论文总字数：19472字

目 录

一、引言 3

（一）背景与意义 3

（二）研究现状 3

（三）主要内容与创新点 4

二、理论综述 4

（一）个性化推荐系统 4

（二）个性化推荐方法 5

三、个性化推荐实现方法比较 7

（一）基于内容的推荐与基于社交网络的推荐方法比较 7

（二）移动端音乐个性化推荐实现方法比较 9

四、网易云音乐与虾米音乐个性化推荐实现方法比较与优化 12

（一）我国音乐个性化推荐现状 12

（二）移动音乐市场及受众分析 12

（三）网易云音乐与虾米音乐个性化推荐实现方法比较 14

（四）网易云音乐与虾米音乐个性化推荐实现方法优化 17

五、总结 18

参考文献 18

致谢 20

附录：移动音乐用户收听习惯调查 21

基于移动设备端音乐平台的实时个性化推荐实现方法比较

张燕

，China

Abstract：Personalized music recommendation system is a special and complex field of personalized recommendation system, and it’s an effective means to solve the problem of overload of music information.It’s significance to extend it to the mobile terminal. Based on music recommendation, this paper analyzes two kinds of basic recommendation methods, extends it to the mobile terminal, then puts forward the specific form of music recommendation, and summarizes the recommendation methods of various forms. Taking netease cloud music and shrimp music as an example, the implementation of various recommended forms are compared and optimized.

Key words:Personalized music recommendation;Comparison of implementation methods;Mobile terminal

一、引言

（一）背景与意义

近年来，随着信息技术与互联网的快速发展，信息匮乏时代已经一去不复返，取而代之的是信息过载时代^【1】，想要从海量的信息中选出自己喜欢的内容变得越来越困难，用户往往无所适从地陷入选择悖论(Paradox of Choice)^【2】。个性化推荐技术是在分析用户历史行为的基础上，探索出用户的行为偏好，进而帮助用户将海量的无用信息过滤掉，并推荐最符合用户偏好的信息，无疑是解决信息过载的利器^【3】。

移动互联网时代，越来越多的用户更倾向于使用移动网络获取信息、娱乐，而且移动端获取音乐正成为一种新趋势。然而受到移动设备的限制，若需要用户主动搜索感兴趣的音乐，会增加用户的使用成本，降低体验满意度。个性化音乐推荐系统分析用户数据和歌曲特征，然后推荐适合用户喜好的歌曲。基于以用户为导向的特征，个性化音乐推荐研究的一个重要方向是提高推荐的准确度并不断满足用户的个性化需求^【4】。所以本文将研究重点放在了在移动网络环境下如何为用户提供更好的个性化服务，让用户获得更优质的音乐体验。

（二）研究现状

在个性化音乐推荐系统领域，国外的研究相对较早。Ja-Hwung等人^【5】受到了影视剧主题音乐的启发，指出音乐承载着人们某种特殊的情感，在对音乐情感特征进行分析和提炼的基础上，构建出合适的音乐推荐模型，取得了较好的效果；不同于Ja-Hwung基于情感的推荐方法，Hyung^【6】提出的推荐方法是基于内容的，首先通过提取音频信息构建出内容模型，再分析用户的过往收听历史，构造出用户喜好模型，综合两种模型向用户推荐其感兴趣的音乐;Ghazanfar^【7】结合前人方法并融入基于协作的方法，提出混合型的音乐推荐方法，这种混合方法综合考虑用户的兴趣和收听历史，为各种推荐方法赋予不同的权重，为用户推荐音乐。

国内个性化音乐推荐系统的研究要晚很多，但近年来发展迅猛，音乐推荐技术已广泛应用于各大音乐平台，并不断进行创新和开发。刘杨^【8】从音乐的演唱者、音乐的地域属性和歌手忠诚度三个方面出发建立用户音乐偏好模型，为用户提供个性化音乐推荐。唐振民等^【9】 在描述音乐特征方面进行创新，提高了音乐及用户相似性计算结果的准确性。李瑞敏等^【10】在其研究中将各类包含很大信息量的标签社会化，从这个角度出发能比较全面的描述音乐，将这些标签集结到一起进行标注可以产生更加精准的推荐。以上方法是基于“用户项目”的两元关系，这样的推荐方法忽略了用户场景，例如，时间、地点、天气等，但用户在不同场景中往往有不同的情感诉求，对音乐类型的偏好也会有差异。由于难以获取用户情感状态，基于用户情感的音乐推荐研究比较少。杨东辉^【11】将信任度、同质性以及意见领袖三种因素量化，为用户提供符合其情感偏好的推荐列表。后人在挖掘用户情感方面有了进一步研究，夏飞^【13】基于移动用户地理信息设计了一个音乐推荐系统，大量的实验数据表明了该系统的高效性。黄治移^【14】在情感词典的基础上设计了一种情感分析方法，提出了一种融合到音乐人格中的偏好预测方法，大大提高了用户情感挖掘的准确性。

