基于用戶興趣偏好度的音樂(lè)智能推薦系統(tǒng)設(shè)計(jì)分析

張利鴿

（渭南師范學(xué)院，陜西渭南 714000）

當(dāng)前，網(wǎng)絡(luò)技術(shù)高度發(fā)達(dá)，我國(guó)網(wǎng)絡(luò)域名規(guī)模達(dá)到千萬(wàn)級(jí)以上，網(wǎng)絡(luò)技術(shù)在人們生活中無(wú)處不在[1]。推薦系統(tǒng)作為主要的網(wǎng)絡(luò)營(yíng)銷(xiāo)工具[2]，可使用戶在面對(duì)海量網(wǎng)絡(luò)商品信息時(shí)獲取有價(jià)值的建議，并提升網(wǎng)絡(luò)商品的銷(xiāo)售量[3]。

音樂(lè)瀏覽是網(wǎng)絡(luò)技術(shù)的一種主要應(yīng)用形式[4]，面對(duì)互聯(lián)網(wǎng)上海量的音樂(lè)媒體信息，如何快速地獲取用戶所需的音樂(lè)類(lèi)型，并將用戶感興趣的音樂(lè)推薦給用戶，成為當(dāng)前網(wǎng)絡(luò)媒體網(wǎng)站提升自身市場(chǎng)占有率的主要方式。以此為目的，設(shè)計(jì)基于用戶興趣偏好度的音樂(lè)智能推薦系統(tǒng)。在設(shè)計(jì)數(shù)據(jù)采集模塊、離線數(shù)據(jù)處理模塊和在線推薦模塊的總體架構(gòu)基礎(chǔ)上，考慮用戶音樂(lè)興趣偏好度和個(gè)性化的需求，引入?yún)f(xié)同過(guò)濾算法，利用近鄰數(shù)目確定音樂(lè)推薦偏好度，實(shí)現(xiàn)對(duì)用戶的精準(zhǔn)音樂(lè)推薦。

1 基于用戶興趣偏好度的音樂(lè)智能推薦系統(tǒng)

1.1 系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

該文設(shè)計(jì)的音樂(lè)智能推薦系統(tǒng)主要由數(shù)據(jù)采集模塊、離線數(shù)據(jù)處理模塊和在線推薦模塊組成，整體結(jié)構(gòu)設(shè)計(jì)如圖1 所示。

圖1 系統(tǒng)整體結(jié)構(gòu)圖

數(shù)據(jù)采集模塊的主要功能是采集用戶注冊(cè)信息[5]和目標(biāo)音樂(lè)的在線評(píng)分?jǐn)?shù)據(jù)，并進(jìn)行在線調(diào)查。離線數(shù)據(jù)處理模塊以數(shù)據(jù)采集模塊采集的數(shù)據(jù)為基礎(chǔ)，分析用戶興趣偏好度、統(tǒng)計(jì)用戶信息等。在線推薦模塊根據(jù)用戶興趣偏好度分析結(jié)果，針對(duì)不同用戶需求為用戶推薦能夠滿足其需求的音樂(lè)。

1.2 數(shù)據(jù)采集模塊設(shè)計(jì)

該文系統(tǒng)的數(shù)據(jù)采集模塊運(yùn)行流程如圖2所示。

圖2 數(shù)據(jù)采集模塊運(yùn)行流程設(shè)計(jì)

數(shù)據(jù)采集模塊可在系統(tǒng)處于初始啟動(dòng)狀態(tài)條件下或獨(dú)立線下運(yùn)行時(shí)，得到系統(tǒng)運(yùn)行所需的數(shù)據(jù)資源。數(shù)據(jù)采集模塊的重點(diǎn)作用是高效獲取海量有效數(shù)據(jù)，同時(shí)以合適的格式記錄數(shù)據(jù)信息，并生成相應(yīng)文件[6]，便于后續(xù)的聚類(lèi)處理與數(shù)據(jù)庫(kù)存儲(chǔ)。數(shù)據(jù)采集模塊內(nèi)，部分功能需以處理好的數(shù)據(jù)信息為基礎(chǔ)，因此需要模塊內(nèi)不同功能交替協(xié)作才能完成全部數(shù)據(jù)的準(zhǔn)備。

