌曲依赖的注意力网络.最后,利用Softmax函数计算用户对候选歌曲的偏好分布并产生推荐.在30Music和MIGU数据集上的实验结果表明,相比目前的推荐模型,本文提出的模型在Recall和MRR均得到了显著提升.     

一种融合用户偏好和社交活跃度的推荐算法

为有效解决传统推荐算法精度低的问题,提出了一种融合用户偏好和社交活跃度的概率矩阵分解推荐算法(Probabilistic Matrix Factorization Recommendation Algorithm Combining User Prefer-ence and Social Activity,UPSA-PMF),通过用户评分数据计算用户间的偏好信任度时,使用了共同项目平衡因子和热门项目惩罚因子进行改进;计算社交网络中的信任度时,考虑了社交活跃度与用户信任度的关系,并将社交活跃度作为惩罚因子,修正用户信任度.将偏好信任度和社交网络中的信任度以动态组合的方式得到最终的信任度,将最终的信任度与概率矩阵模型相结合,实现推荐.实验证明,改进的算法均优于现有的推荐算法,有效提高了推荐质量.     

基于大数据的个性化音乐推荐系统

中国移动无线音乐作为无线电子商务领域中最成功的应用,已发展到一个较为成熟的阶段,但同时也面临着提升用户活性并进一步扩大音乐用户量的困难.基于大数据的个性化音乐推荐系统以进一步促进全网音乐业务发展为目标,通过对系统中所有的音乐物理文件和保存的海量用户行为记录进行分析,得出用户的兴趣偏好,向用户推荐个性化的音乐服务内容.     

融入词汇共现的社交网络用户情感Biterm主题模型

近年社交网络用户数量不断增加,基于文本的用户情感分析技术得到普遍关注和应用。但数据稀疏性、精度较低等问题往往会降低情感识别方法的精度和速度,提出了用户情感Biterm主题模型（US-BTM）,从特定场所的文本中发现用户偏好及情感倾向,有效利用Biterm进行主题建模,并使用聚合策略形成伪文档,为整个文本集创建词汇配对以解决数据稀疏性和短文本等问题。通过词汇共现算法对主题进行研究,推断文本集级别信息的主题,并通过分析特定场景下的评论文本集中的词汇配对集及其相应主题的情感,达到准确预测用户对特定场景的兴趣、偏好和情感的目的。结果证明,所提方法能准确地捕捉用户的情感倾向,正确地揭示用户偏好,可广泛应用于社交网络的内容描述、推荐及社交网络用户兴趣描述、语义分析等多个领域。     

基于置信用户偏好模型的电视推荐系统

基于用户偏好的电视节目个性化推荐是一种内容的推荐算法。其中用户偏好的不确定性和描述上的模糊性是用户模型建立的难点。在此首先通过对样本用户过往观看记录数据进行分析,发现用户偏好存在一定的时不变性。把偏好在一定时间内不发生变化的用户称作置信用户,在这个基础上,建立基于节目特征向量空间的用户偏好模型,并提出基于用户偏好度模型的推荐算法。该算法通过用户观看视频的历史记录得到用户的偏好模型,并基于该偏好模型向用户推荐节目。仿真实验证明了算法的收敛性和有效性。     

基于云计算平台的图书馆混合推荐技术研究

研究基于云计算平台的图书馆混合推荐技术,向不同类型用户精准推荐图书。构建以并行计算框架为计算前提的图书馆混合推荐系统。采用Flume采集图书馆用户日志信息和图书馆图书数据,将采集到的数据信息传输到Kafka消息中间件后,向集群中传入集群订阅的数据信息,集群在用户粘稠度较低时采用聚类算法聚类图书馆数据信息,获取聚类中心,依照聚类中心用户读书偏好向目标用户推荐图书。在用户粘稠度较高时,采用基于协同过滤的混合推荐算法分析目标用户阅读偏好,计算目标用户偏好和用户群中用户偏好相似程度,将偏好相似程度作为权值,组合多个权值产生预测评分,通过预测评分推荐图书。经过实验分析发现,该方法推荐精准性最高为99.72%,推荐查准率高于95%,响应时间不超过0.2 s,说明该方法能高效快速地向目标用户推荐图书。     

