提升音乐推荐系统性能构想探讨

　　摘要：本文从用户的听歌数据入手，通过数据预处理技术提取相关特征，利用FPtree算法得到歌曲之间的关联规则；在此基础上，利用DBSCAN聚类算法将歌曲根据其本身属性进行聚类，找到同类歌曲。最终把两者有机结合，互相补充，使新的推荐系统发挥更加理想的功能。
　　关键词：歌曲；FPtree；关联规则；聚类；推荐系统；DBSCAN
　　一、推荐系统简介strong
　　谈起推荐系统首先要从个性化推荐谈起。个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐其感兴趣的商品和服务。随着电子商务规模迅速扩大，商品数量和种类急速增长，顾客需要花费大量时间才能找到自己想买的商品。这种浏览大量无关信息和产品的过程会给用户带来极大的不便，从而导致消费者不断流失。为了解决这些问题，个性化推荐系统应运而生。本文主要研究大数据在音乐推荐系统中的应用。通过一些挖掘算法，发现数据之间的相关性，预测用户喜欢的歌曲类别以及更加具体的特点构建用户画像，快速准确推测使用者的喜好，及时为用户推荐更多感兴趣的信息、数据及链接，以达到方便用户吸引消费者的目的。
　　（一）推荐系统现状和弊端
　　现在商业智能平台上信息量呈爆炸式发展，但数据本身所具有的规模巨大和不稳定性，对人们如何准确迅速提取出有价值的信息，仍具有不可忽视的制约作用。比如，实际上喜欢听流行歌曲的用户，因参与合唱活动反复听了一些经典革命歌曲，使软件在他结束合唱活动后，仍然继续推荐大量经典老歌，导致出现不符合用户需求的情况。这就是由于推荐系统数据处理系统过于僵化造成的不良后果。所以，推荐系统还有很多方面的技术需要优化升级。
　　（二）优化升级推进系统的创新点
　　在设计推荐系统过程中，如果强化数据预处理技术，并采用关联规则与聚类算法相结合的方法，则会尽最大可能地避免推荐系统僵化的问题。
　　1、强化优化数据预处理功能。在用户选择的歌曲中，并非都是用户所喜爱的，所以，需要将数据先进行简单处理。在用户选择过的歌曲中，将播放时间短于总歌曲时长60的歌曲剔除；
　　2、采用关联规则与聚类算法相结合的方法。听歌是一种较为个性的行为，单使用关联规则推荐，会导致推荐范围过于宽泛，没有针对性；单使用同属性歌曲推荐，会使用户永远无法尝试新的歌曲，无法了解与自己类似爱好用户的选择。所以把两者有机结合，互相补充，才能使新的推荐系统发挥更加理想的功能。使用关联规则是从每一位用户出发，挖掘听了a歌曲的人同时听的其它相关歌曲，形成a的关联规则。这样就可以在后续推荐中，为听了a歌曲的人推荐与a相关的其他歌曲。使用聚类算法是对歌曲的各项属性进行区别。各项属性包括节奏、发行时间、语言和情感等。在实际情况中，用户的喜好都是独特的，不能单纯的依靠其他用户的选择来推测，这样就可以做到，为听过a歌曲的用户推荐与其属于同一类别的歌曲。
　　二、实际应用strong
　　（一）关联规则FPtree的应用
　　在进行关联规则分析时，以每个用户在一个时间段的听歌情况为一个元组。值得注意的是，用户点击的歌曲并非都是他喜欢的，首先需要对其进行预处理，把用户听了一小部分就直接跳过的歌曲直接清除，进而排除异常值对最终结果的影响。首先，设定最小支持度阈值为50，最小置信度阈值为75，将每一位用户的每一首歌按照递减的支持度排序，并构造FPtree。从树根处的节点向上寻找路径，挖掘频繁项集。例如，从h处向上的路径只有一条且支持度小于最小支持度阈值，所以没有包含歌曲h的频繁项集。在歌曲h挖掘完成后对其它歌曲用此方式挖掘FPtree。从d向上两条路径中发现｛c，d｝支持度为50和在歌曲c中置信度75，满足条件。从歌曲c向上寻找路径，可发现｛a，c｝也为频繁项集，支持度为75，歌曲c中置信度为75。通过FPtree算法，我们得到频繁项集｛a，d｝，｛a，c｝。
　　（二）DBSCAN聚类算法的应用
　　第二组数据是以一首歌为元组，包括歌曲的各个量化的自身属性。用DBSCAN算法，每一个点代表一首歌，使数据聚类成簇，对歌曲进行分组。在实际情况中，一首歌曲的属性多种多样，有节奏快慢、发行时间、传达的情绪等等，每一个属性决定着一个维度，他们构成多维数据。属性种类越广泛，越齐全，得到的结果也将越精确。本次实验将其简化为二维，仅用节奏快慢和发行时间的数据进行聚类。这两类数据在去除单位后的数值上有差异，并不方便进行比较和处理。因此，要把数据进行标准化处理。通过该聚类算法得到歌曲分类为｛a，c，g，h｝、｛b，d｝，其中，｛f｝，｛e｝可算作噪声点。
　　（三）两类算法结果综合分析的应用
　　假设用户听了歌曲c，要对该用户推荐歌曲，综合结果如下：从上面两种方法中得到的两个关于c的结果，分别是关联规则｛a，c｝和同类歌曲｛a，c，g，h｝，再将两个集合取并集，根据受欢迎程度（本次只按照点击量表示）将歌曲分别排序，推荐并集内热度高的歌曲。
　　三、音乐推荐系统拓展延伸strong
　　（一）音乐社交
　　音乐推荐系统与音乐交流平台相结合。把音乐推荐软件可以搭建在音乐交流平台上，让获得相同或类似推荐的用户参与交流和分享，让最受青睐的歌曲及时得到分享，最大限度地发挥音乐推荐系统的作用。
　　（二）音乐与天气
　　音乐推荐与地域天气相结合。使喜欢关注天气预报的人，能方便的看到自己喜欢的音乐歌曲，使喜欢歌曲的人也能随时观察到他需要的天气情况。天气也是影响用户听歌的重要因素，把歌曲的特点与天气影响人们情绪变化规律的特点恰当地结合起来，在推荐歌曲时，根据该地区的天气预报选择歌曲。例如，在下雨天推荐舒缓温柔的歌曲，天气晴朗时推荐活泼欢快的歌曲，在炎热的夏天推荐清爽宜人的音乐歌曲。
　　四、结束语strong
　　推荐系统作为大数据的重要应用正在日新月异地发展创新，推荐系统可以由点到线，再由线拓展到面，继续呈扇面扩展开来，进而形成功能巨大的发散型推荐系统，使其信息数据和服务范围涵盖音乐、图书、影视、日常百货以及所有商品，为用户提供越来越全面、推荐更加精准化人性化的服务，实现企业商家效益最大化的目的。
　　参考文献：
　　〔1〕JiaweiHan，MichelineKamber，JianPei数据挖掘概念与技术，机械工业出版社
　　〔2〕张良均，杨坦等，《MATLAB数据分析与挖掘实战》，北京：机械工业出版社，2015年6月
　　〔3〕周英，卓金武等，《大数据挖掘系统方法与实例分析》，北京：机械工业出版社，2016年4月