王曉燕

（集寧師范學(xué)院，內(nèi)蒙古 烏蘭察布 012000）

現(xiàn)階段，個(gè)性化推薦已經(jīng)獲得廣泛認(rèn)可，同時(shí)充分融入民眾生活。音樂(lè)是一種人們喜聞樂(lè)見(jiàn)的藝術(shù)形式，可以給民眾帶來(lái)娛樂(lè)，然而在海量音樂(lè)中準(zhǔn)確尋找符合用戶(hù)要求的作品，需要通過(guò)個(gè)性化推薦算法結(jié)合用戶(hù)行為進(jìn)行有效篩選，滿(mǎn)足用戶(hù)基于當(dāng)時(shí)情景的要求，進(jìn)而實(shí)現(xiàn)眾口可調(diào)目標(biāo)[1]。

1 優(yōu)化的Apriori算法

1.1 Apriori算法

設(shè)定音樂(lè)項(xiàng)目集合為M={M1，M2，M3，…，Mn}，D（字段集合）為項(xiàng)集，子集T為{t1，t2，t3，…，tn}，ti?I對(duì)各個(gè)事務(wù)標(biāo)注為T(mén)id，D中項(xiàng)目數(shù)量是k。

T在D中出現(xiàn)次數(shù)在D中的比重為T(mén)支持度，見(jiàn)下式：

支持度代表規(guī)則之中事務(wù)出現(xiàn)頻率，一般會(huì)設(shè)定最小閾值支持度，如果項(xiàng)集支持度比閾值大，那么變成頻繁項(xiàng)集。

設(shè)定M1∩M2=?，那么稱(chēng)D中涵蓋T1、T2，T2是項(xiàng)集置信度，見(jiàn)下式：

D事務(wù)矩陣如下：

進(jìn)行計(jì)算時(shí)，掃描D過(guò)程中，若是支持度與置信度均比各自閾值大，則是強(qiáng)關(guān)聯(lián)規(guī)則[2]。

在運(yùn)用Apriori算法開(kāi)展關(guān)聯(lián)規(guī)則計(jì)算工作時(shí)，主要涵蓋以下步驟：首先，數(shù)據(jù)庫(kù)的掃描，尋找項(xiàng)集中涵蓋的頻繁項(xiàng)集。其次，按照頻繁項(xiàng)集進(jìn)行最小置信度構(gòu)造。

1.2 優(yōu)化Apriori算法

Apriori算法優(yōu)化核心內(nèi)容是掃描數(shù)據(jù)庫(kù)，形成矩陣儲(chǔ)存事務(wù)信息，之后按照權(quán)值對(duì)所有事務(wù)支持度進(jìn)行計(jì)算，同時(shí)根據(jù)支持度計(jì)算結(jié)果對(duì)事物矩陣展開(kāi)排序處理，和閾值之間逐條對(duì)比，若是事務(wù)支持度比閾值小，則進(jìn)行刪除處理，之后分解事務(wù)矩陣，最后開(kāi)展形成頻繁項(xiàng)集操作[3]。

掃描音樂(lè)數(shù)據(jù)庫(kù)形成D（事物矩陣）從，每行記錄一個(gè)事務(wù)與相應(yīng)權(quán)重，之后進(jìn)行排序編碼處理，將低于閾值事項(xiàng)刪除，使行向量[d1，d2，d3，…，dj]變?yōu)?與1，進(jìn)而能夠按照頻繁項(xiàng)集升序?qū)進(jìn)行分解，變?yōu)樽泳仃嚕瑪?shù)量為P個(gè)，即H1，H2，H3，…，Hp。

掃描H第p個(gè)列向量，即Dp=(d1p，d2p，d3p，…，dqp)，對(duì)dip依次判斷，如果值為1，那么選取H中前p項(xiàng)，產(chǎn)生Hp。

借助簡(jiǎn)單例子對(duì)具體過(guò)程中進(jìn)行說(shuō)明，將支持度閾值設(shè)定為2，音樂(lè)事務(wù)如下：T1：M1，M2，M6。T2：M2，M3。T3：M1，M2，M4。T4：M1，M3，M5，M6。T5：M2，M5，M6。T6：M1，M2，M5，M6。T7：M5，M6。

