趙圓圓　張小雷

摘? 要：隨著互聯(lián)網(wǎng)技術(shù)及音樂資源電子化地發(fā)展，用戶獲取音樂資源越來越容易。但音樂庫不斷增大卻使得用戶快速找到心儀音樂變得愈發(fā)困難。為解決傳統(tǒng)單一音樂推薦算法的不足問題，提高音樂推薦質(zhì)量，在深入研究基于內(nèi)容和協(xié)同過濾推薦算法基礎(chǔ)上，文章提出在基于協(xié)同過濾推薦算法中融入時間因素并與基于內(nèi)容推薦算法加權(quán)融合的音樂推薦算法。實驗結(jié)果表明，與傳統(tǒng)單一推薦算法和部分相關(guān)算法相比，這種算法為用戶推薦音樂的效果更好。

關(guān)鍵詞：基于內(nèi)容的推薦算法；基于協(xié)同過濾的推薦算法；時間因素；加權(quán)融合

中圖分類號：TP399???????? 文獻標(biāo)識碼：A???????? ???文章編號：1672-4437（2023）03-0051-05

0 引言

近年來，互聯(lián)網(wǎng)數(shù)據(jù)量急劇增加，有專家預(yù)估，全球數(shù)據(jù)總量到2025年將會增加到175ZB^[1]。音樂是人們?nèi)粘Ｉ钪胁豢色@取的一部分^[1]，各音樂網(wǎng)站存在著大量音樂資源和用戶，以兩知名音樂網(wǎng)站網(wǎng)易云音樂和酷狗音樂為例，統(tǒng)計顯示，截止到2022年6月，網(wǎng)易云音樂用戶超1.8億人，樂庫音樂曲目超1.06億首。2022年酷狗全年新發(fā)1936萬首新歌，音樂人總粉絲超7億。面對海量音樂資源，用戶越來越難以快速找到喜歡的音樂，嚴(yán)重影響用戶聽歌體驗。較差的聽歌體驗，會導(dǎo)致音樂網(wǎng)站和用戶間黏性降低，音樂網(wǎng)站也就無法獲取相應(yīng)利潤。

各大音樂網(wǎng)站都嵌有推薦系統(tǒng)，以滿足用戶個性化聽歌需求。目前音樂網(wǎng)站多采用傳統(tǒng)單一的基于內(nèi)容（Content-Based）推薦算法或基于協(xié)同過濾（CF-Based）推薦算法^[2]為用戶推薦音樂。Content-Based推薦算法在分析用戶所聽音樂記錄基礎(chǔ)上，構(gòu)造音樂屬性特征，計算出音樂相似度，為用戶推薦相似音樂，但推薦新穎度不夠，推薦質(zhì)量不高。CF-Based推薦算法包括基于用戶（User-CF-Based）推薦算法和基于物品（Item-CF-Based）推薦算法兩種。User-CF-Based推薦算法根據(jù)用戶對音樂偏好情況計算用戶相似度，依據(jù)相似用戶音樂偏好預(yù)測目標(biāo)用戶音樂偏好。Item-CF-Based推薦算法首先計算音樂間相似度，然后預(yù)測目標(biāo)用戶的音樂偏好。CF-Based算法在推薦過程中，缺少新用戶和新音樂歷史記錄，難以有效推薦，同時用戶對音樂交互較少也嚴(yán)重影響相似度計算，這就是CF-Based推薦算法面臨的冷啟動和稀疏性問題。音樂流行度對用戶的選擇影響很大，過去用戶喜歡的音樂現(xiàn)階段用戶不一定喜歡，所以在推薦音樂時還要考慮時間因素的影響。

