融合Fisher判别分析与波动序列的音乐推荐方法

摘要：

现有的音乐推荐方法多是采用不同的历史偏好相关性度量方法直接为用户生成推荐音乐列表,而不考虑用户历史喜好音乐行为所体现出的用户兴趣的波动性,影响了推荐音乐的准确率.针对这个问题,提出了一种融合Fisher线性判别分析与波动序列的音乐行为偏好获取方法.首先获取音乐的社会化标签与音频特征,采用Fisher线性判别分析对两类样本数据进行特征融合,通过投影变换并引入Fisher判别准则,获取具有最大类间离散度,最小类内离散度的音乐特征分类方向.然后结合用户的历史喜好音乐获取音乐类型基点、类型波动幅度,再以音乐类型基点为中心,以类型波动幅度为半径获取用户的喜好音乐类型,并据此为用户生成推荐音乐列表.在真实数据集LFM上的仿真实验结果表明,所提出方法能够取得更好的P@R值与覆盖率,提升了音乐推荐精度与推荐质量.

关键词：Fisher线性判别分析、波动序列、音乐类型基点、社会化标签、音乐推荐系统

所属期刊栏目：11

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China Under Grant No.11241005

在线出版日期：2017-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1314-1323