论文部分内容阅读
随着信息技术的普及,如何从海量的数据中快速准确地找到人们想要的数据变得越来越重要。个性化推荐是一种帮助用户在信息过载的情形下高效率地找到其感兴趣的信息一种技术。当前“无处不在的网络”现状,使情境感知系统CARS(Context Aware Recommender Systems)也成为一个研究热点。情境感知系统可以利用上下文信息来进一步提高推荐的准确性。近年来,流媒体服务越来越受欢迎,人们通常通过选择自己喜欢的播放列表来收听音乐。因此,如何向用户推荐合适的播放列表已经是音乐推荐的中心问题。用户偏好建模、音乐资源和推荐算法是构成音乐推荐的三个基本要素。目前,音乐推荐的研究主要还是通过优化推荐算法来提高推荐的准确性,忽略了音乐资源本身所具有的特殊性以及用户听歌行为与情境信息之间的重要联系。为此,本文提出一种基于本体建模和情境感知的音乐推荐方法,来探讨利用音乐资源来更好地刻画出用户的偏好,并且能够将最符合用户口味的一些音乐推荐出来。本文的主要工作包括:(1)构建一个兼容中文歌曲及听众的音乐推荐服务型本体(CHMO)来对音乐知识进行处理。针对互联网络尤其是移动互联网络对音乐服务质量提出的越来越高的要求、音乐领域知识表达的欠缺和中西方音乐审美的差异,本文首先设计一个细粒度的音乐本体模型,根据合理的构建原则和方法,利用Protégé和OWL建立音乐本体;然后,详细阐述本体中的组成及模型,并采用Jena推理机进行推理模型优化;最后,着力解决本体中的算法正确检测以及本体实现中的支持性问题。(2)设计并实现了基于本体建模和张量分解的多层协同过滤音乐推荐算法。为了尝试解决低层次音频特征和深层次音乐理解之间的语义鸿沟,以及情境因素的影响,本文使用本体构建用户知识模型,融合多情形相似性度量,通过初步筛选出候选邻居集,然后结合用户的活跃度构建基于时间的权值张量评分,利用张量分解得到推荐评估值,最后利用推荐评估值进行Top-N音乐推荐。实验结果表明,在数据极度稀疏的情况下,该算法依然可以获得较好的推荐实现。