基于LDA模型的音乐推荐算法

互联网的普及以及音乐资源的电子化使得人们可以更方便地获得音乐资源。但随着音乐库变得越来越大、资源越来越丰富,人们已经很难准确及时地找到自己喜欢的音乐。因此,对于音乐网站而言,需要一个合适的音乐推荐算法向用户推荐音乐。根据已有的基于音频信息的音乐推荐以及协同过滤方法,分析用户的音乐试听数据以及下载数据,并结合Latent Dirichlet分配(LDA)主题挖掘模型,提出一种音乐推荐算法。实验结果表明,与基于用户的协同过滤算法以及基于项目的协同过滤算法相比,该算法可以更加高效地向用户推荐感兴趣的音乐。

基于LDA-MURE模型的背景音乐自适应推荐方法

用户的情绪状态不同,需要的背景音乐也不同,因此提出基于LDA-MURE模型的背景音乐自适应推荐方法。提取背景音乐的音频特征和社会化标签,通过Fisher线性判别分析方法融合上述数据的特征,结合投影变换方法获得不同类别背景音乐的类内离散度和类间离散度。通过现代心理学分析人类情绪的节律周期变化,在此基础上判断用户当前的情绪状态。最后在LDA模型的基础上构建LDA-MURE模型,为用户推荐不同类别的背景音乐。实验结果表明,所提方法的MEA指标值较低、P@N指标值较高、用户满意度较高。

一种新的基于LDA-MURE模型的音乐个性化推荐算法

针对基于音乐作品信息的音乐作品个性化推荐及协同过滤方法的不足,通过分析音乐作品需求者的音乐试听数据及下载数据,并结合LDA(latent Dirichlet allocation)主题挖掘模型,提出一种基于LDA-MURE模型的推荐算法.实验结果表明,与基于音乐作品需求者的协同过滤算法和基于音乐属性项目的协同过滤算法相比,LDA-MURE算法可更高效地向音乐作品需求者推荐感兴趣的音乐作品.

基于隐语义模型的音乐推荐算法研究

从海量音乐中快速找到用户感兴趣的音乐,是目前各大音乐软件亟待解决的问题。推荐系统通过对以往用户行为的收集,进而判断用户的喜好,并为用户推荐他们需要的内容。基于隐语义模型的音乐推荐系统通过将评分矩阵分解为两个隐矩阵的乘积形式,得到用户和音乐之间的隐关系。通过对比实验,得出在Musical_Instruments数据集上的最优超参数,取得了较为精准的推荐结果。

基于MFCC和GMM的个性音乐推荐模型

提出一种基于Mel频率倒谱系数(MFCC)和高斯混合模型(GMM)的个性音乐推荐模型的建立方法.该方法采用MFCC技术提取歌曲的语音特征,并利用GMM算法生成该歌曲的模板,然后利用音乐模板库对音乐文件进行相似度计算.实验结果表明,利用该模型为用户推荐的歌曲平均准确率为90%.

基于本体与LDA主题模型的文本资源推荐方法研究

为了解决基于LDA主题模型的推荐结果总是局限在同一主题范围内从而在一定程度上限制了推荐惊喜度的问题。将本体引入到基于LDA主题模型的文本资源推荐中,通过本体扩展LDA模型的主题得到关联主题,然后考虑关联主题在文本中的分布概率,结合加权后的关联主题给予用户最终的推荐。实验结果表明,引入本体后,基于LDA主题模型的推荐惊喜度有了明显的提高。

融合LDA主题模型和支持向量机的商品个性化推荐方法

针对网络商品评论数据不能有效引导买方做出合理选择的问题,提出一种融合LDA主题模型和支持向量机的商品个性化推荐方法。首先爬取不同类型商品的用户评论数据并对其进行预处理;其次建立基于LDA的主题模型并对其特点进行量化;最后利用支持向量机实现商品个性化推荐。以智能手机商品为例进行实验分析,结果表明,所提方法能获得98%以上的分类精度。

基于TLDA和SVSM的音乐信息检索模型

随着协同标注功能的普及,用户可以通过标注自己感兴趣的音乐实现个性化的分类管理,因此音乐共享系统中的社会化标签已成为互联网的重要资源。为了提高音乐检索系统的效率,综合考虑了社会化标签的特性及其对音乐检索模型的影响,利用了TLDA方法来进行标签聚类以获取更多的语义相关的标签,综合考虑了用户检索行为、歌词、音乐标签和音乐流行度来提高音乐信息检索系统的性能。实验表明,基于TLDA和SVSM的音乐检索模型相比于基于属性数据的音乐检索模型以及k-means标签聚类的模型,尤其是在音乐标签稀疏和非正规的情况下,能够在一定程度上提高音乐检索的性能。

