[发明专利]基于状态转移的奖励值音乐推荐方法

说明书

本发明公开了一种基于状态转移的奖励值音乐推荐算法，与现有技术相比，本发明针对当前音乐推荐算法的不足，本发明以巧妙引入奖励值的概念，将音乐顺序纳入研究范围，将用户选择怎样的音乐列表视作马尔可夫决策过程，推荐音乐列表的每一首音乐，都视作决策过程中状态的变化，因此，不同状态会对当前局面产生不同的奖励值，算法选择奖励值最大的状态序列，在此即为奖励值最大的音乐列表。同时，将用户个人历史数据与整体用户数据做均衡，优化推荐效果，创新地加入音乐流行度和用户从众度，提出了基于状态转移的奖励值算法，具有推广使用的价值。

技术领域

本发明涉及计算机及音频技术领域，尤其涉及一种基于状态转移的奖励值音乐推荐算法。

背景技术

听音乐已成为大众娱乐的一种重要方式，随着“信息过载”问题的日益严重，各大公司平台纷纷推出了针对音乐的推荐系统,现有传统的推荐系统并不能保证用户体验，用户对精准推荐的需求仍是强烈。随着互联网技术的发展以及个人智能设备的普及，“信息过载”[1]问题日益严重。据估计，Facebook每日有3000万张以上的照片从后台被上传，后台日志数据每天就能生成300TB；国内的某电子商务网站，每天达成的交易在千万笔级别，每日日志文件超过50TB[2,3]。面对如此情况，各大平台纷纷推出搜索功能，但在某些情况下，用户并没有明确的搜索对象，例如，想看一部电影或者听几首歌，但没有明确要看哪一部或者听哪一首，这时，搜索技术就不能满足用户此时需求，在此情景下，推荐算法应运而生，极大便利了用户在此类情景下的信息选择。推荐算法在社交、电子商务、影音娱乐、新闻筛选等领域得到了广泛应用，并在市场范围内有不俗的表现[4]。

目前的推荐算法，无论是基于内容的推荐、协同过滤亦或是混合推荐，利用用户的历史数据，分析用户的喜好，找到邻近用户，预测用户未来的选择。Liebman E等人[5]在强化学的框架中，基于音乐的35维特征向量提出一种搜索方法，每一个声学特征又被量化为100段，加入了音乐列表奖励机制，根据反馈值推荐音乐列表。该方法将每一类特征统一量化为100段，可能导致某些维度上会出现数据稀疏性问题，同时该模型忽略了特征权重；Sánchez-Moreno D等人[6]将播放计数引入到CF算法中，建立用户的模糊集群，该算法基于用户播放次数和艺术家特点来度量用户喜好，这种度量准则不够全面。总体来讲，前人音乐推荐算法存在以下四个方面的问题：一，基于内容的推荐单一地考虑用户的偏好与用户偏好相近的音乐，并未对用户整体喜好与整个音乐库的分布联系起来，导致难有新的喜好的认知发现。二，对特征离散化较为固定，没有对每一维特征做分析；三，过度依赖音乐评分信息，每位用户对项目的认知不同，对项目的打分标准就不同；四，用户冷启动和项目冷启动。

参考文献

[1]Zhou Z,Liu M,Zhang F,et al.A data processing framework for IoTbased online monitoring system[C]//IEEE,International Conference on ComputerSupported Cooperative Work in Design.IEEE,2013:686-691.

[2]Chen W,Niu Z,Zhao X,et al.A hybrid recommendation algorithmadapted in e-learning environments[J].World Wide Web,2014,17(2):271-284.

[3]Crespo R G,Martínez O S,Lovelle J M C,et al.Recommendation Systembased on user interaction data applied to intelligent electronic books[J].Computers in Human Behavior,2011,27(4):1445-1449.

[4]张玉洁,杜雨露,孟祥武.组推荐系统及其应用研究[J].计算机学报,2016,39(4):745-764.