基于LDA主题模型的协同过滤推荐算法

传统的协同过滤推荐算法直接根据用户对物品的评分进行推荐,忽略了评论文本中隐含的重要信息,当用户对物品的评论较少时,由于数据的稀疏性会造成推荐效果的不准确和单一。本文提出了一种基于LDA主题模型的协同过滤推荐算法LDA-CF(Latent Dirichlet Allocation model-LDA-Collaborative Filtering),在传统的协同过滤算法基础上,通过LDA模型对评论文本中的主题进行分类,从各个主题层面挖掘用户的情感偏好,计算用户之间的相似度,进而向目标用户推荐商品。对京东平台牙膏的评论数据集的实验结果表明,该算法不仅可以缓解由于评分数据较少造成的稀疏性问题,推荐的精确度也有所提高。     

面向时序感知的多类别商品方面情感分析推荐模型

电子商务网站中的评论数据隐含着商品特征和用户情感,现有基于方面情感分析的推荐研究大多通过抽取同一类别商品评论数据中用户对商品不同方面的情感来捕捉用户方面偏好,忽略了不同类别商品有不同方面以及用户的方面偏好随时间变化的特点。对此,该文提出一种面向时序感知的多类别商品方面情感分析推荐模型,该模型对用户、商品类别、商品、商品方面、方面情感和时间统一建模,以发现用户对不同类别商品的方面偏好随时间变化的特点,并据此做出推荐。该模型能够推断用户在任意时间对商品的方面偏好,从而为用户提供可解释的推荐。两个真实数据集的实验结果表明,与其它基于时间或方面情感分析的推荐模型相比,该文提出的模型在top-N推荐准确率和召回率评价指标上均获得显著改善。     

基于概率图模型的音乐推荐方法

提出了一种基于概率图模型的音乐推荐方法。该方法利用歌曲相似度确定歌曲间的关系,从而建立歌曲网络,在此基础上利用主题模型得到的歌曲主题概率分布,建立包含局部属性（主题概率分布）和全局结构（歌曲网络）的概率图模型,转化为因子图后,再利用推理算法对概率图模型进行计算,最终获得歌曲在不同主题下的推荐列表。实验表明,本方法能够获得较好的推荐效果,是对音乐推荐方法的有益探索。     

基于用户相似度的协同过滤推荐算法简

协同过滤推荐算法通过研究用户的喜好,实现从海量数据资源中为用户推荐其感兴趣的内容,在电子商务中得到了广泛的应用。然而,当此类算法应用到社交网络时,传统的评价指标与相似度计算的重点发生了变化,从而出现推荐算法效率偏低,推荐准确度下降问题,导致社交网络中用户交友推荐满意度偏低。针对这一问题,引入用户相似度概念,定义社交网络中属性相似度,相似度构成与计算方法,提出一种改进的协同过滤推荐算法,并给出推荐质量与用户满意度评价方法。实验结果表明：改进算法能有效改善社交网络中的推荐准确性并提高推荐效率,全面提高用户满意度。     

SoLoMo在音乐领域的应用

音乐+社交的模式最近几个月在国外也涌现了一些发展良好的音乐社区,但音乐+SoLoMo的应用到目前为止还没有见到。中国电信爱音乐的"哎姆DJ音乐电台"(简称哎姆DJ)则是音乐+SoLoMo的创新应用。哎姆DJ支持Android、iOS(iPhone、iPod、iPad)和Web访问。除了常规在线电台的收听音乐功能,还可以与在线的听友留言聊天,还能获知听友与自己的距离;"音乐缘分"功能显示与你最有缘的听友……可以说哎姆DJ具备了完整的SoLoMo要素。本文结合国内外业界的最新发展情况,介绍了"哎姆DJ"的主要特点、关键技术和运营状况,并展望了SoLoMo在音乐领域的前景。     

File Format Design for Interactive Music Service

This letter describes a file format designed for interactive music service where users are able to recompose music based on their own preferences. The proposed design utilizes the flexible features of the ISO base media file format (ISO/IEC 14496‐12, ISO‐BMFF). The techniques offered in the proposed file format enable compact storage and efficient preset management, allowing users to recompose music with ease and convenience. Additionally, an implementation scheme for an interactive music player is shown along with its results.     

