余莉娟

摘要：互聯(lián)網(wǎng)技術(shù)和電子信息技術(shù)的迅速發(fā)展為整個時代提供了巨大的計算能力，個性化推薦系統(tǒng)成為時代產(chǎn)物的縮影。結(jié)合常用的推薦系統(tǒng)核心算法，設(shè)計了一種針對個性化音樂的Apriori改進(jìn)算法，此算法通過用戶信息進(jìn)行深度學(xué)習(xí)，利用候選矩陣壓縮的方法進(jìn)行推薦優(yōu)化，采用準(zhǔn)確性、召回率等參數(shù)作為評價標(biāo)準(zhǔn)。以Last.fm音樂網(wǎng)站的部分?jǐn)?shù)據(jù)作為分析樣本，對選定音樂按個性化音樂推薦方式進(jìn)行試驗，Apriori改進(jìn)算法在準(zhǔn)確率和召回率方面均得到優(yōu)化，推薦效果更優(yōu)。在考慮推薦數(shù)量的前提下，Apriori改進(jìn)算法的準(zhǔn)確率和召回率均高于Plaucount算法，而相似度方面低于Plaucount算法。

關(guān)鍵詞：深度學(xué)習(xí);推薦系統(tǒng);個性化;音樂

中圖分類號：G643

文獻(xiàn)標(biāo)志碼：A

ResearchonPersonalizedMusicRecommendationAlgorithmBasedonDeepLearning

YULijuan

（CollegeofArt，ShangluoCollege，Shangluo726000，China）

Abstract：RapiddevelopmentoftheInternettechnologyandelectronicinformationtechnologyhasprovidedhugecomputingpowerforthewholeera，andpersonalizedrecommendationsystemhasbecometheepitomeoftheproductoftheera.Combinedwiththecommoncorealgorithmofrecommendationsystem，thispaperprovidesanimprovedApriorialgorithmforpersonalizedmusic.Thisalgorithmappliesuserinformationforindepthlearning，candidatematrixcompressionforrecommendationoptimization，accuracy，recallrateandotherparametersasevaluationcriteria.TakingpartofthedataofLast.fmmusicWebsiteastheanalysissample，theselectedmusicistestedaccordingtothepersonalizedmusicrecommendationmode.TheAprioriimprovedalgorithmisoptimizedinaccuracyandrecallrate，andtherecommendationeffectisbetter.Onthepremiseofconsideringthenumberofrecommendations，theaccuracyandrecallrateofAprioriimprovedalgorithmarehigherthanthatofPlaucountalgorithm，andthesimilarityislowerthanPlaucountalgorithm.

Keywords：deeplearning;recommendationsystem;personalization;music

0引言

伴隨著互聯(lián)網(wǎng)技術(shù)和電子信息技術(shù)的迅速崛起，大數(shù)據(jù)技術(shù)、云計算技術(shù)、機器人技術(shù)、人工智能技術(shù)、深度學(xué)習(xí)技術(shù)[1]等方面的發(fā)展尤為突出，對整個信息時代的進(jìn)步與發(fā)展提供了巨大的計算能力。在如此海量的信息中，快速準(zhǔn)確地找到所需信息變得越來越重要，而且有價值。由此而誕生的推薦系統(tǒng)[23]成為了用戶需求與內(nèi)容之間的橋梁，既可以滿足用戶找到感興趣的潛在內(nèi)容，也能夠更好地展示冷門內(nèi)容，發(fā)掘潛在用戶。

當(dāng)今社會已擁有更為強大的包容性，不同領(lǐng)域也均呈現(xiàn)出獨有的個性化和多元化，個性化推薦系統(tǒng)則能夠滿足不同用戶的需求，精準(zhǔn)地為用戶提供更好地體驗，由此產(chǎn)生了巨大的商業(yè)價值，成為互聯(lián)網(wǎng)企業(yè)爭相搶奪的“蛋糕”。

目前，個性化推薦系統(tǒng)早已得到廣泛認(rèn)可，并悄然融入到我們的生活中。音樂作為一種古老的藝術(shù)形式，能夠為人們帶來愉悅，但從海量的音樂作品中精準(zhǔn)地找到滿足用戶需求的音樂，則需要個性化音樂推薦系統(tǒng)根據(jù)用戶行為篩選適合用戶的個性化音樂，滿足用戶在當(dāng)時情景的需求，從而達(dá)到“眾口可調(diào)”的目的。

