|
五、文献综述（附参考文献）
世界正在飞速发展，特别是互联网技术的巨大进步，人类社会已经进入了智能化和数字化时代。根据《中国互联网发展状况统计报告》第50次报告，截至2022年6月，我国网民规模高达10.51亿，网络音乐用户规模达6.58亿，在线音乐行业规模持续增长[1]。数字音乐规模快速增长伴随而来的是巨大的数字音乐市场，即使在疫情导致的世界经济低迷、中美经贸摩擦的背景下，数字音乐产业仍然高速增长，增长率超过 8%[2]。随着网络音乐行业用户规模扩大和市场竞争加剧，改善平台的用户体验成为了各大厂商 的必争之地，而这意味着需要更智能精准的音乐推荐模型[3]。
推荐系统是一种信息过滤系统（information filtering system），其目标是提高用户满意度和参与度，通过个性化推荐帮助用户在海量信息中快速发现并选择他们可能感兴趣的内容。目前，推荐系统在商业界已敬大幅度推广,成为近几年的热点。例如，在线视频门户Netflix中有80%的点击量来自推荐[4],Google的Youtube中，大约60%的点击量来自推荐[5]. 在音乐领域中，随着歌曲库变得越来越大，歌曲资源越来越丰富，用户很难快速找到自己感兴趣的歌曲。大部分人会使用软件的搜索功能，去搜索一些以往了解的歌手或者喜好的歌曲分类等。但是搜索到的结果并不会考虑用户是不同的个体，对歌曲的喜好是不同的，导致用户满意度不高。如果可以准确的为用户个性化定制推荐用户喜欢的歌曲，那么音乐播放平台就可以增强用户的留存度，提升用户对平台的粘性，为接下来一些付费产品奠定基础，从而使音乐平台获得利润。
在互联网时代，用户面对海量的音乐资源，传统的推荐方法已无法满足个性化需求。深度学习技术的发展为上述任务的研究带来便利，它能自主从海量数据中提取有用的特 征并学习有效的模式，在图像识别[6]、自动问答[7]、推荐系统[8]等多个领域都取得了突破性进展。深度学习通过分析用户的听歌历史、偏好和行为模式，能够更准确地捕捉用户的音乐喜好，提供高度个性化的推荐。这种基于深度学习的音乐推荐系统不仅提高了用户体验，增强了用户粘性，还推动了音乐平台的商业价值和社会文化的传播。因此，深度学习技术在音乐推荐中的应用显得尤为必要，它是提升推荐系统效果、满足用户需求的重要工具
近年来，随着互联网技术的迅猛发展和音乐流媒体服务的普及，音乐推荐系统在用户个性化体验中扮演着越来越重要的角色。由于音乐内容的多样性和用户需求的复杂性，传统的推荐方法如协同过滤、基于内容的推荐等已逐渐显示出其局限性。鉴于此，基于深度学习的音乐推荐系统因其强大的数据处理能力和高度的适应性，成为了当前研究的热点和前沿 。
YouTube作为当前世界上最大的视频分享网站之一，构建了大规模的推荐系统，并且投入了大量的研发人员研究相关技术，使之不断提出新的推荐系统技术，从矩阵分解[9]到深度神经网络[10]的应用，使得用户能在短时间内发现自己中意的视频。作为目前世界上最大的搜索引擎公司，Google的研究员们提出了新的宽度（Wide&Deep）的网络模型[11]，使得推荐结构既能符合用户的喜好，又能够生成一些不同的，多样性的内容。近年来，国内学者在音乐推荐领域的研究中也取得了显著发展。 2016 年，李博等人[12]在研究了使用范围最广的基于内容、协同过滤的推荐算法后， 把主题挖掘模型（Latent Dirichlet Allocation，简称 LDA）考虑了进来，这一做法能够 进一步提高推荐算法的精确度。 2019 年，何丽和于洋[13]针对特定情境下不同用户的习惯，综合了用户在系统中的 历史播放记录，此外还分析了特征值的嵌入位置会产生的不同结果，创建了一种有关 特征值嵌入的推荐模型，该模型综合了诸多因素更能够符合音乐用户的需求。 2019 年，叶西宁和王猛[14]进一步研究了张量概率矩阵分解模型（TFPMF），优 化了关于场景信息的描述方式，在基于张量分解的基础上加入了概率矩阵分解模型 （RR-PMF），随后进行了模型优化，采用的是交叉最小二乘法（ALS）。实验结果 表明，该方法可以有效地缓解数据稀疏问题[14]。
尽管中国的音乐推荐系统起步较晚，个性化推荐能力相对较弱，但已经有一些如网易云音乐、咪咕音乐和QQ音乐等优秀的互联网音乐产品崭露头角。这些平台倾向于通过社交功能，例如评论和分享，来增强用户互动并推荐音乐[15]。用户的喜好受到环境因素如天气、时间和场景的强烈影响，导致音乐偏好呈现周期性变化[15]。因此，音乐推荐系统必须考虑这些动态因素，以实现更精准的个性化推荐[16]。随着人工神经网络技术的进步，特别是卷积神经网络在推荐系统中的应用，为提升推荐准确性提供了新的方向[15]。国内音乐推荐系统的发展仍在持续进步，尽管面临挑战，但深度学习技术的应用预示着广阔的发展前景和深远的研究意义[17]。