1.3 用戶興趣偏好度計(jì)算

離線數(shù)據(jù)處理模塊中利用基于POI(Point of Interest，興趣點(diǎn)，即用戶搜索過(guò)的音樂(lè))的用戶興趣偏好度計(jì)算方法，基于POI關(guān)聯(lián)圖[7]，提出基于時(shí)間的用戶興趣偏好度計(jì)算方法，以此確定用戶興趣偏好度。

1.3.1 構(gòu)建POI關(guān)聯(lián)圖

POI 的構(gòu)建可在離線狀態(tài)下進(jìn)行[8]。將全部用戶的音樂(lè)搜索序列內(nèi)的POI 作為關(guān)聯(lián)圖內(nèi)的節(jié)點(diǎn)，表示用戶搜索的音樂(lè)，通過(guò)分析用戶在音樂(lè)搜索序列內(nèi)的連續(xù)訪問(wèn)行為[9]生成關(guān)聯(lián)圖的邊。

1.3.2 音樂(lè)映射

用戶分享的音樂(lè)數(shù)據(jù)結(jié)構(gòu)由以下4 方面構(gòu)成：音樂(lè)ID[10]、用戶ID、時(shí)間、類(lèi)型。基于用戶分享的音樂(lè)數(shù)據(jù)結(jié)構(gòu)能夠獲取用戶搜索音樂(lè)的具體信息，確定用戶的POI 列表，用SM=(p1,p2,…,pn)表示。

1.3.3 確定POI流行度

利用式（1）可計(jì)算POI 流行度：

式（1）內(nèi)，N(p) 和Nmax分別表示用戶搜索POI的次數(shù)和全部同類(lèi)型音樂(lè)中用戶搜索音樂(lè)的上限數(shù)值。

1.3.4 用戶興趣偏好度計(jì)算方法

基于用戶的歷史音樂(lè)搜索信息，提出基于時(shí)間的用戶興趣偏好度計(jì)算方法。用戶在搜索一個(gè)POI音樂(lè)時(shí)，均會(huì)在該音樂(lè)POI 停留一定時(shí)間[11]，由全部用戶的歷史音樂(lè)搜索記錄內(nèi)依照以下過(guò)程確定用戶搜索過(guò)的各音樂(lè)POI 的瀏覽時(shí)間。用u表示一個(gè)用戶，確定其POI 集合。依照時(shí)間順序定義用戶u的歷史音樂(lè)搜索記錄：其中px表示用戶搜索過(guò)的音樂(lè)表示用戶開(kāi)始瀏覽的POIpx時(shí)間，表示用戶結(jié)束POIpx瀏覽的時(shí)間?；谥g的差值能夠確定用戶瀏覽音樂(lè)POIpx的時(shí)間。

基于各音樂(lè)POI 的瀏覽時(shí)間能夠確定隨機(jī)用戶瀏覽任意音樂(lè)POI 所需的時(shí)間均值[12]。設(shè)定隨機(jī)用戶在POIpx的平均訪問(wèn)時(shí)間為Vˉ(p)，其計(jì)算公式如下：

式（2）內(nèi)，U和n分別表示全部用戶和全部用戶內(nèi)瀏覽音樂(lè)p的用戶數(shù)，

但用戶在各音樂(lè)POI 的瀏覽時(shí)間均值無(wú)法準(zhǔn)確體現(xiàn)其對(duì)該類(lèi)音樂(lè)POI 的興趣偏好度，利用基于時(shí)間的用戶興趣偏好度計(jì)算方法，確定用戶u對(duì)音樂(lè)POI 類(lèi)別屬性c的偏好度Int(u,c)：