1推薦系統(tǒng)及核心算法

電子商務(wù)領(lǐng)域的推薦系統(tǒng)應(yīng)用最為廣泛，隨著互聯(lián)網(wǎng)在各領(lǐng)域的不斷滲透發(fā)展，音樂推薦系統(tǒng)也映入眼簾，根據(jù)用戶偏好、音樂描述信息等內(nèi)容構(gòu)建推薦模型，將滿足用戶需求的音樂內(nèi)容推送出來。目前，常用的推薦方法主要分為基于內(nèi)容的推薦方法、協(xié)同過濾推薦方法和混合推薦方法三種類型[4]。

（1）基于內(nèi)容的推薦算法[5]

該方法為一類傳統(tǒng)的推薦方法，其基本思路就是根據(jù)用戶的歷史信息，對用戶的偏好行為進(jìn)行特征分析，得到用戶偏好集合，將這些集合與代推薦內(nèi)容進(jìn)行信息匹配，從而實現(xiàn)推薦。常用的音樂推薦算法有基于標(biāo)注內(nèi)容的推薦算法和基于音樂特征的音樂算法[6]。

以基于音樂標(biāo)注內(nèi)容的推薦算法為例，用戶A和用戶B對音樂的偏好類型分別為歐美、電音和華語、民謠，其中歐美、電音、華語、民謠均代表歌曲的風(fēng)格和類型，當(dāng)新歌曲c出現(xiàn)時，華語和民謠就成為該歌曲的標(biāo)注內(nèi)容，屬于特征信息，推薦系統(tǒng)則會根據(jù)這些特征信息優(yōu)先向用戶B推薦，從而實現(xiàn)精準(zhǔn)推薦，如圖1所示。

（2）協(xié)同過濾推薦算法

鑒于協(xié)同過濾算法具有普遍適應(yīng)性的特點，該算法被廣泛應(yīng)用于眾多領(lǐng)域。利用用戶偏好的相同性或相似性進(jìn)行內(nèi)容推薦是該算法的核心思想。協(xié)同過濾推薦算法主要包含基于用戶的協(xié)同過濾推薦算法、基于物品的協(xié)同過濾推薦

算法和基于模型的協(xié)同過濾推薦算法3種類型[7]。

以基于用戶的協(xié)同過濾推薦算法為例，用戶A、C在歌曲偏好的相似程度更高，如圖2所示。

推薦系統(tǒng)首先了解到兩位用戶對歌曲偏好的歷史數(shù)據(jù)，再利用數(shù)據(jù)挖掘或深度學(xué)習(xí)的方式建立預(yù)測模型，雖然用戶A沒有關(guān)注歌曲d，但推薦系統(tǒng)仍可將歌曲d向用戶A實行預(yù)測推薦。

（3）混合推薦算法

單一的推薦算法在使用過程中都存在不足和局限性，很難滿足準(zhǔn)確推薦的要求。隨著用戶個性化要求的日益嚴(yán)苛和數(shù)據(jù)量的激增，需結(jié)合多種推薦算法發(fā)掘用戶信息和需求信息之間的相關(guān)性。目前混合推薦算法的發(fā)展方向主要有加權(quán)的混合、切換的混合、融入其他因素的混合和分層混合四種[68]。

1）加權(quán)的混合如式（1）。

fu，i=α1s1u，i+α2s2u，i+…+αnsnu，i

（1）

式中：u——任一用戶;

i——任一物品;

αn——不同的權(quán)重系數(shù);

sn——不同的推薦算法。

2）切換的混合如式（2）。

fu，i=β1u，is1u，i+β2u，is2u，i+…+

βnu，isnu，i

（2）

式中：β1u，i——用戶u推薦物品i時，snu，i所占的比重。

3）融入其他因素的混合如式（3）。

fu，i=∑nj=1λjsju，i，e1，e2，…，ek

（3）

式中：ek——需要特別考慮的因素。

4）分層的混合如式（4）。

fu，i=g∑nj=1λjsju，i

（4）

式中：g（）——外層嵌套推薦算法;

∑nj=1λjsju，i——內(nèi)層推薦算法，加權(quán)、切換或融入其它因素的混合。

2個性化音樂推薦方法

2.1改進(jìn)的Apriori算法原理

關(guān)聯(lián)規(guī)則主要應(yīng)用于數(shù)據(jù)挖掘中發(fā)掘用戶行為，最早由Srikan提處[8]，已在教育、保險等眾多領(lǐng)域內(nèi)得到廣泛應(yīng)用。Apriori算法是關(guān)聯(lián)規(guī)則挖掘算法中的基本類型之一，屬于一類頻集理論遞推的方法，主要依靠“頻繁項集的所有非空子集必定是頻繁的”[9]這一性質(zhì)得以實現(xiàn)。

