CN110297939A - 一种融合用户行为和文化元数据的音乐个性化*** - Google Patents
一种融合用户行为和文化元数据的音乐个性化*** Download PDFInfo
- Publication number
- CN110297939A CN110297939A CN201910540276.1A CN201910540276A CN110297939A CN 110297939 A CN110297939 A CN 110297939A CN 201910540276 A CN201910540276 A CN 201910540276A CN 110297939 A CN110297939 A CN 110297939A
- Authority
- CN
- China
- Prior art keywords
- user
- song
- music
- singer
- songs
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 235000019640 taste Nutrition 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000000034 method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 230000011273 social behavior Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000270322 Lepidosauria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
- G06F16/635—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/68—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/686—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, title or artist information, time, location or usage information, user ratings
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的目的在于提供一种融合用户行为和文化元数据的音乐个性化***,包括用户行为聚类模块、文化元数据聚类模块、音乐个性化推荐模块和音乐推荐修正模块。本发明的有益效果是本发明***能够充分尊重用户个性化的音乐喜好,能够从用户角度出发来融合音乐的文化元数据特征,从多样性,准确性以及惊喜度等几个角度帮助用户发现音乐云平台海量资源中的更多优质音乐元素,让用户能够在其中逛起来、听起来,在提升用户满意度的同时不断提升音乐云平台中音乐资源的利用率。
Description
技术领域
本发明属于音乐技术领域,涉及一种融合用户行为和文化元数据的音乐个性化***。
背景技术
随着信息技术和移动终端的不断发展应用,信息过载问题越来越受到关注。单就歌曲而言,音乐作品库形成了海量的音乐信息库。对于音乐爱好者,如何从海量的音乐信息库中方便、快捷的找到自己感兴趣的音乐变得越来越困难;同时对于音乐的创作者,如何让自己创作的音乐能够从海量的音乐库中脱颖而出,被人们快速的获取,也是一件和困难的事情。针对这一问题,音乐个性化推荐***应运而生,个性化音乐推荐***通过向人们提供具有针对性的音乐作品,从而能够缓解信息过载问题。从一开始的被动等待音乐爱好者搜索变为主动根据音乐爱好者的需求,个性化音乐推荐***得到人们的重视。要实现精准的个性化推荐***,就要综合考虑用户的需求和歌曲之间的相关性,实现精准音乐推送。音乐作为人们表达感情的媒介,本身带有极强的人类的情感,所以就要综合考虑音乐的元数据,包括歌曲的风格、歌曲的评论、标签等信息,这样在进行音乐推送的时候,就可以根据这些信息结合用户的行为精准推送。现有的音乐推荐***存在冷启动问题、数据稀疏,音乐推荐的准确率低,缺乏个性化。本发明综合考虑用户的行为和用户所处的环境,充分尊重用户的喜好和个性化需求,能够及时有效的为用户推荐适合其所处环境特征的个性化音乐,具有情景感知功能。
发明内容
本发明的目的在于提供一种融合用户行为和文化元数据的音乐个性化***,本发明的有益效果是本发明***能够充分尊重用户个性化的音乐喜好,能够从用户角度出发来融合音乐的文化元数据特征。从多样性、准确性以及惊喜度等几个角度帮助用户发现音乐云平台海量资源中的更多优质音乐元素,让用户能够在其中逛起来、听起来,在提升用户满意度的同时不断提升音乐云平台中音乐资源的利用率。
本发明所采用的技术方案是包括用户行为聚类模块、文化元数据聚类模块、音乐个性化推荐模块和音乐推荐修正模块。
进一步,用户行为聚类模块包括
(1)、用户的歌手喜好度SPD:
SPD用来描述用户对歌手的兴趣程度,如果用户对某个歌手特别喜欢,是某个歌手的歌曲追求者,那么用户就很可能对这个歌手的所有歌曲都会感兴趣,那么,就可以形成一个单独的歌手表单,针对特殊的用户对歌曲的划分,算出不同的用户对不同的歌曲的喜好度SPD(p,q),计算公式如下所示:
其中SPD(p,q)表示某个用户p对歌手q的喜好度,sumSongCount(p)表示用户关注的所有歌曲列表,即采集的用户的所有歌曲信息数据,songCount(p,q)表示用户关注的所有歌曲中含有歌手q的歌曲数量,这样就可以定义用户对特定歌手的喜好度SPD;