在改進傳統(tǒng)推薦算法，提高推薦效果方面，很多學(xué)者做了大量研究。彭余輝等在融合基于內(nèi)容和協(xié)同過濾算法基礎(chǔ)上，提出了MR_CCFI算法，該算法能夠降低冷啟動影響，提高推薦質(zhì)量，但未考慮時間因素影響^[3]。包玄等在傳統(tǒng)協(xié)同過濾算法中融合時間因素和興趣點，推薦準(zhǔn)確度有所提高，但冷啟動問題依然存在^[4]。付文靜在加權(quán)融合用戶和文本內(nèi)容基礎(chǔ)上，構(gòu)造出RC-DFM算法。該算法能降低數(shù)據(jù)稀疏性影響，但當(dāng)數(shù)據(jù)集較大時，推薦效率會降低^[5]。楊明極等混合注意力機制和改進的RNN進行音樂推薦，提高了準(zhǔn)確度，但在推薦多樣性上有所欠缺^[6]。付峻宇等提出了一種基于圖卷積的雙通道CF-Based推薦算法GCNCF-2C，緩解了冷啟動問題，取得不錯效果^[7]。

針對傳統(tǒng)單一音樂推薦算法的不足，在深入研究Content-Based推薦算法和CF-Based推薦算法基礎(chǔ)上，本研究提出在CF-Based推薦算法中融入時間因素并與Content-Based推薦算法加權(quán)融合，以此降低冷啟動影響，緩解數(shù)據(jù)稀疏性，提高音樂推薦質(zhì)量。

1 加權(quán)融合基于內(nèi)容和融入時間因素的協(xié)同過濾的音樂推薦算法

1.1 算法基本框架

Content-Based推薦算法依據(jù)用戶和歌曲自身屬性推薦音樂，缺乏新穎性，存在用戶偏好音樂和特征間的語義差異，但不會面臨數(shù)據(jù)稀疏性和冷啟動問題^[8]。CF-Based推薦算法通過計算用戶和音樂相似度來推薦音樂，推薦質(zhì)量較高，但面臨數(shù)據(jù)稀疏性和冷啟動問題。在深入研究這兩種算法基礎(chǔ)上，考慮時間因素影響，本研究提出在CF-Based推薦算法中融入時間因素分別構(gòu)造融入時間因素基于用戶（TF-User-CF-Based）和融入時間因素基于物品（TF-Item-CF-Based）的推薦算法，并與Content-Based推薦算法加權(quán)融合，構(gòu)造出加權(quán)融合（MR_CTCFI）推薦算法。該算法包括加權(quán)融合基于用戶和基于內(nèi)容（TF-User-Content）以及基于物品和基于內(nèi)容（TF-Item-Content）推薦算法。根據(jù)不同用戶數(shù)和音樂數(shù)，計算用戶間及音樂間相似度，同時關(guān)注用戶歷史聽歌信息，為用戶推薦預(yù)測評分較高的音樂。

MR_CTCFI推薦算法基本框架如圖1所示：

1.2 Content-Based音樂推薦算法的處理

1.3 融合時間因素的CF-Based音樂推薦算法的處理

隨著音樂流行度變化和用戶聽歌習(xí)慣的改變，時間因素對用戶音樂選擇影響很大，所以在音樂推薦中要考慮時間因素。本研究通過融入時間因素并加入懲罰熱門音樂項改進CF-Based推薦算法。

1.3.1 TF-User-CF-Based推薦算法

1.3.2 TF-Item-CF-Based推薦算法

1.3.3 MR_CTCFI推薦算法

2 實驗結(jié)果與分析

在不同大小音樂數(shù)據(jù)集下測試算法的推薦準(zhǔn)確率。實驗數(shù)據(jù)源來自于網(wǎng)易云音樂2022年上半年的一部分?jǐn)?shù)據(jù)，在其中選取1000首歌曲，獲取其歌單、用戶、音樂以及評分等信息。實驗前，預(yù)處理數(shù)據(jù)，選擇音樂集中80%數(shù)據(jù)作訓(xùn)練數(shù)據(jù)集（40%作小數(shù)據(jù)集），剩下的音樂集中20%數(shù)據(jù)作測試數(shù)據(jù)集。

2.1 數(shù)據(jù)預(yù)處理

原始數(shù)據(jù)如圖2所示：

2.1.1 對音樂集數(shù)據(jù)分類標(biāo)注，得到標(biāo)簽列表。部分標(biāo)簽見表1。

2.1.2 對歌曲文本中的內(nèi)容使用jieba對其分詞，再去詞停用，通過TF-IDF算法把關(guān)鍵詞提取出來，最終得出用戶對音樂的偏好矩陣。

2.1.3 對音樂集數(shù)據(jù)處理后，選擇音樂編號、名稱、發(fā)表時間、類型等維度，部分?jǐn)?shù)據(jù)見表2。

2.2 實驗結(jié)果分析

將本研究中MR_CTCFI推薦算法與文獻[4]中的MR_CCFI以及Content-Based算法進行實驗對比，比較這些算法的平均絕對誤差（MAE），分析在不同音樂集下的推薦質(zhì)量，MAE值越小，推薦準(zhǔn)確率越高。