Apriori算法通常是在首次循環(huán)實現(xiàn)對數(shù)據(jù)庫的掃描后得到1階大項集;在后續(xù)的第k次循環(huán)中對k-1階大項集Lk-1（第k-1次循環(huán)時產(chǎn)生）進(jìn)行Apriori_gen運算，從而得到Ck，即k階候選項集;繼續(xù)對數(shù)據(jù)庫進(jìn)行掃面后得到Ck的支持?jǐn)?shù)，進(jìn)一步會得到不小于最小支持?jǐn)?shù)的k階大項集;對上述步驟進(jìn)行重復(fù)，當(dāng)出現(xiàn)某一階的大項集為空時，算法則會停止。

Apriori算法的詳細(xì)過程如下：

L1=large1-itemsets;

fork=2;Lk-1≠φ;k=k+1do

Ck=Apriori_genLk-1;//構(gòu)造候選項集

Foralltransactionst∈Ddo

Ct=subsetCk，t;//搜索事物t中包含的候選項集

ForallC∈CtdoC.sup=C.sup+1;Endfor//計算支持?jǐn)?shù)

Endfor

Lk=C∈CkC.sup≥minsup;//得到k階大項集

Endfor

L=∪kLk

Apriori算法同其他算法一樣，也具有自身的優(yōu)缺點。優(yōu)點在于當(dāng)支持度較高時，數(shù)據(jù)庫的掃描次數(shù)會較少且空間復(fù)雜程度低，缺點就是在數(shù)據(jù)庫掃描過程中會產(chǎn)生海量的候選集，存在重復(fù)掃面的現(xiàn)象出現(xiàn)。由于Apriori算法存在耗時長、效率低的劣勢，本文通過候選矩陣壓縮的方法進(jìn)行了優(yōu)化，在準(zhǔn)確性和效率方面均有所提升。具體步驟如下：

1）掃描整個音樂數(shù)據(jù)庫得到事務(wù)矩陣D;

2）對矩陣中的事務(wù)信息進(jìn)行編碼、排序處理，記錄為一行，對于小于閾值的項進(jìn)行刪除，得到只含0和1的d1，d2，d3，…，dn;

3）將矩陣H分解并升序排列為H1，H2，H3，…，Hm;

4）掃描列向量Dm，并對dnm進(jìn)行判斷;

5）若dnm=1，則取前m項（含dnm在內(nèi)）形成子矩陣Hm，如式（5）。

M1M2M3M4M5M6

H=110001011000110100101011010011110011000011T1T2T3T4T5T6T7

（5）

假設(shè)支持度閾值為2，則得到的個性化音樂事務(wù)如表1所示。

與權(quán)重相結(jié)合，得到子集Ti的支持度如式（6）。

SupportTi=1l∑j∈tiwj×SupportTi

（6）

其中，l表示Ti的長度。

計算得到列向量和行向量分別為4，5，2，1，4，5T和3，2，3，4，3，4，2，經(jīng)降序排列得到矩陣H′，如式（7）。

M2M6M1M5M3M4

554421

H′=1100010110001101001010110100111100110000114433322

（7）

將行列和不滿足支持度閾值2的項處理后，得到矩陣H″，如式（8）。

M2M6M1M5

5544

H″=111101011110101011010101

（8）

矩陣H″經(jīng)分解處理后可知，M2、M6和矩陣H″經(jīng)分解處理后可知，M2、M6和M2、M1具有很強的關(guān)聯(lián)性。實際情況下，如果M2屬于用戶的關(guān)注音樂作品，即使M6、M1與M2缺乏內(nèi)容上的相似性，也會因強關(guān)聯(lián)性而被推薦給用戶。

2.2個性化音樂推薦方法

個性化音樂推薦的第一步計算用戶的興趣度。為了方便計算，需先對音樂庫中樂曲進(jìn)行分類編號，則用戶在第i類歌曲中第j首歌曲的欣賞時間占音樂欣賞的總時間比如式（9）。

ρij=tij-αijβij-αij

（9）

式中：βij為收聽時間最大值，αij為收聽時間最小值，tij的取值如式（10）。

tij=αij，t′ij≤αij

t′ij，αij≤t′ij≤βij

βij，t′ij≥βij

ρij，t′ij∈R，收藏歌曲

（10）

根據(jù)公式（9）中用戶對不同音樂收聽時間比例，則可計算用戶對i類音樂的興趣度，其計算如式（11）。

Inti=∑mj=1tij∑ni=1∑mj=1tij

（11）

獲取用戶興趣度后，利用音樂本身標(biāo)簽等音樂信息和基于用戶興趣的音樂標(biāo)簽之間的對應(yīng)關(guān)系，通過音樂信息預(yù)測和用戶興趣度計算的方式，從音樂庫中將強關(guān)聯(lián)性的音樂向用戶進(jìn)行推薦，滿足用戶的個性化需求，總體推薦流程，如圖3所示。

