王新月 李正禮 孫琳源 張千睿 王曉紅 張大偉 張雷洪

摘 要 當(dāng)今社會，音樂作品類型繁多，音樂平臺間競爭激烈。因此，如何利用不同因素為用戶準(zhǔn)確推薦音樂，直接關(guān)乎到用戶對平臺的滿意程度。在應(yīng)用傳統(tǒng)的協(xié)同過濾方法為用戶介紹個性化音樂時，往往會忽略音樂本身的特點，同時存在冷啟動問題。文章提出了一種基于層次分析的音樂推薦方法，對每首待推薦的歌曲考慮以下6個方面的因素：歌手、歌詞、語種、節(jié)奏、長短、歌名。首先通過層次分析法建立用戶層次分析評價模型，計算出對每首歌曲不同因素的權(quán)重，再與模糊綜合評價法相結(jié)合得出音樂的評分并排序，進而向用戶推薦排名較高的音樂。通過實驗證實，文章提出的推薦算法有效且不存在冷啟動問題。

關(guān)鍵詞 層次分析法；模糊綜合評價法；音樂推薦；評分排序

中圖分類號 TP37 文獻標(biāo)識碼 A 文章編號 2096-0360（2020）19-0020-05

音樂是當(dāng)下最常見的娛樂方式之一。隨著用戶需求的增加，越來越多的音樂軟件應(yīng)運而生。作為音樂軟件有一個至關(guān)重要的部分就是音樂推薦系統(tǒng)。一個懂得“用戶喜歡什么”的軟件能夠提升用戶對其的依賴程度。由此基于個性化的音樂推薦[ 1 ]越來越受關(guān)注。

當(dāng)前使用次數(shù)較多的音樂推薦方法有兩種：基于用戶的協(xié)同過濾推薦[2]和基于內(nèi)容的協(xié)同過濾推薦[ 3 ]。兩種算法在應(yīng)用時可能因數(shù)據(jù)來源的限制而面臨冷啟動問題，冷啟動問題是指對于一些產(chǎn)品的評價記錄很少甚至基本沒有的新用戶，這些新用戶的興趣愛好并不能通過少量的評價數(shù)據(jù)獲得，因此無法準(zhǔn)確推薦[4]。

在20世紀(jì)70年代，美國學(xué)者Saaty T.L.提出了一種將定性與定量綜合分析的決策分析方法——層次分析法，主要解決多目標(biāo)復(fù)雜問題[5]。該方法在科學(xué)和準(zhǔn)確的確保定性分析和定量分析的同時，也規(guī)范了定性與定量兩類指標(biāo)的綜合評判[6]。層次分析法是以一種層次化、結(jié)構(gòu)化決策方法對方案的多指標(biāo)系統(tǒng)進行評價的方法，它以模型化，數(shù)量化的方式對決策者的思維過程進行處理[7]。該方法先建立有序的指標(biāo)體系，在比較同一層系中不同指標(biāo)的相對重要程度的基礎(chǔ)上歸納得出各指標(biāo)的權(quán)重系數(shù)[ 8 ]。

模糊綜合評價法[ 9 ]是一種基于模糊數(shù)學(xué)的綜合評價法，它是在利用模糊數(shù)學(xué)對有多種因素影響的事物或?qū)ο笞龀隹傮w分析的前提下，將評價方法從定性轉(zhuǎn)化為定量的一種方法。在現(xiàn)存的一些評價方法中，模糊綜合評價模型中的指標(biāo)權(quán)重往往是通過用戶的經(jīng)驗打分確定，導(dǎo)致最終得到的結(jié)果存在主觀性較強的弊端[10-11]。因此，為了降低結(jié)果的主觀性，增加其客觀性與準(zhǔn)確性，本文應(yīng)用基于層次分析法-模糊綜合評價法的評價方法，即結(jié)合層次分析法與模糊綜合評價法，首先通過用戶打分并利用層次分析法得到評價指標(biāo)權(quán)重，最后運用模糊綜合評價法計算出待評價對象的最終得分，針對得分的結(jié)果對該推薦系統(tǒng)進行評價與分析[12-13]。

本文提出的基于層次分析法的音樂推薦方法通過建立音樂評價模型，再結(jié)合模糊綜合評價法得出音樂的評分并排序，最后向用戶推薦排名較高的音樂。研究將音樂評價模型中的因素分為歌名、歌手、歌詞、語種、節(jié)奏、長短六個指標(biāo)。用戶通過權(quán)衡兩兩因素之間的重要性程度來填寫判斷矩陣，再與每首音樂在每個指標(biāo)下的評分相結(jié)合，通過定性與定量的方法最終得到對每個用戶不同的個性化推薦結(jié)果。相對于協(xié)同過濾算法，本文提出的推薦方法規(guī)避了冷啟動問題。