式（3）中，Catpx表示音樂(lè)的POIpx類(lèi)別屬性，

通過(guò)式（3）能夠確定用戶u對(duì)于一個(gè)特定音樂(lè)POI 類(lèi)別屬性c的興趣度，相對(duì)于全部用戶對(duì)同一個(gè)音樂(lè)POI 的瀏覽時(shí)間均值，Int()u,c是以用戶在不同類(lèi)別屬性c的POI 瀏覽時(shí)間為基礎(chǔ)確定的，即用戶有較大概率花費(fèi)時(shí)間瀏覽其感興趣的音樂(lè)POI 類(lèi)型[13]，由此確定此用戶對(duì)該音樂(lè)POI 類(lèi)型的興趣偏好度。

1.4 協(xié)同過(guò)濾推薦算法

音樂(lè)智能推薦系統(tǒng)的關(guān)鍵在于推薦算法，為提升用戶的使用感，提高用戶的黏合度，需要對(duì)用戶的音樂(lè)興趣偏好進(jìn)行深度分析，以達(dá)到精準(zhǔn)推薦的效果。為此，該文引入?yún)f(xié)同過(guò)濾推薦算法，在分析多個(gè)用戶興趣相似度的基礎(chǔ)上，考慮用戶個(gè)性化問(wèn)題，利用近鄰數(shù)目確定音樂(lè)推薦偏好度，提高對(duì)用戶的音樂(lè)推薦精準(zhǔn)度。在線推薦模塊中，采用協(xié)同過(guò)濾算法，以志同道合觀點(diǎn)為基礎(chǔ)[14]，該算法的核心觀點(diǎn)為：若興趣偏好度相同的用戶均搜索過(guò)某音樂(lè)，則興趣偏好度一致的用戶有較大概率會(huì)對(duì)某音樂(lè)產(chǎn)生明顯偏好；若用戶對(duì)某音樂(lè)產(chǎn)生興趣偏好，則其同樣會(huì)更傾向于選擇同該音樂(lè)一致度較高的音樂(lè)。普遍使用的協(xié)同過(guò)濾推薦過(guò)程實(shí)現(xiàn)方式大致可分為3 種[15]：以用戶為基礎(chǔ)的推薦方式、以項(xiàng)目為基礎(chǔ)的推薦方式、以模型為基礎(chǔ)的推薦方式。

以用戶為基礎(chǔ)的推薦方式[16]：給定一個(gè)用戶，評(píng)分?jǐn)?shù)據(jù)與音樂(lè)項(xiàng)目。部分音樂(lè)項(xiàng)目并未產(chǎn)生評(píng)分，在此條件下可利用與此用戶相近的其他用戶評(píng)分結(jié)果進(jìn)行預(yù)測(cè)。通過(guò)式（4）可描述用戶a與用戶b的興趣偏好度的一致度函數(shù)：

以項(xiàng)目為基礎(chǔ)的推薦方式與以用戶為基礎(chǔ)的推薦方式在本質(zhì)上具有較強(qiáng)相似性。但隨著時(shí)間的變化，用戶的興趣偏好具有波動(dòng)性，因此以用戶為基礎(chǔ)推薦方式的推薦結(jié)果無(wú)法完全滿足用戶需求。以項(xiàng)目為基礎(chǔ)的推薦方式可有效避免時(shí)間造成的波動(dòng)性問(wèn)題，可提升推薦結(jié)果的穩(wěn)定性。在獲取用戶之間興趣偏好度的一致度后，考慮不同用戶的思維方式與評(píng)分標(biāo)準(zhǔn)有所差異，因此以項(xiàng)目為基礎(chǔ)的推薦方式可通過(guò)余弦一致度進(jìn)行分析，音樂(lè)項(xiàng)目m和音樂(lè)項(xiàng)目n的余弦一致度可通過(guò)式(5)確定：