按照相應(yīng)公式，根據(jù)權(quán)值能夠獲得Ti子集支持度，

其中，k代表Ti長(zhǎng)度。

掃描數(shù)據(jù)庫(kù)，獲得事務(wù)矩陣：

借助計(jì)算獲得行向量與列向量，分別為{3,2,3,4,3,4,2}、{4,5,2,1,4,5}，進(jìn)行降序排列處理，獲得H’：

2 音樂(lè)標(biāo)簽的信息處理

2.1 以用戶(hù)為基礎(chǔ)的音樂(lè)標(biāo)簽

音樂(lè)標(biāo)簽多樣性、語(yǔ)義性特點(diǎn)良好，良好音樂(lè)的標(biāo)簽可以充分代表音樂(lè)內(nèi)容，將音樂(lè)關(guān)鍵特征充分體現(xiàn)出來(lái)，專(zhuān)家標(biāo)注方式已經(jīng)無(wú)法滿(mǎn)足多樣化、海量音樂(lè)內(nèi)容，當(dāng)前，一般選擇用戶(hù)打標(biāo)簽?zāi)Ｊ?，然而此種方式也存在一定問(wèn)題，即在用戶(hù)數(shù)量增長(zhǎng)過(guò)程中，同時(shí)標(biāo)準(zhǔn)不夠統(tǒng)一，用戶(hù)能夠選擇任意標(biāo)簽對(duì)同一音樂(lè)表達(dá)理解，所以，導(dǎo)致標(biāo)簽信息數(shù)量持續(xù)增長(zhǎng)，而有用信息降低。

針對(duì)此類(lèi)音樂(lè)標(biāo)簽，其可以將受眾對(duì)于音樂(lè)最直接反映體現(xiàn)出來(lái)，為推薦算法提供良好的依據(jù)，但是也存在信息雜亂、不統(tǒng)一等問(wèn)題。

2.2 音樂(lè)標(biāo)簽

因?yàn)槭鼙姌?biāo)注音樂(lè)時(shí)，存在不規(guī)范、不相關(guān)以及其他問(wèn)題，使用此類(lèi)標(biāo)簽過(guò)程中，需要將噪聲信息刪除，保留有效信息，可以借助多維對(duì)應(yīng)方法將標(biāo)簽噪聲刪除。

對(duì)于用戶(hù)日志，一般借助聽(tīng)歌記錄并不能夠?qū)ζ錁?biāo)注信息進(jìn)行獲取，可以借助MBID接口獲取標(biāo)注信息。開(kāi)展數(shù)據(jù)采集工作時(shí)，若是同一標(biāo)簽對(duì)不同音樂(lè)進(jìn)行標(biāo)注，則應(yīng)該自動(dòng)干預(yù)，此種現(xiàn)象表明不同音樂(lè)具有一定相似性，可以借助jaccard相似系數(shù)對(duì)各個(gè)音樂(lè)相似度進(jìn)行計(jì)算，見(jiàn)下式：

其中，代表集合中的標(biāo)注標(biāo)簽。

處理音樂(lè)標(biāo)簽時(shí)，主要目的就是刪除被標(biāo)注標(biāo)簽的噪聲，對(duì)有效標(biāo)簽進(jìn)行保留。借助多維對(duì)應(yīng)分析法開(kāi)展分類(lèi)數(shù)據(jù)分析工作，對(duì)底層結(jié)構(gòu)數(shù)據(jù)集進(jìn)行檢測(cè)以及表示，標(biāo)簽數(shù)據(jù)能夠以分類(lèi)數(shù)據(jù)角度分析，然而對(duì)各類(lèi)標(biāo)簽若是看作一類(lèi)標(biāo)簽，則會(huì)由于數(shù)據(jù)庫(kù)中信息維度過(guò)高，影響數(shù)據(jù)計(jì)算效果，因此應(yīng)該開(kāi)展數(shù)據(jù)降維處理，標(biāo)簽點(diǎn)按照降維數(shù)進(jìn)行映射處理，因此可以選擇余弦相關(guān)性度對(duì)2個(gè)維度相似性進(jìn)行計(jì)算。