(2)、用户对音乐语言的喜好度SLP:
其中SLP(p,q)代表用户p对歌曲语言q的音乐喜好度,songLan(p,q)表示用户歌曲列表中,属于语言q的歌曲数目;
(3)、用户对音乐标签喜好度SLD:
其中,SLD(p,q)是用户p对歌曲特征q的音乐喜好度,songLab(p,q)是表示用户p对歌曲标签中属于q的标签总数,sumLabCount(p)是用户对所有歌曲的标签总数。
进一步,文化元数据聚类模块是音乐的文化元数据是许多基于标签的音乐个性化推荐***的数据基础,利用用户提供的标签对歌手之间的关联性进行分析,通过采集用户在音乐平台上发表的歌曲评论信息采用深度学习聚类算法对歌曲进行聚类,将相似的歌曲聚类到一个模块下,充分利用用户的社交行为。跟踪用户在社交网络上的活动可以更好地获取用户的需求,推测用户的偏好,单个用户描述文件通过考虑用户与网络社区好友的互动得到扩展。
进一步,音乐个性化推荐模块利用改进的音乐个性化推荐协同过滤算法,进行个性化推荐,根据用户对歌曲的下载、收藏、播放次数、分享行为构建一个评分矩阵,通过这个矩阵计算出用户的最近邻,实现对用户的歌曲推荐:
(1)构建歌曲评分矩阵
通过用户对歌曲的操作对歌曲进行评分,将这些指标的数值,填入到需要构建的评分矩阵之中,通过这个矩阵可以计算用户之间的最近邻;
(2)计算用户之间的相似度
采用改进的余弦相似度量方法,计算出要推荐的用户和其他用户之间的相似度,定义用户U1和U2对于同一首歌曲的操作用Iij表示,Ii和Ij分表表示用户U1和U2对各自歌曲的操作,通过如下公式来计算用户U1和U2之间的相似度:
(3)生成歌曲推荐结果
通过计算相似度,得到拟推荐的用户的近邻空间里相似用户的歌曲,应用预测评分的公式,计算出拟推荐用户对于歌曲的评分,再从歌曲列表中选择评分分数比较高的歌曲推荐给用户,预测评分计算公式:
其中,用户的最相似的近邻集合用NBSu来表示。
进一步,音乐推荐修正模块通过个性化推荐的评价体系对已经形成的个性化推荐用户进行修正,不断地改进,在评价指标中,推荐的准确性用来度量个性化推荐***或推荐算法预测用户行为的能力,是最为普遍和最为基本的评价指标,采用绝对误差MAE和均方误差RMSE进行测度,计算方法如下:
其中,Ri,j为用户i对于歌曲j的实际需求,为推荐***为用户i推荐j的需求预测,N是预测数量的值。
附图说明
图1为本发明的融合用户行为和文化元数据的音乐个性化推荐***总体框架图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
图1为融合用户行为和文化元数据的音乐个性化***框架图。本发明***包括用户行为聚类模块、文化元数据聚类模块、音乐个性化推荐模块和音乐推荐修正模块。
1、用户行为聚类模块:用户是实现个性化推荐的重点,只有将用户的喜好和需求把握才能更好的对用户实现精准化音乐推送。本发明利用爬虫工具,从音乐云平台上爬取用户自己设置和收藏的歌单,并将用户对歌曲的操作记录下来,建立用户偏好向量模型,定义如下概念。
(1)、用户的歌手喜好度SPD(Singer Preference Degree)
SPD用来描述用户对歌手的兴趣程度。如果用户对某个歌手特别喜欢,是某个歌手的“歌曲追求者”,那么用户就很可能对这个歌手的所有歌曲都会感兴趣。那么,就可以形成一个单独的歌手表单,针对特殊的用户对歌曲的划分,算出不同的用户对不同的歌曲的喜好度SPD(p,q)。计算公式如下所示:
其中SPD(p,q)表示某个用户p对歌手q的喜好度,sumSongCount(p)表示用户关注的所有歌曲列表,即采集的用户的所有歌曲信息数据。songCount(p,q)表示用户关注的所有歌曲中含有歌手q的歌曲数量,这样就可以定义用户对特定歌手的喜好度SPD。
(2)、用户对音乐语言的喜好度SLP(Song Language Preference)
通过对大量用户的音乐歌单的分析,我们发现有的用户对于英文歌曲比较喜好,专门的为英文歌曲建立一个歌单,同时也有的用户不喜欢英文歌曲,而喜欢中文歌曲。根据这一情况,我们根据音乐云平台中的中文、英文、欧美、日韩四种歌曲的分类,计算用户的喜好度SLP。
其中SLP(p,q)代表用户p对歌曲语言q的音乐喜好度。songLan(p,q)表示用户歌曲列表中,属于语言q的歌曲数目,可以按照这个公式得到用户对音乐语言的喜好度。
(3)、用户对音乐标签喜好度SLD(Singer Label Degree)
对于固定的歌曲而言,我们不能对歌曲的信息进行改变,但是我们可以通过用户对歌曲的偏好程度来计算出这首歌曲的相关信息。对于歌曲来说,其本身的内在特征是改变不了的,是由用户的关注行为来决定。不同的用户对于同一首歌也会有不同的标签。因此,可以根据用户对歌曲的标注信息来得到用户对不同的歌曲的喜好度。
因此可以建立,基于用户对歌曲标签的喜好度SLD。
其中,SLD(p,q)是用户p对歌曲特征q的音乐喜好度,songLab(p,q)是表示用户p对歌曲标签中属于q的标签总数,sumLabCount(p)是用户对所有歌曲的标签总数。
可以根据用户对歌曲的喜好程度,建立一个兴趣表,以歌曲的情感特征来表示用户的情感特征兴趣表,表1为用户情感特征兴趣表。
表1
2、文化元数据聚类模块:
音乐的文化元数据是许多基于标签的音乐个性化推荐***的数据基础,利用用户提供的标签对歌手之间的关联性进行分析。现在的人们本身就自带社交属性,通过采集用户在音乐平台上发表的歌曲评论信息对歌曲进行聚类,将相似的歌曲聚类到一个模块下。充分利用用户的社交行为。跟踪用户在社交网络上的活动可以更好地获取用户的需求,推测用户的偏好。单个用户描述文件(User Profiles)可以通过考虑用户与网络社区好友的互动得到扩展,如好友之间的音乐推荐、分享或收藏等。
