韓瀅晫 甘肅中醫(yī)藥大學定西校區(qū)計算機系

基于圖數(shù)據(jù)庫的音樂推薦系統(tǒng)的設計與實現(xiàn)

韓瀅晫 甘肅中醫(yī)藥大學定西校區(qū)計算機系

隨著科技和互聯(lián)網(wǎng)在近年來的不斷發(fā)展，使得信息在互聯(lián)網(wǎng)上的傳播變得十分迅猛，帶來方便的同時，也帶來了一定的不便。本文在使用圖數(shù)據(jù)庫的音樂推薦作為基礎，采用不通的協(xié)同方法對數(shù)據(jù)和算法過濾作出了選擇。

協(xié)同過濾 圖數(shù)據(jù)庫 推薦算法

1 緒論

互聯(lián)網(wǎng)把我們帶進了信息爆炸的時代，人們的娛樂生活日趨豐富，各種視頻，包括電視節(jié)目以及各種娛樂視頻等都存在在網(wǎng)絡上，即面對大量復雜多變的信息，對于音樂愛好者來說，其利用網(wǎng)絡在浩如煙海的音樂數(shù)據(jù)庫中找到自己喜歡的音樂并不容易。

而事實上，到目前為止，我們經(jīng)常所用到的百度音樂、網(wǎng)易客戶端、騰訊QQ平臺的崛起都在說明中國各軟件供應商從未放棄過對個性化音樂推薦產(chǎn)業(yè)的蓬勃熱情。

2 圖數(shù)據(jù)庫技術(shù)

圖數(shù)據(jù)庫的核心是根據(jù)“圖”結(jié)構(gòu)特點進行數(shù)據(jù)管理，具有結(jié)點、屬性和邊（即關系），而不是傳統(tǒng)意義上的“圖片”數(shù)據(jù)庫，與關系型數(shù)據(jù)庫對比，圖數(shù)據(jù)庫的管理結(jié)構(gòu)不限于對三元組與網(wǎng)絡的形勢。

圖數(shù)據(jù)庫中的關系模式具有多變性，適合對數(shù)據(jù)結(jié)構(gòu)變化較快的大量數(shù)據(jù)進行管理，而這一點是傳統(tǒng)的關系型數(shù)據(jù)庫所不具備的。圖數(shù)據(jù)庫的重要查詢工具是“類圖”，它用來計算圖中結(jié)點之間的距離，以確定最佳數(shù)據(jù)訪問策略。

結(jié)點：以具體的個人和相關企業(yè)等實體為基礎。

屬性：根據(jù)所涉及到的信息，將個人的基本信息包括姓名、性別和年齡等信息進行整理。

邊：根據(jù)相關結(jié)點的屬性，將重要信息放入邊置，將互連信息放到結(jié)點之間。

3 各種推薦算法研究

3.1 基于內(nèi)容的推薦

用戶的訪問分為多種類型和方式，包括點擊和拖動等。在對用戶興趣進行研究時，需要針對用戶的心給以及對用戶的興趣進行解釋，并不能根據(jù)用戶的單一動作進行判斷，要綜合用戶的整體瀏覽時間，拖動、點擊的次數(shù)以及時間，并對用戶的相關行為進行詳細的研究。

3.2 基于聚類的推薦算法

k-means算法是較為經(jīng)典的算法，能夠充分解決聚類問題，他通過對算法和理論進行處理，并能夠?qū)崿F(xiàn)較為快速簡潔的計算，其不足是該算法使用的值能夠?qū)е虏煌木垲惤Y(jié)果，因此需要進行多種類型的聚類才能夠?qū)崿F(xiàn)其理想的聚類結(jié)果。此外，k-means主要采取迭代的方式進行最優(yōu)解的計算，在其過程中主要保證誤差的平方和局部的最優(yōu)化，使最終的局部值最小化。然后進行應用的范圍將逐步減小，其聚類數(shù)量K也需要進行設定，因此加重了其局限性。

3.3 協(xié)同過濾

協(xié)同過濾推薦技術(shù)以其獨特的優(yōu)勢獲得了個各大網(wǎng)站的認可。它是一種基于一類興趣偏好類型相似的用戶所感興趣的事物對目標用戶進行推薦的技術(shù)。和過去的一些過濾技術(shù)相比，協(xié)同過濾能夠過濾難以進行機器分析的信息，并且能夠?qū)σ恍碗s的概念進行過濾，具有準確度高，適用強等特點。目前Amazon，CDNow等都采用協(xié)同過濾的技術(shù)來為用戶服務并獲得好評。

4 音樂推薦需求分析和系統(tǒng)設計

進行系統(tǒng)推薦，一般需要面向兩類對象：用戶和商品。系統(tǒng)最重要的部分就是進行推薦，因此需要將用戶和相關物品進行彼此相連，而大多數(shù)的音樂推薦的工作是向用戶推薦一個播放列表，因此音樂網(wǎng)站也紛紛建立起社交功能，以便于用戶添加朋友和推薦等。

其存儲層是用來對系統(tǒng)的數(shù)據(jù)進行儲存。這要包括對用戶、音樂和歌手等信息的基本儲存，包括其推薦信息、用戶的反饋等數(shù)據(jù)。

基本信息收集層包括對用戶的維護、歌曲和歌手信息的管理等。

接口層與前臺系統(tǒng)的通信中，由于系統(tǒng)的運行狀態(tài)，需要在后臺計算出相關的數(shù)據(jù)，并傳遞給前臺進行展示。

5 基于協(xié)同過濾的音樂推薦系統(tǒng)的設計與實現(xiàn)

在進行音樂推薦的項目中主要針對對正余弦的方式進行核心算法的過濾。其具體的算法如下：

輸入：目標用戶的ID

輸出：目標用戶的推薦曲目集C

Step1．從數(shù)據(jù)庫中讀取所有用戶-音樂的播放次數(shù)；

Step2．將用戶-音樂的的播放次數(shù)轉(zhuǎn)化為用戶-音樂顯示的評分數(shù)據(jù)，生成用戶-音樂評分矩陣R；

Step3．通過公式5．1計算目標用戶與其他用戶的相似性；

Step4．將與目標用戶最相似的K個用戶作為其鄰居用戶，以鄰居用戶的評分為基礎計算目標用戶對未評分樂曲的評分；

Step5．將預測評分結(jié)果中評分最高的N的項目形成推薦列表，推薦給用戶。

6 總結(jié)與展望

文章通過對系統(tǒng)推薦中的協(xié)同過濾算法進行研究，產(chǎn)生了基于不同項目的過濾算法。對系統(tǒng)進行整體的推薦使用和分析。由于對系統(tǒng)的設計主要是用于對用戶提供高質(zhì)量的音樂服務，但有些方面還是不夠完善，在日后需要逐步提高其功能的使用，幫助用戶得到更完善的體驗。因此需要在日后進一步加強。

[1]馬宏偉,張光衛(wèi),李鵬.協(xié)同過濾推薦算法綜述[J].小型微型計算機系統(tǒng),2009

[2]李忠俊,周啟海,帥青紅.一種基于內(nèi)容和協(xié)同過濾同構(gòu)化整合的推薦系統(tǒng)模型[J].計算機科學,2009

[3]孟均平,陳莉,馬文寧,李華.圖數(shù)據(jù)庫中的相似性搜索算法研究與應用[J].計算機應用研究,2010

韓瀅晫(1988-)，女，甘肅定西人，助教。研究方向：數(shù)據(jù)挖掘。