亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于協(xié)同過(guò)濾算法的自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)

        2018-11-28 09:07:40,
        計(jì)算機(jī)測(cè)量與控制 2018年11期
        關(guān)鍵詞:音樂(lè)用戶(hù)信息

        ,

        (黔南民族師范學(xué)院,貴州 都勻 558000)

        0 引言

        由于信息不斷增加與更新,使網(wǎng)絡(luò)結(jié)構(gòu)中信息量以指數(shù)規(guī)律迅速擴(kuò)展,因此形成了信息爆炸顯式社會(huì)網(wǎng)絡(luò)結(jié)構(gòu),對(duì)于音樂(lè)愛(ài)好者來(lái)說(shuō),網(wǎng)絡(luò)上信息過(guò)載成為了嚴(yán)重問(wèn)題,愛(ài)好者在網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)中迷失航向,無(wú)法明確所要尋找信息位于信息空間中的具體位置,也無(wú)法返回到某個(gè)節(jié)點(diǎn),再加上網(wǎng)絡(luò)信息的復(fù)雜性,限制愛(ài)好者的認(rèn)知能力,造成用戶(hù)無(wú)法獲取滿(mǎn)意音樂(lè)信息[1]。為了解決這些問(wèn)題,需將網(wǎng)絡(luò)從被動(dòng)瀏覽轉(zhuǎn)化為主動(dòng)瀏覽,實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)用戶(hù)提供主動(dòng)的信息服務(wù),為此,構(gòu)建了基于協(xié)同過(guò)濾算法的自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)。采用協(xié)同過(guò)濾算法的自動(dòng)化隱式評(píng)分結(jié)構(gòu)能夠反映出不同用戶(hù)之間對(duì)音樂(lè)興趣以及內(nèi)容之間關(guān)聯(lián)性,為具有共同興趣用戶(hù)推薦相似內(nèi)容的可能性大大增加。對(duì)于同一用戶(hù)對(duì)音樂(lè)喜歡的具體內(nèi)容也是具有相似特征關(guān)聯(lián)的,其音樂(lè)種類(lèi)也具有風(fēng)格和品質(zhì)。基于用戶(hù)自身、用戶(hù)與用戶(hù)之間的聯(lián)系,可通過(guò)內(nèi)容推薦方式,引導(dǎo)用戶(hù)對(duì)音樂(lè)內(nèi)容訪(fǎng)問(wèn)行為,進(jìn)而適應(yīng)網(wǎng)絡(luò)能力,實(shí)現(xiàn)網(wǎng)絡(luò)帶寬利用效率的優(yōu)化,根據(jù)用戶(hù)興趣愛(ài)好,推薦滿(mǎn)足用戶(hù)需求的信息[2]。

        1 異構(gòu)普適環(huán)境的推薦框架

        在普適環(huán)境下,人們能夠任意使用設(shè)備來(lái)獲取相關(guān)信息,基于普適環(huán)境背景下構(gòu)建異構(gòu)普適環(huán)境推薦框架,為自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)研究奠定基礎(chǔ)[3]。異構(gòu)普適環(huán)境推薦框架設(shè)計(jì)如圖1所示。

        圖1 異構(gòu)普適環(huán)境推薦框架

        普適環(huán)境結(jié)合了網(wǎng)絡(luò)技術(shù)與移動(dòng)技術(shù),設(shè)計(jì)了面向客戶(hù)的自適應(yīng)推薦結(jié)構(gòu)。普適環(huán)境是由網(wǎng)絡(luò)設(shè)備與服務(wù)共同組成的,其中網(wǎng)絡(luò)設(shè)備包括計(jì)算機(jī)、手機(jī)和各種網(wǎng)絡(luò)連接家電等,網(wǎng)絡(luò)服務(wù)包括計(jì)算、管理與控制等。在該環(huán)境下,網(wǎng)絡(luò)可收集來(lái)自用戶(hù)、管理員的查詢(xún)、配置與管理信息,將這些信息傳遞到各個(gè)服務(wù)器端口,再次通過(guò)網(wǎng)絡(luò)應(yīng)用到綜合平臺(tái),為推薦系統(tǒng)設(shè)計(jì)提供基礎(chǔ)[4]。