（三）主要内容与创新点

本文选择音乐个性化推荐方法为研究对象，通过对国内外相关文献的梳理，分析了两种主要推荐方法，并将其延伸到移动设备端总结了四种具体实现形式。以提高用户对推荐结果的满意度为导向，并结合用户调研数据对两个音乐平台的推荐实现方法进行比较并提出优化建议。目前对音乐推荐方法的研究，主要是从推荐算法着手设计出一个推荐系统，很少有结合实际应用对推荐方法进行比较。本文以比较和改进为目的，对国内两大音乐推荐平台的实现方法进行分析、比较、评价、优化。

二、理论综述

（一）个性化推荐系统

1.推荐系统简介

推荐系统——基于大量数据分析的商业智能平台。通过在用户与项目之间建立联系，利用用户历史行为或相似性关系来发现其可能感兴趣的对象^【15】，并形成一个以其感兴趣程度高低排序的信息列表，其本质就是信息过滤。

完整的推荐系统由五部分组成：收集用户基本信息、偏好信息和行为信息的数据采集版块；收集用户对物品评价并建立用户模型的行为分析版块；综合用户模型和物品信息为用户提供推荐的推荐算法版块；将结果呈现给用户的推荐展示版块；提供既定的指标对推荐系统进行评价与优化的推荐效果评价版块。

数据采集

行为分析

推荐算法

效果测评

推荐展示

图 2.1推荐系统模型块示意图

2.推荐系统面临的问题

（1）特征提取问题^【16】

在不同的应用环境中，推荐系统需要利用数字技术对项目的属性进行分析、提取，并对项目的特征进行区分，大样本情况下，不同的数据特征提取的准确性极大影响整个推荐系统的性能。

（2）冷启动问题^【17】

对于新加入系统的用户，由于系统缺少新用户的历史行为信息，推荐模型缺乏训练数据所以难以进行推荐。对于新引入系统的项目，由于用户对新项目的评价具有一定的滞后性，所以在初始阶段当新项目的描述信息不够具体时，系统无法对它进行准确的定义，也难以将新项目准确的推荐给可能对它感兴趣的用户。

（二）个性化推荐方法

自1995年Marko Balabanovic提出推荐系统LIRA以来，个性化推荐成为研究热点并得到大量应用；Google率先推出创AdWords广告盈利模式，通过用户所搜索的关键词提供有关广告；雅虎推出SmartAds方案，该方案通过分析用户信息以及用户过往行为记录，推测用户的喜好并据此将为用户呈现私人定制化的广告。比较经典的推荐方法如下:

1.基于内容的推荐方法

基于内容的推荐方法通过大量的数据分析，寻找那些与用户曾经喜欢的物品在特征上有很大相似性的物品，并将相似性高的物品呈显给用户。使用该方法进行推荐时，正确选择项目的属性是至关重要得。该方法主要分为三个部分:特征提取、构建用户画像以及相似度匹配，下文以音乐推荐为例具体描述基于内容推荐方法的三个部分，基于内容的音乐推荐方法如下图所示：

类型：民谣、轻音乐

类型：朋克、摇滚

类型：民谣、轻音乐

喜爱

产生

推荐

不相似

相似

图 2.2基于内容的推荐方法示例

（1）特征提取

特征提取阶段需要提取与用户本身、歌曲本身以及用户偏好相关的内容，其中与用户相关的特征通过对用户过去的行为进行分析得到。歌曲的特征包括歌手、地域等固定属性和曲风、情感等自由属性，歌曲属性的外在表达就是音乐标签，从标签的来源来看主要包括以下三种：

a.专家标注，即由音乐专家对歌曲的韵律、节奏等进行细分，知名音乐网站Pandora的“音乐基因组计划”就是采用专家标注的方法来描述音乐，这一方法精准且可信度高，但效率低、人力成本高等问题导致其可拓展性差。

b.计算机标注，即通过算法实现计算机对歌曲的音频特征进行分析以确定其风格流派，这种方法高效但无法识别歌曲包含的情绪。

c.社区网络用户标注，即允许用户对歌曲的风格、地区、年代、个人评价等进行自主标注，社会标签是联系用户和歌曲的纽带，它一方面方便用户管理自己的音乐，另一方面也为其他用户提供了更多的借鉴和参考。

（2）构建用户画像

建立用户画像阶段需要对用户主提供的偏好信息以及系统通收集到的用户过往收听信息进行仔细分析，从分析结果中可以大致界定用户的收听偏好，最后为用户建立一个私人定制化的用户推荐模型。

（3）相似度匹配

剩余内容已隐藏，请支付后下载全文，论文总字数：19472字

相关图片展示：