借助A1代表音樂(lè)標(biāo)注第一個(gè)信息，A2代表第二個(gè)信息，最終計(jì)算結(jié)果顯示，相應(yīng)向量夾角即A1相似度與A2相似度，最終能夠刪除弱相關(guān)性的標(biāo)簽。

處理音樂(lè)標(biāo)簽時(shí)，借助刪除無(wú)效內(nèi)容，并對(duì)標(biāo)簽信息中高頻率出現(xiàn)標(biāo)簽信息進(jìn)行記錄，進(jìn)而得到有效用戶(hù)標(biāo)注與音樂(lè)標(biāo)簽，此種方式能夠客觀(guān)反饋音樂(lè)信息，也是用戶(hù)興趣點(diǎn)。

3 推薦方法

受眾興趣度涵蓋以下類(lèi)型：首先，顯性類(lèi)型，受眾主動(dòng)提供給系統(tǒng)，體現(xiàn)出受眾主觀(guān)意愿。其次，隱性類(lèi)型，借助分析受眾聽(tīng)歌行為獲取，可以將用戶(hù)聽(tīng)歌行為習(xí)慣體現(xiàn)出來(lái)。因?yàn)轱@性興趣度能夠直接獲取，所以主要分析隱性興趣度。

數(shù)字音樂(lè)屬于被推薦商品，其含有商品共性，另外個(gè)性較強(qiáng)，特別對(duì)于推薦系統(tǒng)，此種個(gè)性導(dǎo)致無(wú)法根據(jù)普遍推薦算法開(kāi)展音樂(lè)推薦工作。以用戶(hù)行為層面分析，受眾可以通過(guò)多樣化方式操作音樂(lè)，比如受眾對(duì)于一首歌曲聽(tīng)的時(shí)間可以體現(xiàn)出受眾對(duì)于該歌曲的喜愛(ài)程度，這與推薦時(shí)借助用戶(hù)購(gòu)買(mǎi)記錄獲取相似商品存在一定差異。對(duì)普通受眾興趣度計(jì)算展開(kāi)合理優(yōu)化，開(kāi)展計(jì)算工作前，進(jìn)行幾點(diǎn)假設(shè)：

第一，受眾會(huì)點(diǎn)擊收聽(tīng)感興趣音樂(lè)。

第二，受眾對(duì)于歌曲的操作行為體現(xiàn)出其在音樂(lè)方面的興趣度。例如，受眾聽(tīng)取一首音樂(lè)的時(shí)長(zhǎng)體現(xiàn)出其興趣度，若是其聽(tīng)完該音樂(lè)，代表其對(duì)于此首音樂(lè)比較感興趣；若是收藏此首音樂(lè)，則體現(xiàn)出受眾非常感興趣。

第三，同類(lèi)受眾在未知音樂(lè)中具有相同音樂(lè)度。

4 實(shí)驗(yàn)評(píng)估

4.1 Last.fm數(shù)據(jù)集

Last.fm支持受眾自定義對(duì)音樂(lè)標(biāo)簽進(jìn)行處理，同時(shí)對(duì)受眾收聽(tīng)信息進(jìn)行記錄。現(xiàn)階段，公布的信息中用戶(hù)記錄達(dá)到36萬(wàn)個(gè)，隨機(jī)挑選4128個(gè)信息，其中音樂(lè)為231453首，音樂(lè)標(biāo)簽為13246個(gè)。

4.2 評(píng)價(jià)標(biāo)準(zhǔn)

評(píng)價(jià)推薦結(jié)果過(guò)程中，以Recall（召回率）與Precision（準(zhǔn)確率）為標(biāo)準(zhǔn)，見(jiàn)下式：

其中，T(u)代表原始數(shù)據(jù)集受眾感興趣音樂(lè)幾何，R(u)系統(tǒng)推薦給受眾的集合。

另外，為了對(duì)推薦結(jié)果多樣性進(jìn)行驗(yàn)證，選擇相似度計(jì)算方法進(jìn)行驗(yàn)證，見(jiàn)下式：

其中，1+count(r∈M(ti)代表ti音樂(lè)標(biāo)簽使用數(shù)，M(ti)代表ti所標(biāo)注音樂(lè)集，ti代表音樂(lè)標(biāo)簽。