        2 自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)

        基于異構(gòu)普適環(huán)境推薦結(jié)構(gòu)的自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)設(shè)計(jì)如圖2所示。

        圖2 自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)

        由圖2可知:雙重推薦系統(tǒng)是由應(yīng)用、異構(gòu)通信和網(wǎng)絡(luò)模塊構(gòu)成的,其中核心部分主要位于異構(gòu)通信模塊之中。采用協(xié)同過(guò)濾算法,從一個(gè)節(jié)點(diǎn)中提取信息,隨機(jī)發(fā)送給另外一個(gè)節(jié)點(diǎn),重復(fù)該動(dòng)作,使其他節(jié)點(diǎn)接收到信息[5]?;趨f(xié)同過(guò)濾算法的信息傳送方式完全模擬人們通過(guò)網(wǎng)絡(luò)的日常交流方式,保證用戶(hù)信息的高效率傳輸。其中藍(lán)牙模塊是連接外圍設(shè)備的統(tǒng)一橋梁,采用無(wú)線(xiàn)連接方式可實(shí)現(xiàn)用戶(hù)自然享受信息推薦服務(wù);數(shù)據(jù)采集模塊是收集可推薦給用戶(hù)的主要信息,也可根據(jù)用戶(hù)偏好作出個(gè)性化推薦服務(wù)。對(duì)于不同推薦系統(tǒng),需要收集的內(nèi)容也是不同的,音樂(lè)推薦需要收集用戶(hù)音樂(lè)播放器中的數(shù)據(jù),而歌手推薦需要收集音樂(lè)播放器中的歌手信息[6]。根據(jù)推薦內(nèi)容分別將信息存儲(chǔ)到服務(wù)器上,用戶(hù)可將自己感興趣的數(shù)據(jù)保存到播放器中,通過(guò)設(shè)備之間的交互實(shí)現(xiàn)數(shù)據(jù)共享;推薦模塊是通過(guò)數(shù)據(jù)采集到的用戶(hù)偏好信息來(lái)推薦內(nèi)容,采用協(xié)同過(guò)濾算法獲取合適的推薦列表給用戶(hù)。

        2.1 硬件設(shè)計(jì)

        如圖3所示,音樂(lè)雙重推薦系統(tǒng)硬件結(jié)構(gòu)是由4個(gè)元件組成的。

        圖3 音樂(lè)雙重推薦系統(tǒng)硬件結(jié)構(gòu)

        根據(jù)圖3分別對(duì)音樂(lè)播放器和隱式評(píng)分提取器進(jìn)行設(shè)計(jì)。

        2.1.1 音樂(lè)播放器

        在異構(gòu)普適環(huán)境下,用戶(hù)界面友好性展示的更加明顯,根據(jù)用戶(hù)接入的電子設(shè)備以及接入方式,對(duì)用戶(hù)端界面做出適當(dāng)調(diào)整[7]。具體設(shè)計(jì)如圖4所示。

        圖4 音樂(lè)播放器

        由圖4可知:采用W900710型號(hào)的核心板與電源模塊、語(yǔ)音識(shí)別模塊、LCD、鍵盤(pán)和音頻相連。利用麥克風(fēng)向播放器中輸入語(yǔ)音數(shù)據(jù),通過(guò)語(yǔ)音識(shí)別模塊對(duì)數(shù)據(jù)進(jìn)行識(shí)別;利用麥克風(fēng)和耳機(jī)向音頻編解碼輸入語(yǔ)音數(shù)據(jù),通過(guò)音頻編解碼對(duì)數(shù)據(jù)進(jìn)行處理[8]。最終將所有數(shù)據(jù)集中在W900710型號(hào)的核心板上,通過(guò)LCD顯示在屏幕上。