以用戶為基礎(chǔ)的推薦方式和以項(xiàng)目為基礎(chǔ)的推薦方式均包含選擇近鄰的過(guò)程，通常情況下，這兩種推薦方式均需通過(guò)大量的計(jì)算過(guò)程，但數(shù)據(jù)僅取其中少量部分，造成協(xié)同推薦算法產(chǎn)生數(shù)據(jù)稀疏問(wèn)題，降低推薦結(jié)果的精度。且考慮新用戶并未進(jìn)行音樂(lè)搜索與評(píng)分，無(wú)法使用選近鄰的過(guò)程，造成冷啟動(dòng)問(wèn)題。以模型為基礎(chǔ)的推薦方式依照數(shù)據(jù)庫(kù)內(nèi)對(duì)目標(biāo)音樂(lè)的評(píng)分結(jié)果，通過(guò)離線計(jì)算現(xiàn)有用戶對(duì)目標(biāo)音樂(lè)的評(píng)分，利用模型評(píng)估過(guò)程得到全局推薦結(jié)果。但采用以模型為基礎(chǔ)的推薦方式在評(píng)估訓(xùn)練過(guò)程中會(huì)消耗大量資源，且頻繁更新模型。

基于上述分析可知，系統(tǒng)在線推薦模塊采用協(xié)同過(guò)濾算法，以用戶興趣偏好度為基礎(chǔ)，針對(duì)不同的用戶采用不同推薦方式生成推薦列表，以此提升系統(tǒng)推薦性能。

2 應(yīng)用分析

為驗(yàn)證該文設(shè)計(jì)的基于用戶興趣偏好度的音樂(lè)智能推薦系統(tǒng)在實(shí)際音樂(lè)推薦應(yīng)用中的性能，選取某互聯(lián)網(wǎng)知名音樂(lè)APP 為應(yīng)用對(duì)象，采用該文系統(tǒng)對(duì)用戶進(jìn)行音樂(lè)推薦測(cè)試。從應(yīng)用對(duì)象中隨機(jī)選取1 000 名用戶信息，在這些用戶信息中共包含有效評(píng)價(jià)數(shù)據(jù)448 539 條與不同類(lèi)型歌曲記錄183 580 條。

2.1 系統(tǒng)功能測(cè)試

系統(tǒng)功能的實(shí)現(xiàn)是系統(tǒng)有效運(yùn)行的基礎(chǔ)，因此采用黑盒測(cè)試法測(cè)試該文系統(tǒng)的功能，主要測(cè)試用例為：①用戶登錄成功：輸入正確的用戶名與密碼，期望輸出結(jié)果為成功登錄；②用戶登錄不成功：輸入錯(cuò)誤的用戶名與密碼，期望輸出結(jié)果為用戶名或密碼錯(cuò)誤，請(qǐng)重新輸入；③生成推薦結(jié)果：輸入為針對(duì)不同用戶，在不同條件下點(diǎn)擊推薦列表，期望輸出結(jié)果為正確預(yù)測(cè)用戶興趣偏好度，推薦相應(yīng)音樂(lè)。④創(chuàng)建歌單收藏音樂(lè)：輸入為點(diǎn)擊推薦歌曲，點(diǎn)擊收藏至相應(yīng)歌單下，期望輸出結(jié)果為收藏成功，推薦列表內(nèi)不再顯示；⑤未創(chuàng)建歌單下收藏音樂(lè)：輸入為在未創(chuàng)建歌單條件下單擊收藏推薦歌曲，期望輸出為提示創(chuàng)建歌單。各測(cè)試用例的黑盒測(cè)試結(jié)果如圖3所示。

圖3 黑盒測(cè)試結(jié)果

分析圖3得到，該文系統(tǒng)功能測(cè)試中，除用例3的實(shí)際輸出結(jié)果與期望輸出結(jié)果一致度為62%外，剩余4 個(gè)用例的實(shí)際輸出結(jié)果均與期望輸出結(jié)果完全一致，由此說(shuō)明該文系統(tǒng)功能滿足實(shí)際應(yīng)用需求。

2.2 推薦結(jié)果測(cè)試

該文系統(tǒng)在線推薦模塊包含一個(gè)重要過(guò)程，即選擇近鄰過(guò)程，所選近鄰數(shù)量對(duì)于系統(tǒng)推薦結(jié)果產(chǎn)生直接影響。因此在測(cè)試該文系統(tǒng)音樂(lè)推薦性能時(shí)，選取準(zhǔn)確率Zp、召回率Hp、覆蓋率Fp和流行度Lp為評(píng)價(jià)指標(biāo)，計(jì)算過(guò)程如下：

