论文部分内容阅读
随着移动互联网和多媒体技术的发展,多媒体资源面临着爆炸式增长,其中移动音乐以其独特的形态受到研究学者的广泛关注。面对海量的移动音乐,如何理解用户的信息需求,提供满意的排序结果是音乐检索的重点。音乐检索属于信息检索领域的范畴。虽然信息检索领域已经有成熟的研究理论和成果,但是研究音乐排序问题的成果很少。音乐检索系统与其他信息检索系统不同,它具有较强的领域色彩。对于音乐排序来说,通常需要考虑的相关性特征很多,比如歌曲是否是混音、是否是翻唱版本都是影响排序的重要特征,通过简单的检索模型以及人工调参来拟合相关性公式的方式很难得到令人满意的排序结果。针对音乐检索系统的排序问题,本文提出基于排序学习的音乐检索方法研究与实现。本文主要包括以下几点研究工作:1)设计一种基于用户行为分析的热度模型。通过考虑用户行为的特性,计算歌曲以及歌手的热度,并设计一种热度缓存策略来解决日志稀疏性问题。2)基于音乐产品的业务需求和用户的信息需求,本文通过构造用户查询请求参数来表达用户的查询意图。实现以字段为中心的检索,并设计一种人工规则融合排序学习的检索策略来处理不同的返回结果。3)对于某公司提供的真实用户日志进行预处理,针对用户点击的位置偏差和信任偏差问题,提出一种基于歌曲点击次数、点击位置以及点击信任度的点击模型来挖掘用户点击日志中的隐反馈信息,生成高质量的相关性标注。4)从用户信息需求以及音乐产品运营需求角度出发,本文通过特征工程得到查询本身、歌曲本身以及查询与歌曲之间的特征,从而得到排序学习算法的训练集;5)研究并实现RankNet、ListNet、RankSVM、LambdaMART以及RankBoost五种经典的排序学习算法,并通过实验验证不同的排序学习算法在不同实验数据集上的性能差异。基于以上研究,本文设计并实现了基于排序学习的音乐检索系统,并通过接入某音乐产品后的线上效果来验证本文研究成果的实际应用价值。