        2.1.2 隱式評(píng)分提取器

        根據(jù)音樂(lè)數(shù)據(jù)采集器采集到的用戶(hù)信息,設(shè)計(jì)一種隱式評(píng)分提取器,專(zhuān)門(mén)對(duì)用戶(hù)隱式信息進(jìn)行評(píng)分。在普適環(huán)境中分別提取歌手與歌曲這兩種項(xiàng)目評(píng)分,并在移動(dòng)環(huán)境中充分考慮資源分布情況,通過(guò)推薦引擎,將用戶(hù)瀏覽過(guò)的多種瀏覽器和自定義播放器信息進(jìn)行集中處理,采用協(xié)同過(guò)濾算法使網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)都部署一個(gè)智能代理節(jié)點(diǎn)。結(jié)合普適環(huán)境,將經(jīng)過(guò)音樂(lè)數(shù)據(jù)采集器上的信息分散在各個(gè)服務(wù)器之中[9]。當(dāng)用戶(hù)進(jìn)入到普適推薦環(huán)境之中,服務(wù)器會(huì)根據(jù)用戶(hù)以往搜索記錄,將可感興趣的歌曲或歌手推薦到用戶(hù)設(shè)備上,將這些數(shù)據(jù)在客戶(hù)端與服務(wù)器中進(jìn)行交互,采用協(xié)同過(guò)濾算法不會(huì)受到噪聲干擾影響得以共享[10]。隱式評(píng)分提取內(nèi)部電路圖如圖5所示。

        圖5 隱式評(píng)分提取電路連接

        由圖5可知:當(dāng)引腳為為高電平時(shí),Q1三極管截止,電路不工作;當(dāng)引腳為高電平時(shí),Q1三極管導(dǎo)通,電路工作,向外發(fā)射信號(hào),經(jīng)過(guò)三極管將電流放大,發(fā)射載波所占的比例增加,保證采集器能夠容納更多信息,使評(píng)分結(jié)果更準(zhǔn)確。

        音樂(lè)雙重推薦系統(tǒng)是由音樂(lè)數(shù)據(jù)采集器、音樂(lè)播放器和隱式評(píng)分提取器和推薦引擎組成的,其中音樂(lè)數(shù)據(jù)采集器可為系統(tǒng)提供海量數(shù)據(jù);音樂(lè)播放器可為系統(tǒng)提供清晰推薦結(jié)果;將隱式評(píng)分提取器與推薦引擎結(jié)合起來(lái),可為推薦系統(tǒng)提供準(zhǔn)確評(píng)分結(jié)果。采用協(xié)同過(guò)濾算法,盡可能利用集中式推薦效果,以便達(dá)到異構(gòu)環(huán)境下的推薦服務(wù)一致性[11]。

        2.2 軟件設(shè)計(jì)

        針對(duì)硬件中的隱式評(píng)分提取器,對(duì)推薦系統(tǒng)軟件功能進(jìn)行設(shè)計(jì)。在構(gòu)建協(xié)同過(guò)濾自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)時(shí),需先統(tǒng)計(jì)用戶(hù)聽(tīng)歌歷史記錄,從該記錄中提取用戶(hù)的音樂(lè)偏好信息,根據(jù)提取的信息來(lái)決定該用戶(hù)對(duì)歌曲以及歌手喜愛(ài)情況。采用雙重提取策略,首先對(duì)所有歌曲進(jìn)行隱式評(píng)分,根據(jù)評(píng)分結(jié)果提取出得分相對(duì)較高的歌曲;然后分析這些歌曲的類(lèi)型,定位到某種唱這種風(fēng)格歌曲的歌手,再次將這些歌曲與歌手發(fā)行的歌曲進(jìn)行整合處理;最后將整合結(jié)果做成推薦列表,推薦給用戶(hù)。在此過(guò)程中,利用協(xié)同過(guò)濾算法,為用戶(hù)提供合理推薦建議。