3、音乐个性化推荐模块:
利用改进的音乐个性化推荐协同过滤算法,进行个性化推荐。首先根据用户对歌曲的下载、收藏、播放次数、分享行为构建一个评分矩阵,通过这个矩阵可以计算出用户的最近邻,实现对用户的歌曲推荐。
(1)构建歌曲评分矩阵
通过用户对歌曲的操作,比如歌曲的下载次数、播放次数、收藏四叔和评论次数等用户的操作,对歌曲进行评分,将这些指标的数值,填入到需要构建的评分矩阵之中,通过这个矩阵可以计算用户之间的最近邻。
(2)计算用户之间的相似度
本发明采用改进的余弦相似度量方法,计算出我们要推荐的用户和其他用户之间的相似度。定义用户U1和U2对于同一首歌曲的操作用Iij表示,Ii和Ij分表表示用户U1和U2对各自歌曲的操作,那么可以通过如下公式来计算用户U1和U2之间的相似度。
(3)生成歌曲推荐结果
通过计算相似度,我们可以得到拟推荐的用户的近邻空间里相似用户的歌曲,可以应用预测评分的公式,计算出拟推荐用户对于歌曲的评分,再从歌曲列表中选择评分分数比较高的歌曲推荐给用户。预测评分计算公式:
其中,用户的最相似的近邻集合用NBSu来表示。
4、音乐推荐修正模块:
通过个性化推荐的评价体系对已经形成的个性化推荐用户进行修正,不断地改进。
评价指标评定推荐的效果,评价指标只是一种评价推荐***的一种方式,最终用户才是推荐***的使用者,仅仅站在评价指标的角度上来评定一个推荐***的好坏是没有意义的,但是我们可以通过评价指标来初步评定一个推荐***的好坏,为了形成更高的推荐***做出努力。
在评价指标中,推荐的准确性用来度量个性化推荐***或推荐算法预测用户行为的能力,是最为普遍和最为基本的评价指标。采用绝对误差MAE和均方误差RMSE进行测度,计算方法如下:
其中,Ri,j为用户i对于歌曲j的实际需求,为推荐***为用户i推荐j的需求预测,N是预测数量的值。与MAE相比,RMSE使用平方根惩罚,能够得到更为严谨和准确地结果。MAE和RMSE越低说明***预测精度越高。在实际使用中,因为用户对于项目的认知能力有限,所以N往往限定为某一个特定的整数。
以上所述仅是对本发明的较佳实施方式而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施方式所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (5)
1.一种融合用户行为和文化元数据的音乐个性化***,其特征在于:包括用户行为聚类模块、文化元数据聚类模块、音乐个性化推荐模块和音乐推荐修正模块。
2.按照权利要求1所述一种融合用户行为和文化元数据的音乐个性化***,其特征在于:所述用户行为聚类模块包括
(1)、用户的歌手喜好度SPD:
SPD用来描述用户对歌手的兴趣程度,如果用户对某个歌手特别喜欢,是某个歌手的歌曲追求者,那么用户就很可能对这个歌手的所有歌曲都会感兴趣,那么,就可以形成一个单独的歌手表单,针对特殊的用户对歌曲的划分,算出不同的用户对不同的歌曲的喜好度SPD(p,q),计算公式如下所示:
其中SPD(p,q)表示某个用户p对歌手q的喜好度,sumSongCount(p)表示用户关注的所有歌曲列表,即采集的用户的所有歌曲信息数据,songCount(p,q)表示用户关注的所有歌曲中含有歌手q的歌曲数量,这样就可以定义用户对特定歌手的喜好度SPD;
(2)、用户对音乐语言的喜好度SLP:
其中SLP(p,q)代表用户p对歌曲语言q的音乐喜好度,songLan(p,q)表示用户歌曲列表中,属于语言q的歌曲数目;
(3)、用户对音乐标签喜好度SLD:
其中,SLD(p,q)是用户p对歌曲特征q的音乐喜好度,songLab(p,q)是表示用户p对歌曲标签中属于q的标签总数,sumLabCount(p)是用户对所有歌曲的标签总数。
3.按照权利要求1所述一种融合用户行为和文化元数据的音乐个性化***,其特征在于:所述文化元数据聚类模块是音乐的文化元数据是许多基于标签的音乐个性化推荐***的数据基础,利用用户提供的标签对歌手之间的关联性进行分析,通过采集用户在音乐平台上发表的歌曲评论信息采用Single-Pass算法对歌曲进行聚类,将相似的歌曲聚类到一个模块下,充分利用用户的社交行为。跟踪用户在社交网络上的活动可以更好地获取用户的需求,推测用户的偏好,单个用户描述文件通过考虑用户与网络社区好友的互动得到扩展。
4.按照权利要求1所述一种融合用户行为和文化元数据的音乐个性化***,其特征在于:所述音乐个性化推荐模块利用改进的音乐个性化推荐协同过滤算法,进行个性化推荐,根据用户对歌曲的下载、收藏、播放次数、分享行为构建一个评分矩阵,通过这个矩阵计算出用户的最近邻,实现对用户的歌曲推荐:
(1)构建歌曲评分矩阵
通过用户对歌曲的操作对歌曲进行评分,将这些指标的数值,填入到需要构建的评分矩阵之中,通过这个矩阵可以计算用户之间的最近邻;
(2)计算用户之间的相似度
采用改进的余弦相似度量方法,计算出要推荐的用户和其他用户之间的相似度,定义用户U1和U2对于同一首歌曲的操作用Iij表示,Ii和Ij分表表示用户U1和U2对各自歌曲的操作,通过如下公式来计算用户U1和U2之间的相似度:
(3)生成歌曲推荐结果
通过计算相似度,得到拟推荐的用户的近邻空间里相似用户的歌曲,应用预测评分的公式,计算出拟推荐用户对于歌曲的评分,再从歌曲列表中选择评分分数比较高的歌曲推荐给用户,预测评分计算公式:
其中,用户的最相似的近邻集合用NBSu来表示。
5.按照权利要求1所述一种融合用户行为和文化元数据的音乐个性化***,其特征在于:所述音乐推荐修正模块通过个性化推荐的评价体系对已经形成的个性化推荐用户进行修正,不断地改进,在评价指标中,推荐的准确性用来度量个性化推荐***或推荐算法预测用户行为的能力,是最为普遍和最为基本的评价指标,采用绝对误差MAE和均方误差RMSE进行测度,计算方法如下:
其中,Ri,j为用户i对于歌曲j的实际需求,为推荐***为用户i推荐j的需求预测,N是预测数量的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540276.1A CN110297939A (zh) | 2019-06-21 | 2019-06-21 | 一种融合用户行为和文化元数据的音乐个性化*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540276.1A CN110297939A (zh) | 2019-06-21 | 2019-06-21 | 一种融合用户行为和文化元数据的音乐个性化*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110297939A true CN110297939A (zh) | 2019-10-01 |
Family
ID=68028408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540276.1A Pending CN110297939A (zh) | 2019-06-21 | 2019-06-21 | 一种融合用户行为和文化元数据的音乐个性化*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110297939A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507804A (zh) * | 2020-04-21 | 2020-08-07 | 莫毓昌 | 基于混合信息融合的情感感知商品推荐方法 |
CN113094542A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种针对用户隐式反馈数据的集合排序音乐推荐方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
CN104008138A (zh) * | 2014-05-08 | 2014-08-27 | 南京邮电大学 | 一种基于社交网络的音乐推荐方法 |
CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与*** |
CN104899302A (zh) * | 2015-06-10 | 2015-09-09 | 百度在线网络技术(北京)有限公司 | 向用户推荐音乐的方法和装置 |
CN106599114A (zh) * | 2016-11-30 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 音乐推荐方法及*** |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN109063163A (zh) * | 2018-08-14 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种音乐推荐的方法、装置、终端设备和介质 |
-
2019
- 2019-06-21 CN CN201910540276.1A patent/CN110297939A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402625A (zh) * | 2011-12-28 | 2012-04-04 | 深圳市五巨科技有限公司 | 一种音乐推荐的方法及*** |
CN104008138A (zh) * | 2014-05-08 | 2014-08-27 | 南京邮电大学 | 一种基于社交网络的音乐推荐方法 |
CN104731954A (zh) * | 2015-04-01 | 2015-06-24 | 天翼爱音乐文化科技有限公司 | 基于群透视音乐推荐方法与*** |
CN104899302A (zh) * | 2015-06-10 | 2015-09-09 | 百度在线网络技术(北京)有限公司 | 向用户推荐音乐的方法和装置 |
CN106599114A (zh) * | 2016-11-30 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 音乐推荐方法及*** |
CN108304441A (zh) * | 2017-11-14 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 网络资源推荐方法、装置、电子设备、服务器及存储介质 |
CN109063163A (zh) * | 2018-08-14 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种音乐推荐的方法、装置、终端设备和介质 |
Non-Patent Citations (1)
Title |
---|
周永章,等: "《地球科学大数据挖掘与机器学习》", 广州:中山大学出版社, pages: 110 - 111 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507804A (zh) * | 2020-04-21 | 2020-08-07 | 莫毓昌 | 基于混合信息融合的情感感知商品推荐方法 |