[1]. 中国互联网络信息中心.“数字”点亮美好生活——透视第50次《中国互联网络发展状况统报告》.信息系统工程，2022（10）：4-5
[2]. 宋雪峰. 基于深度学习的个性化音乐推荐系统设计与实现[D].黑龙江大学,2021.DOI:10.27123/d.cnki.ghlju.2021.001626.
[3]. Champiri Z D, Mujtaba G, Salim S S, et al. User experience and recommender systems[C]. In: 2019 2nd International Conference on Computing, Mathematics and Engineering Technologies (iCoMET). IEEE, 2019: 1-5.
[4]. Gomez-Uribe C A,Hunt N.The Netflix recommender system:Aligorithms,business value,and innovation[J].ACMTransactions on Management Info rmation Systems (TMIS),2016,6(4):13.
[5]. Davidson J,Liebald B,liu J,et al.The Youtube video recommendation system[C]//Proceedings of the fourth ACM conference on Recommender systems.ACM,2010:293-296.
[6]. 葛轶洲, 刘恒, 王言, 等. 小样本困境下的深度学习图像识别综述[J]. 软件学报, 2021, 33(1): 193-210.
[7]. 赵芸, 刘德喜, 万常选, 等. 检索式自动问答研究综述[J]. 计算机学报, 2021, 6(1): 1214-1232.
[8]. Deldjoo Y, Schedl M, Cremonesi P, et al. Recommender systems leveraging multimedia content[J]. ACM Computing Surveys (CSUR), 2020, 53(5): 1-38.
[9]. Weston J,Bengio S,Usunier N.WSABIE:scaling up to large vocabulary image annotation[C]// International Joint Conference on Artificial Intelligence.AAAI Press,2011:2764-2770
[10]. Covington P,Adams J,Sargin E.Deep Neurat Networks for YouTube Recommendations[C]//ACM Conference on Recommender Systems.ACM,2016:191-198.
[11]. Cheng H T,Koc L,Harmsen J,et al.Wide&Deep Learning for Recommender Systems[J].2016:7-10
[12]. 李博, 陈 志刚,黄瑞,郑祥云.基于 LDA 模型的音乐推荐算法[J].计算机工 程,2016,42(06):175-179+184.
[13]. 何丽, 于洋. 基于特征值嵌入的音乐播放列表推荐模型[J]. 计算机技术与发展, 2019, 029(011):144-148.
[14]. 王猛,叶西宁.音乐个性化推荐算法 RR-UBPMF 的研究[J]. 华东理工大学学报(自然科学 版),2017,43(01):113-118.
[15]. 何蓉. 基于卷积神经网络的音乐推荐系统[D].南京邮电大学.2019:32-45.
[16]. Goldbergd N D, Oki B M. Using Collaborative Filtering to Weave an Information Apestry[J]. Communications of the ACM. 1992. 35(12): 61-70.
[17]. Jia N , Zheng C J . Model of Music Theme Recommendation Based on Attention LSTM[J]. Computer Science.2019.42(07):21-30.
|