        自動(dòng)化隱式評(píng)分是指在用戶(hù)尋找感興趣信息過(guò)程中,系統(tǒng)追隨用戶(hù)行為來(lái)分析用戶(hù)興趣,該過(guò)程只需通過(guò)用戶(hù)瀏覽某個(gè)網(wǎng)站時(shí),就可對(duì)某個(gè)閱讀時(shí)間較長(zhǎng)的頁(yè)面保存下來(lái),以此說(shuō)明該網(wǎng)頁(yè)涉及用戶(hù)感興趣內(nèi)容。區(qū)別于傳統(tǒng)系統(tǒng),在該推薦系統(tǒng)中采用雙重推薦機(jī)制,綜合考慮歌曲和歌手推薦,使每個(gè)歌手很自然地融合為一個(gè)曲風(fēng)載體。在實(shí)際生活中,經(jīng)常使用歌手名來(lái)表達(dá)用戶(hù)對(duì)音樂(lè)偏好程度。如果用戶(hù)音樂(lè)播放器播放的是“林俊杰”的歌,那么可推斷出該用戶(hù)比較喜歡抒情類(lèi)的歌曲。但是,如果用戶(hù)音樂(lè)播放器播放的是《一千年以后》—林俊杰某個(gè)專(zhuān)輯中的一首歌,那么很難分辨出該用戶(hù)的音樂(lè)偏好。為此,采用協(xié)同過(guò)濾算法能夠更精準(zhǔn)度量出用戶(hù)音樂(lè)偏好。具體流程如圖6。

        圖6 自動(dòng)化隱式評(píng)分系統(tǒng)流程

        對(duì)于特定用戶(hù)來(lái)說(shuō),假設(shè)用戶(hù)能多聽(tīng)一次該歌手的歌曲,那么相應(yīng)隱式評(píng)分會(huì)大大增加,因此,每聽(tīng)一次歌曲的行為就要被賦予新的權(quán)重。設(shè)立如表1所示的場(chǎng)景來(lái)模擬衰減現(xiàn)象。

        表1 衰減模擬場(chǎng)景

        由表1可推斷出用戶(hù)1不喜歡歌曲1,而用戶(hù)2喜歡歌曲1;用戶(hù)1和2都喜歡歌曲2。用戶(hù)2聽(tīng)的次數(shù)是用戶(hù)1的10倍,雖然獲取的偏好相似度與實(shí)際完全相反,但是后續(xù)聽(tīng)歌行為可增加隱形評(píng)分,其權(quán)值大小是小于最初用戶(hù)聽(tīng)歌時(shí)的權(quán)值大小。在推薦系統(tǒng)之中,采用協(xié)同過(guò)濾算法來(lái)設(shè)計(jì)衰減函數(shù)來(lái)描述上述具體衰減現(xiàn)象。

        假設(shè)聽(tīng)歌行為次數(shù)為n,那么第n次聽(tīng)歌行為的權(quán)值為:

        weight(n)=α×e-β×n

        (1)

        公式(1)中:β為衰減速度;α為控制歌曲的隱式評(píng)分程度;e為常數(shù)。

        假設(shè)用戶(hù)X聽(tīng)歌曲Y的次數(shù)為n′(X,Y),那么根據(jù)公式(1)的衰減公式,可獲取用戶(hù)X對(duì)歌曲Y的雙重推薦機(jī)制:

        (2)

        根據(jù)上述雙重推薦機(jī)制,將所有用戶(hù)對(duì)于某個(gè)歌手或歌曲偏好程度作為向量,計(jì)算兩者之間的相似度,獲取歌手與歌曲的相似內(nèi)容之后,根據(jù)用戶(hù)歷史偏好預(yù)測(cè)當(dāng)前用戶(hù)還沒(méi)有確定的歌曲種類(lèi),獲取一個(gè)排序的歌曲列表作為推薦項(xiàng)目。具體推薦內(nèi)容如圖7所示。

        圖7 推薦內(nèi)容

        由圖7可知:對(duì)于歌曲A,根據(jù)用戶(hù)歷史偏好,喜歡歌曲A的用戶(hù)都喜歡歌手C,得出歌曲A與歌手C所唱的歌曲風(fēng)格相似,而用戶(hù)3喜歡歌曲A,那么可推斷出用戶(hù)3也可能喜歡歌手C。

