基于用户_Context_的音乐推荐.pdf

User Context Based Music Recommendation By C Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 数据分析结果 下载行为分析 用户总数：60099人 周期内下载总次数：353992次 周期内人均下载次数：5.9次 242, 0% 715, 1% 1084, 2% 3286, 5% 7009, 12% 47763, 80% 10050 3015 50 15次：92% 05次：80% 数据分析结果 分析分析总结总结 不活跃用户较多：试听10次以内用户占总数60% 用户下载次数少： 下载05次的用户约占总数80% 冷门歌曲多： 冷门歌曲约占周期内播放过歌曲的88% 引入用户“Context”，减少数据稀疏带来的影响 User-Based 协同过滤 效果差 Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 用户“Context”发现 “Context”定义 工作上班 休闲放松 旅途行程 健 身 运 动 伤心忧愁 Context = 爱好 + 环境 + 心情 + 事情 + 假设：歌曲的选择受“Context”影响 用户“Context”发现 利用“Context”做音乐推荐 对比 UserKNN Content-based BPRMF (Bayesian Personalized Ranking Matrix Factorization) 有较为显著的提升 用户“Context”发现 怎么发现“Context” 利用用户的歌单序列 依据：用户会用不同的歌曲制作不同的歌单表现不一样的“Context” 用户“Context”发现 怎么发现“Context” 分析用户听歌的序列，挖掘出隐藏在序列背后的听歌“Context” 歌曲序列表示“Context”？ （1）歌曲多，组合多，计算量太大，频繁项集难以挖掘 （2）粒度太细，容易产生过拟合现象 （4）不能使“不同歌单表现同样的Context” （3）不适用于冷启动问题 如何表示“Context” 不行 用户“Context”发现 有效地表示“Context” 利用标签发现歌曲“潜在类簇”，用类簇表示“Context” 依据如下： （1）标签反映用户对该歌的偏好 （2）基于标签得到的类簇表现歌曲之间隐藏的共性（也就是这些歌曲被不同 用户收听的共同原因） （3）类簇表示的行为序列可以从更高层（Abstract）的角度表示、发现和 解释用户的“Context”、“Context”的变化及其变化的原因 用户“Context”发现 怎么得到 “音乐类簇” 利用音乐基因（标签） 用户“Context”发现 怎么得到 “音乐类簇” 音乐基因结合LDA( Latent Dirichlet Allocation ) 得到两个矩阵： T 1 T 2 T 3 Song 1 Song 2 Song 3 Tag 1 Tag 2 Tag 3 T 1 T 2 T 3 Song-Topic：每首歌中，不同的Topic（音乐类簇）在这首歌所占的比重 Topic-Tag：每个Tag在这个Topic所占的比重 用户“Context”发现 什么是“音乐类簇” Topic 用Tag表示的“音乐类簇” Topic 2：拉丁风 Topic 4：摇滚 。 用户“Context”发现 用Topic代替Song hu = suk1 , suk2 , suk3 , hu = , , , 用户“Context”发现 例子 利用频繁序列做预测，如以下用户： 用户“Context”发现 利用频繁序列做预测 得到的下一首歌曲的Topic集合及其得分： pu = , , Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 融合“Context”的推荐 结合协同过滤与“用户Context”的推荐 融合协同过滤与“用户Context”的推荐得分： predictionScore(，s) = (ContextScore(，s)+1) * (CFScore(s)+) （1）推荐总得分： （2）选择得分最高的s推荐 CFScore(s) = , , ContextScore(，s) = p T Ti s score(T Ti) T Ti pu / score(T Ti) T Ti pu Outline Outline 1 2 3 4 数据分析结果 用户“Context”发现 融合“Context”的推荐 总结 总结 口头总结