3試驗結(jié)果評估分析

（1）樣本數(shù)據(jù)集及試驗環(huán)境

為了減小數(shù)據(jù)采集對試驗結(jié)果造成的誤差，必須選用一個含有足夠數(shù)據(jù)量的數(shù)據(jù)庫，且各類算法的數(shù)據(jù)采集均出自于相同數(shù)據(jù)庫。因此本文選用了公開的Last.fm音樂網(wǎng)站數(shù)據(jù)，目前該數(shù)據(jù)庫已包含近40萬條用戶記錄，且該數(shù)據(jù)庫

能夠支持用戶進(jìn)行自定義標(biāo)簽，方便對數(shù)據(jù)進(jìn)行標(biāo)定。本次試驗隨機選取4281條用戶記錄，其中包含音樂信息245314條和音樂標(biāo)簽14263個，利用數(shù)據(jù)處理軟件TRIFACTA軟件對數(shù)據(jù)庫進(jìn)行信息統(tǒng)計分析后得到標(biāo)簽分布情況如圖4所示。

由于本次試驗是對不同推薦系統(tǒng)推薦效率的橫向?qū)Ρ?，因此對比試驗的外部環(huán)境應(yīng)該是相同的，試驗的外部環(huán)境，如表2所示。

（2）試驗結(jié)果評價標(biāo)準(zhǔn)

本文是從評價的準(zhǔn)確性作為結(jié)果評價的首要標(biāo)準(zhǔn)，在準(zhǔn)確性相同時引入結(jié)果多樣性指標(biāo)作為評價的輔助標(biāo)準(zhǔn)。根據(jù)相關(guān)研究[10]，推薦系統(tǒng)的準(zhǔn)確度評價標(biāo)準(zhǔn)分類較多，各種分類標(biāo)準(zhǔn)間各有優(yōu)勢和不足，而本文的準(zhǔn)確度評價采用了目前較為普遍的準(zhǔn)確率和召回率兩個定量指標(biāo)，如式（12）、式（13）。

準(zhǔn)確率=∑u∈URu∩Tu∑u∈URu

（12）

召回率=∑u∈URu∩Tu∑u∈UTu

（13）

式中：Ru——系統(tǒng)向用戶u推薦音樂集;

Tu——用戶u感興趣的原有音樂集;

U——用戶集。

在某些算法中，這兩個定量指標(biāo)在面對特定的數(shù)據(jù)集時的計算結(jié)果十分相近，難以對計算準(zhǔn)確度進(jìn)行客觀評價，因此本文參考相關(guān)文獻(xiàn)[1012]，在計算準(zhǔn)確度基礎(chǔ)上引入結(jié)果多樣性指標(biāo)，如式（14）。

Simu，r=∑ti∈M（r）Mti1+countr∈Mti

（14）

式中：ti——音樂標(biāo)簽;

Mti——采用音樂標(biāo)簽ti標(biāo)注的音樂集;

1+countr∈Mti——采用音樂標(biāo)簽ti的總數(shù)。

（3）試驗結(jié)果分析

通過調(diào)查分析，目前較為受歡迎的軟件大多采用Plaucount算法，因此本文采用Plaucount算法與改進(jìn)的Apriori算法進(jìn)行推薦對比分析，并以準(zhǔn)確率及召回率為判斷標(biāo)準(zhǔn)，得到的試驗結(jié)果如圖5、圖6所示。

從圖5可以看出，當(dāng)音樂推薦次數(shù)不超過18次時，Plaucount算法和改進(jìn)的Apriori算法在準(zhǔn)確率方面相差不大;當(dāng)音樂推薦次數(shù)超過18次時，改進(jìn)的Apriori算法在準(zhǔn)確率方面則會顯著優(yōu)于Plaucount算法;對比結(jié)果表明，當(dāng)音樂推薦次數(shù)相同且達(dá)到一定數(shù)量時，改進(jìn)的Apriori算法的推薦效果明顯優(yōu)于Plaucount算法，更容易滿足用戶的個性化要求。

從圖6可以看出，改進(jìn)的Apriori算法在召回率方面優(yōu)于Plaucount算法，表明改進(jìn)的Apriori算法推薦的音樂在數(shù)量方面也高于Plaucount算法，更容易成為用戶感興趣的音樂。