        根據(jù)上述推薦內(nèi)容的需求用例設(shè)計(jì)隱式評(píng)分推薦功能,給出自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦功能代碼如下:

        import javax.sound.midi.*; // The midi package is necessary

        public class MiniMusicApp {

        public static void main(String[] args) {

        MiniMusicApp mini = new MiniMusicApp();

        mini.play();

        }

        public void play() {

        try {

        // Get a sequencer and open it

        Sequencer player = MidiSystem.getSequencer();

        player.open();

        Sequence seq = new Sequence(Sequence.PPQ, 4); //Treat the arguments as Ready-bake arguments

        Track track = seq.createTrack(); // Ask the sequence for a track

        // Put some MidiEvents into the Track, the setMessage() method is what we should really care

        ShortMessage a = new ShortMessage();

        a.setMessage(144, 1, 44, 100);

        MidiEvent noteOn = new MidiEvent(a, 1);

        track.add(noteOn);

        ShortMessage b = new ShortMessage();

        b.setMessage(128, 1, 44, 100);

        MidiEvent noteOff = new MidiEvent(b, 16);

        track.add(noteOff);

        player.setSequence(seq); // Give the sequence to the Sequencer

        // like pushing a CD to a CD player

        player.start(); // Start the sequencer like pushing PLAY

        }

        catch(Exception ex) {

        ex.printStackTrace();

        }

        } // Close play

        } // Close class

        根據(jù)上述推斷內(nèi)容,可作為推薦依據(jù)實(shí)現(xiàn)軟件部分的設(shè)計(jì),保證用戶(hù)獲取更加準(zhǔn)確的推薦列表。

        3 實(shí)驗(yàn)

        采用協(xié)同過(guò)濾算法設(shè)計(jì)的自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng),從該系統(tǒng)推薦結(jié)果準(zhǔn)確性角度出發(fā),設(shè)計(jì)了如下對(duì)比實(shí)驗(yàn)。由于協(xié)同過(guò)濾算法需要上百個(gè)節(jié)點(diǎn)才能體現(xiàn)網(wǎng)絡(luò)復(fù)雜程度,因此,采用基于Java的工具包模擬離散點(diǎn)來(lái)構(gòu)建復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)。

        3.1 實(shí)驗(yàn)環(huán)境

        實(shí)驗(yàn)環(huán)境設(shè)置如表2所示。

        表2 實(shí)驗(yàn)參數(shù)設(shè)置

        與計(jì)算固定數(shù)量節(jié)點(diǎn)不同,采用協(xié)同過(guò)濾算法需計(jì)算相鄰節(jié)點(diǎn)最大值的限制,將距離一定范圍內(nèi)的所有節(jié)點(diǎn)都視為當(dāng)前鄰居,雖然鄰居個(gè)數(shù)不確定,但是相似度不會(huì)相差較大,對(duì)于孤立節(jié)點(diǎn)處理也較為妥當(dāng)。

        3.2 實(shí)驗(yàn)結(jié)果與分析

        傳統(tǒng)系統(tǒng)采用顯示評(píng)分方法,為用戶(hù)進(jìn)行音樂(lè)推薦;而雙重推薦系統(tǒng)采用隱式評(píng)分方法,為用戶(hù)進(jìn)行音樂(lè)推薦。這兩種推薦系統(tǒng)分別在噪聲干擾和人為因素影響下推薦結(jié)果精準(zhǔn)度進(jìn)行對(duì)比,具體對(duì)比情況如下所示。

        3.2.1 噪聲干擾

        傳統(tǒng)系統(tǒng)對(duì)音樂(lè)數(shù)據(jù)進(jìn)行提取時(shí),受到噪聲干擾影響,使數(shù)據(jù)不能被全部統(tǒng)計(jì),導(dǎo)致最后提取到的數(shù)據(jù)為無(wú)效數(shù)據(jù)。而協(xié)同過(guò)濾系統(tǒng)設(shè)計(jì)隱式評(píng)分提取電路對(duì)音樂(lè)數(shù)據(jù)進(jìn)行提取時(shí),不會(huì)受到噪聲干擾影響,使數(shù)據(jù)被全部統(tǒng)計(jì),提取效果較好,對(duì)于推薦結(jié)果也較為準(zhǔn)確。將這兩種系統(tǒng)受到噪聲干擾影響程度進(jìn)行對(duì)比,結(jié)果如圖8所示。