1 基于層次分析的音樂推薦方法

1.1 層次分析法

1.1.1 建立層次分析模型

用戶在選擇聽音樂時，會被許多因素所影響，本文考慮以下6個方面的因素：歌手、歌詞、語種、節(jié)奏、長短、歌名。

本文建立了基于層次分析的音樂推薦模型如圖1所示。其中最上層為目標(biāo)層，即選擇用戶最想聽的音樂。中間層為因素層，列舉了影響選擇音樂的6個因素，分別為歌手、歌詞、語種、節(jié)奏、長短、歌名。最下層為決策層，在用戶實際選擇音樂時，有n首音樂供選擇和決策，因為本文中選取了20首歌曲進行實驗，因此本文n=20。因素層和決策層的連線表示每一首歌曲與每一個因素相關(guān)。

1.1.2 建立判斷矩陣

人們會因為音樂的不同特征因素喜歡不同的音樂，但是在通常情況下人們并不能準(zhǔn)確而清晰地說出關(guān)于這些因素的重要性認識。人們可能會說“歌手”這個因素對于我聽音樂的影響大些，“節(jié)奏”這個因素小些，但到底大多少，小多少在人的大腦中是不清晰的，因此要將大腦中對于各因素重要性的模糊認識數(shù)量化。

2 實驗驗證

為驗證推薦算法的應(yīng)用效果，實驗選取了20首比較熱門的音樂，以確保參與填寫問卷的同學(xué)基本了解這些音樂，填寫音樂的特征能夠更加準(zhǔn)確。然后選取了10名同學(xué)填寫問卷，憑主觀印象判斷每首歌的6個因素所屬的5個等級：很好、較好、一般、較差和很差。然后選取3名推薦用戶填寫判斷矩陣并從20首音樂中選取最為滿意的5首。根據(jù)判斷矩陣算出每首音樂對應(yīng)每個推薦用戶的得分，將排名前5的音樂推薦給該用戶，并與其選取的5首作對比，驗證實驗結(jié)果。下面以推薦用戶C為例進行實驗過程的分析。

2.1 推薦用戶C的判斷矩陣

表4為根據(jù)推薦用戶C填寫的問卷計算的判斷矩陣。

1）判斷矩陣由各因素兩兩比較得出，反映了對于推薦用戶哪個影響因素更為重要。經(jīng)計算得到，推薦用戶C的判斷矩陣一致性檢驗結(jié)果為合格，可以進行下一步實驗。

2）根據(jù)判斷矩陣計算各因素的權(quán)重，計算結(jié)果如表4和表5所示，音樂的節(jié)奏對推薦用戶C的喜好影響最大，其權(quán)重超過了一半，其他依次為歌手、歌詞、語種、歌名和長短。

2.2 推薦用戶C選中的音樂

從給定的20首音樂中，推薦用戶C選定了以下5首作為20首中最喜歡的音樂。實驗將利用這5首音樂與通過模糊綜合評價計算出的評分最高的5首音樂進行比較，統(tǒng)計命中情況。

2.3 針對推薦用戶C計算的20首音樂的評估結(jié)果

1）首先使用模糊綜合評價法進行評分。通過預(yù)先進行的20首音樂的問卷調(diào)查構(gòu)建模糊綜合評價矩陣，再與層次分析法計算出的音樂各因素權(quán)重相結(jié)合，算出每首歌基于推薦用戶C的喜好所得出的分?jǐn)?shù)，見表7。

2）對比表6和表7我們可以得出，在20首音樂中推薦給用戶C的5首歌曲成功命中了3首，效果較為理想。結(jié)合推薦用戶C的反饋，用戶C對評估結(jié)果前半部分音樂都較為滿意，對后5首則表示完全不感興趣，這也充分體現(xiàn)了此算法的準(zhǔn)確性。

2.4 其他兩名推薦用戶的命中情況

1）推薦用戶A命中的音樂數(shù)量為2首（表8），值得一提的是20首排名中第6首即為用戶A主觀認為的排名第二的音樂《Baby》。

2）推薦用戶B命中音樂為3首（表8），分別是《Bad guy》《消愁》《年少有為》。效果同樣較為理想。

2.5 與協(xié)同過濾推薦算法的比較

在協(xié)同過濾推薦算法中，用戶在情景中的相似度閾值與準(zhǔn)確率存在一定的關(guān)系。在實驗中，我們設(shè)計了當(dāng)推薦項目為10時的不同的閾值與準(zhǔn)確率的對應(yīng)關(guān)系如圖2所示[15]。

