一种基于内容和用户历史的音乐推荐算法

1.一种基于内容和用户历史的音乐推荐算法，其特征在于，推荐算法如下：
A．提取音乐的音色、饱和度、节奏三种音乐特征，利用基于列对象和聚类的平行坐标轴以及基于维密度和聚类的散点图对音乐特征进行优化，降低数据复杂度；优化方法为：利用平行坐标轴技术消除对分类贡献较小的音乐特征分量，利用散点图消除冗余特征分量;
B．利用音乐特征建立音乐网络，音乐网络的每个节点表示一首音乐，音乐网络的边表示连接的两首音乐之间的相似性关系；为优化网络，降低网络的复杂度，首先利用最大生成树算法产生第一棵最大生成树；然后从原有网络中去除第一棵最大生成树的边，产生第二棵最大生成树；最终合并两棵生成树，产生一个新的音乐网络；
C．用户指定感兴趣的一首音乐作为推荐算法的输入，利用基于协作的推荐算法分析用户历史，即用户以往欣赏过的音乐，计算其它音乐相对于用户输入的被推荐概率u(i,j)；
D．以三种音乐特征为依据，利用特征间的空间距离关系计算每首音乐与用户输入音乐之间的相似性s(i,j)；
E．利用基于图的分析方法中的特征向量中心性分析音乐网络，计算其它音乐相对于用户输入的音乐的重要性g(i,j)；
F．确定基于协作的推荐算法、相似性分析算法和基于特征向量中心性的分析算法的权重关系，将这三种算法融合，计算每首音乐j最终被推荐的概率为r(i,j)＝a*u(i,j)+(1-a)*s(i,j)*g(i,j),其中a表示混合因子，0≤a≤1。

一种基于内容和用户历史的音乐推荐算法\n技术领域\n[0001] 本发明涉及一种基于内容和用户历史的音乐推荐算法，属于多媒体分析技术领域。\n背景技术\n[0002] 目前，音乐的分析和推荐算法主要包括基于标签的方法、基于内容的方法、基于机器学习的方法和基于情感的方法。然而，这些方法仅对客观因素进行了分析，没有考虑用户行为和习惯等主观因素，生成的推荐结果无法满足不同用户的需求。虽然基于情感的方法将音乐与人的情感进行了映射，但由于情感表达的信息有限，还是无法体现用户的个体差异。\n发明内容\n[0003] 针对现有技术的不足，本发明提供一种基于内容和用户历史的音乐推荐算法。\n[0004] 本发明从主观和客观两个方面对音乐进行分析，克服现有音乐分析、推荐算法中存在的不足，解决用户欣赏偏好问题。\n[0005] 一种基于内容和用户历史的音乐推荐算法如下：\n[0006] A、取音乐的音色、饱和度、节奏三种音乐特征，利用基于列对象和聚类的平行坐标轴以及基于维密度和聚类的散点图对音乐特征进行优化，降低数据复杂度；优化方法为：\n利用平行坐标轴技术消除对分类贡献较小的音乐特征分量，利用散点图消除冗余特征分量[0007] B、利用音乐特征建立音乐网络，音乐网络的每个节点表示一首音乐，音乐网络的边表示连接的两首音乐之间的相似性关系；为优化网络，降低网络的复杂度，首先利用最大生成树算法产生第一棵最大生成树；然后从原有网络中去除第一棵最大生成树的边，产生第二棵最大生成树；最终合并两棵生成树，产生一个新的音乐网络；\n[0008] C、用户指定感兴趣的一首音乐作为推荐算法的输入，利用基于协作的推荐算法分析用户历史，即用户以往欣赏过的音乐，计算其它音乐相对于用户输入的被推荐概率u(i,j)；\n[0009] D、以三种音乐特征为依据，利用特征间的空间距离关系计算每首音乐与用户输入音乐之间的相似性s(i,j)；\n[0010] E、利用基于图的分析方法中的特征向量中心性分析音乐网络，计算其它音乐相对于用户输入的音乐的重要性g(i,j)；\n[0011] F、确定基于协作的推荐算法、相似性分析算法和基于特征向量中心性的分析算法的权重关系，将这三种算法融合，计算每首音乐j最终被推荐的概率为r(i,j)＝a*u(i,j)+(1-a)*s(i,j)*g(i,j),其中a表示混合因子，0≤a≤1。\n[0012] 本发明的有益效果\n[0013] 1、节约用户时间和精力，支持从海量音乐信息中快速找出用户可能感兴趣的音乐。\n[0014] 2、利用三种分析方法对主观因素和客观因素进行分析，解决了用户欣赏偏好问题。\n附图说明\n[0015] 图1是利用二次最大生成树生成的音乐网络图。\n[0016] 图2是音乐推荐算法流程图。\n具体实施方式\n[0017] 下面结合附图和实施例对本发明作进一步说明。\n[0018] 一种基于内容和用户历史的音乐推荐算法，如图1和图2所示，推荐算法如下：\n[0019] A、取音乐的音色、饱和度、节奏三种音乐特征，利用基于列对象和聚类的平行坐标轴以及基于维密度和聚类的散点图对音乐特征进行优化，降低数据复杂度；优化方法为：\n利用平行坐标轴技术消除对分类贡献较小的音乐特征分量，利用散点图消除冗余特征分量[0020] B、利用音乐特征建立音乐网络，音乐网络的每个节点表示一首音乐，音乐网络的边表示连接的两首音乐之间的相似性关系；为优化网络，降低网络的复杂度，首先利用最大生成树算法产生第一棵最大生成树；然后从原有网络中去除第一棵最大生成树的边，产生第二棵最大生成树；最终合并两棵生成树，产生一个新的音乐网络；\n[0021] C、用户指定感兴趣的一首音乐作为推荐算法的输入，利用基于协作的推荐算法分析用户历史，即用户以往欣赏过的音乐，计算其它音乐相对于用户输入的被推荐概率u(i,j)；\n[0022] D、以三种音乐特征为依据，利用特征间的空间距离关系计算每首音乐与用户输入音乐之间的相似性s(i,j)；\n[0023] E、利用基于图的分析方法中的特征向量中心性分析音乐网络，计算其它音乐相对于用户输入的音乐的重要性g(i,j)；\n[0024] B、确定基于协作的推荐算法、相似性分析算法和基于特征向量中心性的分析算法的权重关系，将这三种算法融合，计算每首音乐j最终被推荐的概率为r(i,j)＝a*u(i,j)+(1-a)*s(i,j)*g(i,j),其中a表示混合因子，0≤a≤1。