        圖8 兩種系統(tǒng)在噪聲干擾影響下推薦精準(zhǔn)度對(duì)比

        由圖8可知:當(dāng)噪聲干擾為t1~t2等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度從85%下降到60%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度從88%下降到70%;當(dāng)噪聲干擾為t2~t4等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度從60%下降到35%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度從70%下降到65%;當(dāng)噪聲干擾為t4~t5等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度與協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果無(wú)明顯變化;當(dāng)噪聲干擾為t5~t6等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度從35%升高到了40%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度從65%升高到了67%;當(dāng)噪聲干擾為t6~t7等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度從40%升高到了43%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度從67%升高到了69%;當(dāng)噪聲干擾為t7~t8等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度從43%下降到了40%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度從67%下降到了65%;當(dāng)噪聲干擾大于t8等級(jí)時(shí),傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度下降到了30%,而協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度下降到了55%,說(shuō)明噪聲干擾等級(jí)超過(guò)t8時(shí),兩種系統(tǒng)都受到較大程度的干擾,推薦結(jié)果精準(zhǔn)度無(wú)法得到有效控制,而在實(shí)際生活中,超過(guò)t8等級(jí)的噪聲會(huì)噪聲機(jī)器設(shè)備的損壞,為此,可忽略超過(guò)該等級(jí)的噪聲干擾影響。

        根據(jù)上述對(duì)比內(nèi)容可知:當(dāng)噪聲干擾為t1~t2等級(jí)時(shí),兩種系統(tǒng)推薦結(jié)果精準(zhǔn)度都達(dá)到最高,分別為85%和88%,且協(xié)同過(guò)濾系統(tǒng)在受到t1~t8等級(jí)噪聲干擾影響,推薦結(jié)果精準(zhǔn)度始終不低于60%。由此可知,在噪聲影響下,采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度較高。

        3.2.2 人為因素影響

        采用傳統(tǒng)系統(tǒng)會(huì)受到人為因素影響,播放器中的音樂(lè)雜亂無(wú)章,無(wú)法獲取準(zhǔn)確的推薦信息,采用顯示評(píng)分機(jī)制,使推薦結(jié)果更加偏向后期用戶(hù)聽(tīng)到的歌曲;而采用協(xié)同過(guò)濾系統(tǒng),雖然播放器中的音樂(lè)播放種類(lèi)較為混亂,但是可通過(guò)隱式評(píng)分來(lái)獲取準(zhǔn)確推薦信息,并采用雙重推薦機(jī)制,提高推薦結(jié)果精準(zhǔn)度。將這兩種系統(tǒng)受到人為因素影響進(jìn)行對(duì)比,結(jié)果如圖9所示。

        圖9 兩種系統(tǒng)在人為因素影響下推薦精準(zhǔn)度對(duì)比

        由圖9可知:在人為因素影響下,當(dāng)時(shí)間為6h時(shí),采用傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度為80%,而采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度為90%;當(dāng)時(shí)間為12 h時(shí),采用傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度為70%,而采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度為88%;當(dāng)時(shí)間為18 h時(shí),采用傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度為60%,而采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度為80%;當(dāng)時(shí)間為24 h時(shí),采用傳統(tǒng)系統(tǒng)推薦結(jié)果精準(zhǔn)度為50%,而采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度為78%。

        根據(jù)上述對(duì)比內(nèi)容可知:當(dāng)時(shí)間為6h時(shí),兩種系統(tǒng)推薦結(jié)果精準(zhǔn)度都達(dá)到最高,分別為80%和90%,由此可知,在人為因素影響下,采用協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度較高。