在音樂推薦系統(tǒng)中，過多或過少的音樂推薦均得不到理想的效果。推薦結(jié)果過多，則需用戶在推薦音樂中進(jìn)行二次篩選，系統(tǒng)推薦得不到認(rèn)可，用戶滿意度會降低;推薦結(jié)果過少，則會出現(xiàn)篩選遺漏的現(xiàn)象，將用戶感興趣的內(nèi)容直接過濾掉，造成內(nèi)容缺少，達(dá)不到理想的推薦效果，如圖7所示。

從圖7可以看出，改進(jìn)的Apriori算法在相似度方面低于Plaucount算法，表明改進(jìn)的Apriori算法在推薦音樂時充分考慮了用戶興趣的相似性，在音樂相似性的冗余度方面做了考慮，實現(xiàn)了音樂推薦的多樣化，避免出現(xiàn)篩選遺漏現(xiàn)象，相比于Plaucount算法，推薦結(jié)果的同質(zhì)化相對較弱。

4總結(jié)

本文在概括介紹推薦系統(tǒng)常用的核心算法的基礎(chǔ)上，結(jié)合個性化音樂推薦提供了Apriori算法的改進(jìn)應(yīng)用，并給出了基于深度學(xué)習(xí)的個性化音樂推薦的具體流程。通過選取Last.fm上的部分?jǐn)?shù)據(jù)作為樣本，經(jīng)對比分析后得到如下結(jié)論：

（1）以推薦準(zhǔn)確度為計算標(biāo)準(zhǔn)，采用候選矩陣壓縮的方法對Apriori的計算原理進(jìn)行了分析，在此基礎(chǔ)上設(shè)計了個性化音樂推薦的流程。

（2）考慮到推薦數(shù)量對推薦效果的影響，將改進(jìn)的Apriori算法與Plaucount算法對比可知，在準(zhǔn)確率和召回率方面，改進(jìn)的Apriori算法均優(yōu)于Plaucount算法，表明改進(jìn)的Apriori算法推薦的音樂能容易滿足用戶需求;在相似度方面，改進(jìn)的Apriori算法則低于Plaucount算法，表明改進(jìn)的Apriori算法的推薦在考慮了用戶興趣的基礎(chǔ)上實現(xiàn)音樂推薦的多樣化。

參考文獻(xiàn)

[1]徐正巧，趙德偉.深度學(xué)習(xí)理論視角下的移動學(xué)習(xí)推薦系統(tǒng)的設(shè)計和研究[J].智能計算機與應(yīng)用，2014，4（2）：5758.

[2]GoldbergD.Usingcollaborativefilteringtoweaveaninformationtapestry[J].CommunicationsoftheACM，1992，35（12）：6170.

[3]EpplerMJ，MengisJ.Theconceptofinformationoverload：Areviewofliteraturefromorganizationscience，accounting，marketing，MIS，andrelateddisciplines[J].TheInformationSociety，2004，20（5）：325344.

[4]鄧騰飛.個性化音樂推薦系統(tǒng)的研究[D].廣州：華南理工大學(xué)，2018.

[5]朱志慧，田婧，林捷.大數(shù)據(jù)環(huán)境下基于用戶位置的個性化音樂推薦系統(tǒng)設(shè)計[J].無線互聯(lián)科技，2019，16（2）：7980.

[6]艾筆.個性化音樂推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].成都：電子科技大學(xué)，2018.

[7]楊凱，王利，周志平，等.基于內(nèi)容和協(xié)同過濾的科技文獻(xiàn)個性化推薦[J].信息技術(shù)，2019，43（12）：1114.

[8]黃立威，江碧濤，呂守業(yè)，等.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計算機學(xué)報，2018，41（7）：16191647.

[9]陳波.基于Apriori算法及其改進(jìn)算法綜述[C].中國通信學(xué)會第五屆學(xué)術(shù)年會論文集.江蘇南京：中國通信學(xué)會，2008（2）：176181.

[10]李臻.應(yīng)用于音樂節(jié)目分類的Apriori挖掘算法設(shè)計[J].現(xiàn)代電子技術(shù)，2019，42（19）：9094.

[11]王彩強，趙憲中，劉涌，等.大數(shù)據(jù)環(huán)境下改進(jìn)的Apriori算法研究[J].科技通報，2019，35（7）：182185.

[12]AgrawalR，ImielińskiT，SwamiA.Miningassociationrulesbetweensetsofitemsinlargedatabases[J].ACMSIGMODRecord，1993，22（2）：207216.

（收稿日期：2020.02.25）