2.2.1 參數(shù)設(shè)置

2.2.2 相似度計算

為驗證所選相似度計算方法的有效性，在把K分別設(shè)為10、15、20、25、30、35情況下比較Cosine、TF-User-content-Cosine和TF-Item-content-Cosine計算下的MAE值。如圖4所示，在較大音樂集，固定K值情況下，TF-Item-content-Cosine計算下MAE最小。如圖5所示，在較小音樂集，固定K值，TF- User content-Cosine計算下MAE最小。實驗結(jié)果表明，本研究所用余弦相似度計算法推薦結(jié)果較好。

2.2.3 MAE

實驗中，比較MR_CTCFI推薦算法與文獻[4]中MR_CCFI以及Content-Based算法的MAE值，檢驗本研究中算法的推薦效果。如圖6所示，在較大音樂集，固定K值，TF-User-content和TF-Item-content算法MAE值都較小，K為20時，MAE值最小。對比TF-User-content和TF-Item-content算法，較大音樂集下，TF-Item-content算法推薦效果更好。如圖7所示，在較小音樂集，固定K值，TF-User-content和TF-Item-content算法MAE值都較小，K為20時，MAE值最小。對比TF-User-content和TF-Item-content算法，較小音樂集下，TF- User -content算法推薦效果更好。

3 結(jié)語

本研究通過加權(quán)融合Content-Based和融入時間因素的CF-Based推薦算法構(gòu)造出MR_CTCFI音樂推薦算法，以此降低冷啟動影響，緩解數(shù)據(jù)稀疏性，并提高推薦質(zhì)量。在不同音樂集下進行實驗，結(jié)果表明，音樂集較大時，TF-Item-content更適合為用戶推薦音樂；音樂集較小時，TF- User –content更適合為用戶推薦音樂。在實際應(yīng)用環(huán)境中，MR_CTCFI也適用。但本研究算法還無法解決社會網(wǎng)絡(luò)等方面問題，仍需進一步進行改良，以此來提高推薦算法的精確率和質(zhì)量。

參考文獻：

[1]張全貴，張新新，李志強.基于注意力機制的音樂深度推薦算法[J]計算機應(yīng)用研究，2019，36（08）：2297-2304.

[2]張小雷.基于協(xié)同過濾和隱語義模型的圖書推薦算法研究與實現(xiàn)[D].阜陽：阜陽師范大學(xué)，2021.

[3]彭余輝，張小雷，孫剛.基于內(nèi)容和協(xié)同過濾加權(quán)融合的音樂推薦算法[J].安慶師范大學(xué)學(xué)報（自然科學(xué)版），2021，27（2）：44-53.

[4]包玄，陳紅梅，肖清.融入時間的興趣點協(xié)同推薦算法[J].計算機應(yīng)用，2021，41（08）：2406-2411.

[5]付文靜.基于評論和內(nèi)容深度融合的跨域推薦問題研究[D].濟南：山東大學(xué)，2019.

[6]楊明極，劉暢，宋澤.注意力機制與改進 ＲNN 的混合音樂推薦算法研究[J].小型微型計算機系統(tǒng)，2020，41（10）：2235-2240.

[7]付峻宇，朱小棟，陳晨.基于圖卷積的雙通道協(xié)同過濾推薦算法[J].計算機應(yīng)用研究，2023，40（01）：129-135.

[8]苗雨欣，宋春花，牛保寧，等.雙通道圖協(xié)同過濾推薦算法[J].計算機工程，2022，48（08）：121-128.

[9]BREESE J S， HECKERMAN D， KADIE C. Empirical Analysis of Predictive Algorithms for Collaborative Filtering[J].uncertainty in artificial intelligence， 2013：3-5.