        3.3 實(shí)驗(yàn)結(jié)論

        綜合上述實(shí)驗(yàn)內(nèi)容可得出結(jié)論:采用協(xié)同過(guò)濾算法設(shè)計(jì)的自動(dòng)化隱式評(píng)分音樂(lè)雙重推薦系統(tǒng)是具有合理性的。①在噪聲干擾影響下,當(dāng)干擾等級(jí)為t1~t2時(shí),傳統(tǒng)系統(tǒng)與協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度都達(dá)到最高,分別為85%和88%;②在人為因素影響下,當(dāng)時(shí)間為6 h時(shí),傳統(tǒng)系統(tǒng)與協(xié)同過(guò)濾系統(tǒng)推薦結(jié)果精準(zhǔn)度都達(dá)到最高,分別為80%和90%。在這兩種因素干擾下,采用協(xié)同過(guò)濾算法設(shè)計(jì)的系統(tǒng)推薦結(jié)果精準(zhǔn)度都比傳統(tǒng)系統(tǒng)精準(zhǔn)度要高。

        4 結(jié)束語(yǔ)

        針對(duì)設(shè)計(jì)內(nèi)容具有以下創(chuàng)新點(diǎn):以推薦系統(tǒng)內(nèi)容為主,結(jié)合普適環(huán)境,通過(guò)收集當(dāng)前用戶(hù)偏好信息,利用協(xié)同過(guò)濾處理方式預(yù)測(cè)用戶(hù)感興趣內(nèi)容,以此為基礎(chǔ)設(shè)計(jì)推薦系統(tǒng),可有效避免噪聲干擾和人為因素的影響,保證較高的推薦結(jié)果精準(zhǔn)度。

        對(duì)于設(shè)計(jì)系統(tǒng)的研究展望內(nèi)容有:采用協(xié)同過(guò)濾算法設(shè)計(jì)的推薦系統(tǒng)是具有合理性的,但是有關(guān)藍(lán)牙交互可靠性還有待提高,主要原因是藍(lán)牙交互協(xié)議的不對(duì)稱(chēng)性,導(dǎo)致異構(gòu)通信模塊工作效率較低。因此,在以后研究過(guò)程中,爭(zhēng)取使用定量化方法來(lái)研究藍(lán)牙交互行為,保障系統(tǒng)的實(shí)時(shí)性。

        猜你喜歡
        音樂(lè)用戶(hù)信息
        圣誕音樂(lè)路
        兒童繪本(2017年24期)2018-01-07 15:51:37
        訂閱信息
        中華手工(2017年2期)2017-06-06 23:00:31
        關(guān)注用戶(hù)
        音樂(lè)
        關(guān)注用戶(hù)
        關(guān)注用戶(hù)
        如何獲取一億海外用戶(hù)
        展會(huì)信息
        音樂(lè)
        秋夜的音樂(lè)
        亚洲无av高清一区不卡| 国产免费又色又爽又黄软件| 欧美成人久久久| 中文字幕精品永久在线| 精品国产黄一区二区三区| 久久亚洲精品成人无码| 精品一区二区三区无码视频| www久久久888| 国产片在线一区二区三区| 国产又爽又大又黄a片| 精品午夜福利1000在线观看| 在线无码免费看黄网站| 亚洲高清国产成人精品久久| 啦啦啦中文在线观看日本| 亚洲AV日韩AV永久无码电影| 国产精品一区二区日韩精品 | 日本在线一区二区三区不卡| 国产精品无码av天天爽| 正在播放淫亚洲| 凹凸世界视频a一二三| 亚洲av无码乱码国产一区二区| 香蕉久久人人97超碰caoproen| 欧美巨大xxxx做受中文字幕| 亚洲av三级黄色在线观看| 亚洲va久久久噜噜噜久久男同| 国产欧美精品一区二区三区–老狼| 色se在线中文字幕视频| 亚洲乱码一区二区三区在线观看 | 久久精品国产亚洲av久五月天| 久久久www成人免费毛片| 成人午夜毛片| 中文字幕久区久久中文字幕| 精品国产三级a∨在线欧美| 竹菊影视欧美日韩一区二区三区四区五区| 官网A级毛片| 人妻久久一区二区三区| 波多野42部无码喷潮| 精品国产亚欧无码久久久| 成人男性视频在线观看| 欧美色欧美亚洲另类二区| 久久噜噜噜|