由表9可知，為3名用戶推薦20首中的5首中，本推薦系統(tǒng)分別命中了3、2、3首。而與協(xié)同過濾推薦模型的準(zhǔn)確率進行對比，驗證了這種新的推薦系統(tǒng)的效果是較為理想的。據(jù)3名推薦用戶的反饋來看，他們對20首音樂評分結(jié)果的前10首中未選中的音樂都是較為滿意的，而對于排名后5首的音樂大多都是不感興趣的，這說明此推薦系統(tǒng)具有為用戶發(fā)現(xiàn)新的和潛在喜歡音樂的作用，同時也為該推薦系統(tǒng)的科學(xué)和可靠奠定了基礎(chǔ)。

3 總結(jié)與展望

本文利用層次分析法和模糊綜合評測法設(shè)計出一種新的推薦系統(tǒng)（如圖3）進行音樂推薦，該方法通過收集用戶對不同音樂的各因素的評價從而確定出模糊綜合評價矩陣，再通過收集被推薦用戶對音樂的偏好因素設(shè)置構(gòu)造判斷矩陣，得出專屬于推薦用戶音樂評分排行，最后得到推薦列表。相對于目前已經(jīng)存在的基于協(xié)同過濾推薦方法，本文的實現(xiàn)方法較簡單，而且不具有常見的“冷啟動”缺陷，即本系統(tǒng)并不需要用戶的歷史評分?jǐn)?shù)據(jù)即可完成對用戶的音樂推薦，這為以后的音樂，視頻網(wǎng)站提供了一個推薦作品的新思路。

本研究的不足之處在于，由于實驗條件和人力成本的限制，無法進行更大受眾群體的實驗，樣本數(shù)量較小，可能存在一定的偶然性。同時，音樂的標(biāo)簽設(shè)置（即層次分析模型中的因素層的因素）對音樂的推薦結(jié)果有較大影響，因此在后續(xù)的研究中，對推薦用戶的影響因素個數(shù)可以進一步增加，以增加推薦結(jié)果的命中率，對音樂的推薦方法仍需要繼續(xù)深入探究。

參考文獻

[1]譚學(xué)清，何珊.音樂個性化推薦系統(tǒng)研究綜述[J].數(shù)字圖書館，2014（9）：22-32.

[2]冷亞軍，陸青，梁昌勇.協(xié)同過濾推薦技術(shù)綜述[J].綜述與評論，2014，27（8）：720-734.

[3]劉明昌.基于內(nèi)容的推薦技術(shù)研究[J].現(xiàn)象研究，2016（6）：243.

[4]秦燦，李旭東.淺析協(xié)同過濾推薦算法.電腦知識與技術(shù)：學(xué)術(shù)版，2019，15（5）：288-291.

[5]鄧雪，李家銘，曾浩健，等.層次分析法權(quán)重計算方法分析及其應(yīng)用研究[J].數(shù)學(xué)的實踐與認識，2012，42（7）：93-100.

[6]劉輝，李永奇.基于層次分析法的定量化決策系統(tǒng)[J].微機發(fā)展，1999，9（3）：1-3.

[7]余波編.現(xiàn)代信息分析與預(yù)測[M].北京：北京理工大學(xué)出版社，2011：201.

[8]曹茂林.層次分析法確定評價指標(biāo)權(quán)重及Excel計算[J].江蘇科技信息，2012（2）：39-40.

[9]葛俠，付保川.模糊綜合評價建模方法及其應(yīng)用[J].蘇州科技學(xué)院學(xué)報（自然科學(xué)版），2015，32（2）：19-23，64.

[10]黃立壯，趙云龍.模糊綜合評價法在高校學(xué)報質(zhì)量評價中的應(yīng)用[J].北部灣大學(xué)學(xué)報，2020，35（2）：69-79.

[11]鄭佳慧，張藝鑫，王江敏.小區(qū)開放對道路通行的影響——基于多層次模糊綜合評價法[J].應(yīng)用數(shù)學(xué)進展，2019，8（4）：838-851.

[12]張雪英，申琪君，龍毅.網(wǎng)絡(luò)地圖評價指標(biāo)體系及其應(yīng)用[J].地球信息科學(xué)學(xué)報，2009，11（3）：355-362.

[13]韓利，梅強，陸玉梅，等.AHP-模糊綜合評價方法的分析與研究[J].中國安全科學(xué)學(xué)報，2004，14（7）：86-89.

[14]丁麗宏.基于改進的灰關(guān)聯(lián)分析和層次分析法的邊坡穩(wěn)定性研究[J].巖土力學(xué)，2011（11）：3437-3441.

[15]吳海金，陳俊.融合分類與協(xié)同過濾的情境感知音樂推薦算法[J].福州大學(xué)學(xué)報：自然科學(xué)版，2019，47（4）：467-471.