在不同近鄰數(shù)量條件下，該文系統(tǒng)推薦性能評(píng)價(jià)的結(jié)果如圖4 所示。

圖4 該文系統(tǒng)性能評(píng)價(jià)結(jié)果

分析圖4 得到，近鄰數(shù)量的提升對(duì)于該文系統(tǒng)推薦結(jié)果產(chǎn)生直接影響。

準(zhǔn)確率與召回率：該文系統(tǒng)的準(zhǔn)確率與召回率同近鄰數(shù)量之間呈現(xiàn)正比例相關(guān)性，即隨著該文系統(tǒng)在線推薦模塊中近鄰數(shù)量的提升，系統(tǒng)推薦結(jié)果的準(zhǔn)確率與召回率均整體表現(xiàn)為上升趨勢(shì)。但隨著近鄰數(shù)量的提升，該文系統(tǒng)推薦結(jié)果的準(zhǔn)確率與召回率提升幅度并不顯著，由此說(shuō)明近鄰數(shù)量與該文系統(tǒng)推薦結(jié)果的準(zhǔn)確率與召回率之間相關(guān)性并不高。

覆蓋率：該文系統(tǒng)的覆蓋率指標(biāo)與近鄰數(shù)量為反相關(guān)性。隨著近鄰數(shù)量提升，該文系統(tǒng)覆蓋率降低，且覆蓋率下降幅度較大，由此說(shuō)明近鄰數(shù)量與該文系統(tǒng)推薦結(jié)果的覆蓋率之間相關(guān)性較高。

流行度：該文系統(tǒng)的流行度指標(biāo)與近鄰數(shù)量為正相關(guān)性。隨著近鄰數(shù)量提升，該文系統(tǒng)流行度評(píng)價(jià)結(jié)果提高。

但考慮參考用戶數(shù)量的提升對(duì)該文系統(tǒng)推薦效率也產(chǎn)生直接影響，會(huì)顯著降低該文系統(tǒng)推薦效率，因此綜合對(duì)比之下，設(shè)定近鄰數(shù)量高于30較為合適。

2.3 實(shí)際應(yīng)用效果

獲取應(yīng)用對(duì)象過(guò)去三年中不同月份的市場(chǎng)占有率，以其均值為標(biāo)準(zhǔn)，對(duì)比采用文中系統(tǒng)后相同月份的市場(chǎng)占有率，結(jié)果如圖5所示。由圖5得到，未采用文中系統(tǒng)之前，應(yīng)用對(duì)象每年的市場(chǎng)占有率波動(dòng)范圍為55.7%～66.8%，平均市場(chǎng)占有率約為61.25%。采用該文系統(tǒng)之后，應(yīng)用對(duì)象每年的市場(chǎng)占有率均值提升至92.4%，提升幅度達(dá)到50.86%。由此說(shuō)明應(yīng)用對(duì)象利用該文系統(tǒng)為用戶推薦感興趣的音樂(lè)，能夠顯著提升應(yīng)用對(duì)象的市場(chǎng)占有率，即該文系統(tǒng)推薦結(jié)果可令用戶滿意，具有較好的實(shí)際應(yīng)用效果。

圖5 市場(chǎng)占有率分析

3 結(jié)論

該文設(shè)計(jì)基于用戶興趣偏好度的音樂(lè)智能推薦系統(tǒng)，基于用戶數(shù)據(jù)與音樂(lè)數(shù)據(jù)，確定用戶對(duì)目標(biāo)音樂(lè)類(lèi)型的興趣偏好度，基于興趣偏好度采用協(xié)同過(guò)濾推薦算法將用戶感興趣的音樂(lè)推薦給用戶。應(yīng)用測(cè)試結(jié)果說(shuō)明該文系統(tǒng)能夠準(zhǔn)確向用戶推薦感興趣的音樂(lè)，提升應(yīng)用對(duì)象的市場(chǎng)占有率。