4.3 實(shí)驗(yàn)結(jié)果

選擇UserCF（協(xié)同過(guò)濾算法）、聚類(lèi)UserCF和本文方法展開(kāi)召喚率、準(zhǔn)確率對(duì)比，結(jié)果如下：聚類(lèi)UserCF：Precision為72%，Recall為29%。UserCF：Precision為64%，Recall為20%。Apriori+：Precision為79%，Recall為26%。

通過(guò)實(shí)驗(yàn)結(jié)果能夠發(fā)現(xiàn)，準(zhǔn)確率對(duì)比方面優(yōu)于所對(duì)比方法，比聚類(lèi)UserCF方法召回率略低。

對(duì)于推薦算法，Playcount算法主要是對(duì)受眾潛在興趣度著重挖掘，采用Playcount方法和各項(xiàng)結(jié)果展開(kāi)對(duì)比。

對(duì)于推薦系統(tǒng)，音樂(lè)結(jié)合應(yīng)該適量，若是推薦結(jié)果較多則會(huì)導(dǎo)致針對(duì)性不足，進(jìn)而導(dǎo)致受眾在推薦結(jié)果方面喪失耐心，若是結(jié)果較少則會(huì)導(dǎo)致受眾感興趣內(nèi)容遺漏，所以對(duì)于推薦集合音樂(lè)數(shù)量進(jìn)行設(shè)定：25、23、20、18、15、13、10、8、5，結(jié)果準(zhǔn)確率，Playcount為：0.851、0.852、0.857、0.861、0.865、0.876、0.881、0.898、0.910。Apriori+為：0.879、0.882、0.882、0.866、0.873、0.876、0.885、0.910。

結(jié)果召回率分別如下：Playcount為：0.26、0.25、0.24、0.23、0.18、0.16、0.13、0.08、0.03。Apriori+為：0.28、0.27、0.26、0.24、0.20、0.17、0.14、0.09、0.03。

通過(guò)以上實(shí)驗(yàn)結(jié)果能夠發(fā)現(xiàn)，對(duì)于準(zhǔn)確率，推薦次數(shù)在18次以?xún)?nèi)時(shí)，兩種方式并無(wú)較大差異，然而超出18次時(shí)，本文方法推薦效果比Playcount方法效果突出，體現(xiàn)出基于推薦數(shù)量相同條件下，本文方法形成的推薦集合受眾感興趣音樂(lè)占比優(yōu)于Playcount。對(duì)于召回率，本文方法優(yōu)于Playcount，體現(xiàn)出本文方法形成的推薦集受眾感興趣的音樂(lè)數(shù)量比Playcount高。

相似度如下：Playcount為：0.96、0.94、0.92、0.91、0.90、0.88、0.87、0.86、0.85。Apriori+為：0.83、0.83、0.82、0.80、0.80、0.79、0.78、0.76、0.75。

通過(guò)上述數(shù)據(jù)能夠發(fā)現(xiàn)，Playcount方法具有較高相似度，極易出現(xiàn)同質(zhì)化問(wèn)題。但是本文方法具有較低相似度，不僅對(duì)受眾相似興趣進(jìn)行充分考慮，同時(shí)體現(xiàn)出推薦多樣性。

5 結(jié)語(yǔ)

綜上所述，根據(jù)受眾興趣度計(jì)算，對(duì)推薦結(jié)果多樣性進(jìn)行考慮，選擇優(yōu)化Apriori算法對(duì)目標(biāo)音樂(lè)和音樂(lè)庫(kù)之間相似度，充分保證準(zhǔn)確率，并且提高推薦結(jié)果多樣性。對(duì)音樂(lè)標(biāo)簽開(kāi)展噪聲處理，留下有效標(biāo)簽。并基于受眾興趣度，設(shè)計(jì)推薦系統(tǒng)流程，有效提高推薦效果。實(shí)驗(yàn)選擇Last.fm進(jìn)行仿真實(shí)驗(yàn)，最終結(jié)果可以滿(mǎn)足使用要求。