CN111507804B (zh) * | 2020-04-21 | 2022-05-13 | 莫毓昌 | 基于混合信息融合的情感感知商品推荐方法 |
CN113094542A (zh) * | 2021-03-24 | 2021-07-09 | 西安交通大学 | 一种针对用户隐式反馈数据的集合排序音乐推荐方法 |
CN113094542B (zh) * | 2021-03-24 | 2023-08-15 | 西安交通大学 | 一种针对用户隐式反馈数据的集合排序音乐推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110574387B (zh) | 使用机器学习推荐直播流内容 | |
Christensen et al. | Entertainment recommender systems for group of users | |
Di Noia et al. | Adaptive multi-attribute diversity for recommender systems | |
Casadei et al. | Global cities, creative industries and their representation on social media: A micro-data analysis of Twitter data on the fashion industry | |
Pavlidis | Recommender systems, cultural heritage applications, and the way forward | |
Domingues et al. | Combining usage and content in an online recommendation system for music in the long tail | |
Boratto et al. | Discovery and representation of the preferences of automatically detected groups: Exploiting the link between group modeling and clustering | |
CN110402438A (zh) | 来自热门查询的音乐推荐 | |
CN107301247B (zh) | 建立点击率预估模型的方法及装置、终端、存储介质 | |
WO2009126815A2 (en) | Diversified, self-organizing map system and method | |
CN110083764A (zh) | 一种协同过滤算法冷启动问题的解决方法 | |
CN110069713A (zh) | 一种基于用户上下文感知的个性化推荐方法 | |
Beer et al. | The hidden dimensions of the musical field and the potential of the new social data | |
Kim et al. | Exploring characteristics of video consuming behaviour in different social media using K-pop videos | |
Keller et al. | Recommender systems for museums: evaluation on a real dataset | |
CN110297939A (zh) | 一种融合用户行为和文化元数据的音乐个性化*** | |
Said | Evaluating the accuracy and utility of recommender systems | |
Valera et al. | Context-aware music recommender systems for groups: A comparative study | |
Elahi | Empirical evaluation of active learning strategies in collaborative filtering | |
Vasu et al. | Music Information Retrieval Using Similarity Based Relevance Ranking Techniques | |
Zhang et al. | Musical preference in an online music community in China | |
Wu et al. | Result Diversification in Search and Recommendation: A Survey | |
KR20170123660A (ko) | 임의의 텍스트 질의들에 대한 알고리즘 라디오 | |
Xu et al. | Temporal recommendation via modeling dynamic interests with inverted-U-curves | |
Dixit et al. | A proposed framework for group-based multi-criteria recommendations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
RJ01 | Rejection of invention patent application after publication |