LDA模型在网络视频推荐中的应用

视频推荐系统最主要的功能就是从用户的历史行为中发现用户兴趣偏好,然后找出其可能感兴趣的视频并展示给用户。该文针对用户的视频选择过多、视频转化率较低等问题,提出了一种基于LDA模型的电影推荐方法。首先将视频的评论文本集转化为评论-主题-词语的三层贝叶斯模型,提取每个视频的评论关键词,再基于目标用户的历史行为发现其偏好的视频关键词集合,最后利用杰卡德相似系数,预测用户可能感兴趣的视频,以实现基于内容的个性化视频推荐服务。实验表明,该方法可以提高视频推荐的精度,使得视频转化率得到较好的提升。

基于LDA主题模型的标签推荐方法研究

针对现有的标签推荐方法存在的推荐准确率不高与效果不理想等问题,本文提出了基于LDA主题模型的社会化标签推荐方法。该方法利用LDA主题建模技术将传统的基于对象间关系的推荐方法扩展到融合对象间关系与资源内容特征的统一推荐。实验结果表明,该方法取得了理想的预期效果,能够显著提高标签推荐的质量与效果。

基于注意力LSTM的音乐主题推荐模型

针对传统音乐推荐过程中存在的分类准确率较低、周期较长、难以满足人们在生活中对主题音乐的需求等问题,设计了一种注意力机制与长短期记忆(Long Short-Term Memory,LSTM)相结合的神经网络模型,它由音乐主题模型和音乐推荐模型构成,在使用注意力机制和LSTM网络实现音乐情感分类的基础上,音乐主题模型有效地组合了音频码本和主题模型,实现了对某个情感下的音乐主题子类的判别。音乐推荐模型则利用低级描述符(Low-Level Descriptor,LLD)和频谱图,构建手工特征与卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)特征的联合表示形式,从而获得用户语音表达的情感,并对其进行精准的音乐主题推荐。实验中,针对两个模型分别进行设计,采用两种不同的传统模型作为基线,实验结果表明,与传统的单一模型相比,此模型不仅可以提升主题分类精度,而且可以精准地判断用户语音数据的情感,从而定向地完成主题音乐的推荐。

融合群体兴趣和核心用户影响的群组推荐方法研究

[目的/意义]为提高群组推荐准确率和可解释性,针对现有的群组推荐方法较少关注群组内核心用户对群体兴趣的影响,综合考虑群组整体兴趣和群组内核心用户对其他用户的影响,提出融合群体兴趣和核心用户影响的群组推荐方法。[方法/过程]首先,借鉴h指数思想计算群组内每个用户的影响力,识别群组内核心用户;其次,利用LDA主题模型进行群体兴趣建模和核心用户兴趣建模;最后,综合考虑群组中用户自身兴趣和其受核心用户影响而产生的兴趣进行资源推荐服务。[结果/结论]利用微博数据进行实证,验证了此方法的有效性。

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。

基于用户行为分析和LDA模型的数字媒体推荐系统的设计与实现

为了提高数字媒体推荐能力,提出基于用户行为分析和LDA模型的数字媒体推荐系统的设计方法。构建数字媒体推荐的大数据信息采集和项目分布模型,采用关联规则调度的方法,提取数字媒体的用户行为本体特征,建立数字媒体推荐的用户行为特征检测模型。在LDA模型中,进行数字媒体推荐的模糊决策调度和特征映射处理,结合模糊C均值聚类方法,进行数字媒体推荐中用户行为特征的自适应聚类,计算数字媒体用户行为的联合信息熵,根据熵权分布进行数字媒体推荐模型的算法优化设计。在B/S构架体系下进行数字媒体推荐系统的软件开发设计,仿真实验结果表明,采用该方法进行数字媒体推荐的准确性较高,误差较小,提高了数字媒体推荐的实时性和满意度水平。

一种负样本改进的LDA主题模型推荐算法

LDA主题模型是文本挖掘领域的重要算法,同时在推荐系统当中也有不错的表现.通过LDA主题模型挖掘用户感兴趣的主题,是目前最常用的用户兴趣主题挖掘方法之一.为了提高LDA主题模型应用在推荐系统时的推荐质量,我们提出了一种基于负样本进行学习的方法 negLDA.通过创造出负样本来学习用户对物品的负面预测评分,同时结合正样本学习得到的正面预测评分,从正反两个方面进行综合评测,从而更加精确地衡量出用户对物品的预测评分.通过在MoviesLens-100k、MovieLens-1M、FilmTrust这三个数据集上的实验,表明所提出的算法在精确率、召回率、AUC三个指标上相比传统算法均有一定改进.

