资源描述：
《基于用户 context 的音乐推荐》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。
1、基于用户Context的音乐推荐UserContextBasedMusicRecommendationByCOutlineOutline1234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%>100>50>30>15>5>015次：92%0~5次：80%数据分析结果分析总结不活跃用户较多：试听10次以内用户占总数60
2、%用户下载次数少：下载0~5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OutlineOutline1234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UserKNNContent-basedBPRMF
3、(BayesianPersonalizedRankingMatrixFactorization)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“Con
4、text”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(LatentDirichletAlloca
5、tion)——得到两个矩阵：T1T2T3…Song1Song2Song3…Tag1Tag2Tag3…T1T2T3…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”Topic2：拉丁风Topic4：摇滚。。。用户“Context”发现用Topic代替Songhu=[suk1,suk2,suk3,…]————————hu=[<T1>,<T2,T8>,<T5,T8,T9&g
6、t;,…]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=[<T6,5>,<T23,3>,]OutlineOutline1234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)+α1)*(CFScore(s)+
7、α??)（1）推荐总得分：（2）选择得分最高的s推荐CFScore(s)=????????,????????,??????ContextScore(????，s)=pTis??score(Ti)Tipu/score(Ti)TipuOutlineOutline1234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