融合内容表示的度量排序学习推荐模型

融合内容语义信息的推荐模型可以有效缓解音乐推荐系统中的数据稀疏性和冷启动问题.然而,这些模型是通过最小化预测评分误差学习用户与音乐的全局关系,忽略了用户和音乐隐式特征的细粒度差异.此外,内容语义特征是以推荐任务无关的无监督学习方式提取的,从而导致不精确推荐.为此,本文提出了融合内容表示的度量排序学习推荐模型,该模型是以个性化排序最优化为目标的概率图模型,利用度量学习从全局和细粒度层面挖掘用户音乐偏好.为了解决冷启动推荐问题,本文建立了与推荐任务相关的监督学习策略训练内容语义特征提取模型.在KKBOX和MIGU数据集上的实验结果表明,提出的模型显著提升了冷启动音乐推荐的效果,在不同稀疏度数据集上的鲁棒性得到了显著增强.     

Positive and Negative Link Prediction Algorithm Based on Sentiment Analysis in Large Social Networks

Signed network analysis being one of the greatest disruptive innovations within the last decade has assembled a vast amount of attention of the citizenry. The positions of the users of the signed networks are used by several societies in the world to see the mentality of the users, the current movement of the grocery store and many more things. But even so, in that location is a latent potential of social nets. Ace of the facial expressions that, we were able to determine was about seeing the relationship between the users (i.e., especially, the negative (i.e., ?Ve) link in social networks) on the signed network using the stakes that the users work and the reaction of the other users towards it. The anticipation of a negative link (i.e., ?Ve) can be applied in the information security field, to observe the aberrations in the largest social networks and further discover the malicious nodes in the larger social network; say, if two nodes are doing things together even though in that respect is no intercourse between them. It can likewise be utilized in improving the recommendation system in social networks as if there is some probability between the two the nodes of being an enemy or disliking each other then we can slay them from each other’s recommendation list or could assign a lesser weight to them in a recommended technique. To accomplish all this relationship between the nodes we first need to determine whether the user is posting posts with positive emotion (like happy, excited, etc.) or negative emotion (like angry, sad, and so on), and then that we can further examine the learning ability of the user and utilize it to recommend the people who we have previously separated with the similar personality. For that we have applied the sentiment analysis in social networks, which splits up the users into five simple categories: Highly Positive (i.e., Highly +Ve), Positive (i.e., +Ve), Neutral, Negative (i.e., ?Ve) and Highly Negative (i.e., Highly ?Ve).     

异质社交网络中多通道特征融合的好友推荐模型

合理有效的好友推荐算法对于社交网络的发展和扩张有重大的意义。然而随着社交网络的复杂化和异质化,传统推荐系统中协同过滤推荐方法不能满足需求。针对异质社交网络中存在着大量的内容相关信息这一特点,根据好友推荐的需求,提出了多通道特征融合的好友推荐模型。该模型对用户相关的多维特征进行挖掘与利用,包括显性特征(如用户profile,用户tag,社交关系等)和隐性特征(如用户重要度,挖掘用户标注发现其领域兴趣等),并进一步将这些内容相关的多特征融合到协同排序算法中进行学习训练。实验结果表明,随着多个内容特征的逐步融合,算法的MAP值稳步提高,最终相对未融合的协同排序方法提高了12%,并在一定程度上的解决了冷启动问题,提高了好友推荐的多样性。     

音乐推荐技术的现状与发展

综述了音乐推荐的应用背景、起源和发展以及几种典型的方法,同时分析了当前推荐技术中存在的问题,提出了基于生理和心理状态输入的新的音乐推荐技术的发展方向。