基于在线评论和改进LDA模型的新闻传播推荐技术研究

通过分析新闻传播推荐技术现状,发现传统技术在相关分析计算时,未处理缺省值,导致推荐结果覆盖率低。为了解决这一问题,提出基于在线评论和改进LDA模型的新闻传播推荐技术。运用余弦距离计算法计算在线评论新闻传播特征关联度,再运用LDA模型设定阈值,用于预测LDA新闻传播主题相似度。完成上述操作后,选择最大相似用户群,并得到用户群特征词权值,再采用协同方法将该值代入到推荐模型当中,生成推荐结果。由此,完成基于在线评论和改进LDA模型的新闻传播推荐技术设计。实验数据集选自DataCastle,将数据集分成训练集和测试集,每次实验都要从测试集中随机抽取10组用户,并选取最后传播的15篇记录作为实验数据,最后,使用提出技术与传统技术测试这10组数据集生成推荐结果的覆盖率。实验结果显示,提出技术的覆盖率更好,且符合设计需求。

基于特征值嵌入的音乐播放列表推荐模型

随着数字音乐的蓬勃发展,为用户提供自动生成的连续播放列表已成为大型音乐平台的重要服务方式之一。传统的基于马尔可夫链的音乐推荐模型在音乐空间向量嵌入的过程中忽略了很多有价值的信息,比如音乐的特征值、用户的偏好值等。考虑到用户在某一时间段或某一情景会话听同一种类型的音乐的可能性极大,故在马尔可夫链的音乐推荐模型的基础上考虑了音乐特征值对音乐嵌入位置的影响,提出了一种基于特征值嵌入的音乐播放列表推荐模型。该模型根据用户真实的历史播放列表进行训练,生成最符合用户当前会话场景的音乐播放列表。通过实验验证了基于特征值嵌入的音乐播放列表推荐模型相较于传统的基于马尔可夫链的音乐推荐模型所推荐的音乐具有更高的相似性,即更符合用户当前场景需要。

融合LDA主题和Doc2vec算法的DeepFM模型的推荐算法研究

如今,有很多辅助决策算法在日常生活的各个方面为人们推荐个性化内容或产品。本文以医疗信息推荐作为案例,研究提出一种融合狄利克雷分配(Latent Dirichlet Allocation,LDA)主题模型和Doc2vec算法的DeepFM模型。该模型能够挖掘评论文本中的隐藏主题和隐藏特征并考虑隐藏特征的交叉情况,能够在保留评论文本表层信息的同时学习数据中的浅层和深层特征。本文将该模型与之前的模型在真实的数据上进行实验对比。实验结果表明,相较于现存模型,该模型的推荐准确率有了一定的提高。

一种用于视频推荐的基于LDA的深度学习模型

随着视频产业的发展,大量的视频已沉积在信息海洋中,为了缓解这种现象,越来越多的推荐算法开始应用于个性化视频推荐。然而目前的推荐算法都是以协同过滤为自主,都只注重通过评分矩阵提高捕捉用户与视频的低阶的交互,忽略了用户兴趣与视频属性的高阶关联。在这种背景下,文中通过LDA主题模型预测用户兴趣主题,引用干扰词典和关键词典来提高LDA模型对视频文本聚类的准确率,然后利用最近提出的神经协同框架建模用户兴趣和视频属性的高阶关联,把LDA模型与深度学习相结合提出了一种新的模型LIVR用于视频推荐,最后在通过网络爬虫爬取的数据集上验证并对实验结果进行分析。结果表明,该模型的Top-N推荐准确率较常见的几个深度学习模型提高了约1.9个百分点。

基于改进LDA模型的图书推荐方法研究

当前海量的商品信息困扰着顾客,商用图书推荐系统亟待研究与应用。本文提出一种改进LDA模型的图书推荐方法,根据用户微博内容和图书描述分别生成主题模型,并基于主题的词分布将表示用户主题的向量转化成由图书主题构成的向量,从而更精确地计算用户与图书之间的相似度,最后排序得到推荐结果。在实验中,本文对新浪微博用户推荐亚马逊图书,并与传统方法进行了对比。实验结果表明本文的方法效果更佳,可为当前的图书推荐提供参考。