音乐学｜李琳《数字音乐营销中的推荐系统关键方法与技术》

Posted 2021-05-01 艺术学人

论文：数字音乐营销中的推荐系统关键方法与技术

作者：李琳

学位授予单位：北京邮电大学

学位授予时间：2020年

导师：唐守廉

摘要： 流媒体音乐的增长和普及改变了人们的音乐消费方式,用户可以随时随地收听在线音乐,这种变化趋势促使数字音乐的营销模式逐渐向以“用户为中心”的个性化营销转变,推荐系统的诞生使其成为可能,通过融合多种推荐算法/策略（用户画像、协同过滤、内容过滤等）捕捉用户的兴趣偏好,并将感兴趣的内容推荐给用户。然而,与其他类型的推荐内容相比,数字音乐中存在诸多独特性和挑战性问题,导致现有推荐算法未能发挥很好的营销效果。为此,如何提出切实有效的音乐推荐算法,用于提升数字音乐的营销效率,是众多音乐平台亟待解决的核心问题之一。

在音乐偏好理论和推荐技术的研究基础上,作者利用大数据和机器学习技术对用户属性、歌曲元数据及用户行为进行深度挖掘,提出了一系列个性化、精准化和智能化的音乐推荐算法,为数字音乐在内容分发、用户体验和商业变现等方面发挥了关键作用,达到了降本增效的营销目的,也为其他内容领域的营销优化策略提供了实践指导和借鉴意义。同时,本论文的研究成果也进一步拓展了营销理论和服务科学的应用范畴,为推动数字音乐产业的持续发展注入了新的动力。

具体来讲,论文的研究内容和主要创新点包括:

（1）针对数字音乐营销中的行为数据稀疏性,导致无法充分挖掘用户音乐偏好特征,提出了融合内容表示的度量排序学习推荐算法（CRMRL）。主要创新点:当前主流推荐算法仅能挖掘用户与歌曲之间的一般性关系,无法从全局和细粒度层面区分用户对歌曲局部特征的偏好程度。加之,大量新上架歌曲和冷门歌曲导致模型在不同数据稀疏度下的鲁棒性下降。为此,作者利用观测和未观测行为数据构造相对偏序关系,使模型得到充分训练,同时构建与推荐任务相关的音频特征提取子模型,以进一步缓解数据的稀疏性问题,最后通过度量学习挖掘用户与歌曲之间的偏好关系。与现有推荐算法相比,CRMRL算法解决了数据极端稀疏场景下的推荐问题,能够充分挖掘用户的音乐偏好特征,其研究成果可用于提升新上架歌曲\冷门歌曲的曝光率及营销投入的产出比,并激发音乐艺术家的创作热情。

（2）针对音乐偏好具有的差异性和动态性,缺乏不同用户对同一首歌曲的偏好差异识别,提出了基于多层注意力表示的音乐推荐算法（HARM）。主要创新点:当前业内方法只能做到一般意义上的时序关系挖掘,忽略了“不同用户对同一首歌曲多维特征的关注点和差异程度均有所不同”,导致推荐算法在个性化程度更高的音乐收听服务中的准确率下降。为此,本论文利用自注意力网络和循环神经网络等技术,从用户属性和歌曲内容中多维度学习歌曲的嵌入式表示,用于识别不同用户对同一首歌曲的偏好差异性,以及用户在收听会话中对不同歌曲的感兴趣程度。与现有推荐算法相比,HARM算法实现了用户音乐偏好的多维度捕捉,从而提升模型预测下一首歌曲的精准度,其研究成果可用于下一首歌曲等推荐任务,为用户带来个性化程度更高的音乐收听服务,提高用户对音乐平台的满意度和付费意愿。

（3）针对隐式反馈行为中存在着大量的噪声数据,未考虑从细粒度层面识别歌曲局部噪声的影响,提出了基于注意力机制的时序推荐算法（ASR）。

主要创新点 :当前业内方法只停留在全局层面的注意力机制研究,使得模型只擅长处理长会话数据的推荐场景,当面临短会话数据时推荐质量急剧下降。为此,本论文优先刻画歌曲的局部特征信息,利用卷积神经网络提取歌曲的高层语义特征,然后将上一层提取的歌曲高层语义特征,按照用户收听的时间序列重新形成会话时序列表,以构建基于注意力机制的双向循环神经网络模型,使其能够降低噪声数据的影响并学习歌曲之间的强依赖关系。与现有推荐算法相比,ASR算法在不同会话长度下的鲁棒性显著增强,有效提升了模型在噪声数据影响下的推荐质量,其研究成果可用于每日歌单推荐\自动播放列表等推荐任务,增强用户对本次音乐收听主题的感知价值。

文章目录

• 摘要
• ABSTRACT
• 第一章 绪论
•     1.1 研究背景
•     1.2 研究意义
•         1.2.1 理论意义
•         1.2.2 实践意义
•     1.3 研究内容
•     1.4 论文主要创新点
•     1.5 论文组织结构
• 第二章 相关理论与研究综述
•     2.1 数字音乐营销策略发展综述
•     2.2 音乐偏好的影响因素研究
•         2.2.1 音乐特征及流派
•         2.2.2 听众特征
•         2.2.3 上下文环境
•     2.3 数字音乐推荐中的关键技术
•         2.3.1 传统推荐技术
•         2.3.2 深度学习技术
•         2.3.3 嵌入式表示技术
•         2.3.4 推荐评估方法
•     2.4 音乐推荐算法研究综述
•         2.4.1 融合歌曲内容的音乐推荐算法
•         2.4.2 基于会话数据的音乐推荐算法
•     2.5 本章小结
• 第三章 融合内容表示的度量排序学习推荐算法
•     3.1 引言
•     3.2 问题描述
•     3.3 融合内容表示的度量排序学习推荐算法
•         3.3.1 相对偏好模型
•         3.3.2 音频语义特征提取
•         3.3.3 联合训练
•     3.4 实验评测
•         3.4.1 实验数据
•         3.4.2 对比方法
•         3.4.3 评估指标
•         3.4.4 冷启动音乐推荐性能对比
•         3.4.5 不同稀疏数据集上的鲁棒性分析
•         3.4.6 参数分析
•     3.5 本章小结
• 第四章 基于多层注意力表示的音乐推荐算法
•     4.1 引言
•     4.2 问题描述
•     4.3 基于多层注意力表示的音乐推荐算法
•         4.3.1 歌曲编码
•         4.3.2 用户编码
•         4.3.3 预测与训练
•     4.4 实验测评
•         4.4.1 实验数据
•         4.4.2 对比方法
•         4.4.3 评估方法
•         4.4.4 对比分析
•         4.4.5 参数分析
•     4.5 本章小结
• 第五章 基于注意力机制的时序推荐算法
•     5.1 引言
•     5.2 问题描述
•     5.3 基于注意力机制的时序推荐算法
•         5.3.1 歌曲多维特征提取
•         5.3.2 时序关系建模
•         5.3.3 预测与训练
•     5.4 实验测评
•         5.4.1 实验数据
•         5.4.2 对比方法
•         5.4.3 评估方法
•         5.4.4 对比分析
•         5.4.5 参数分析
•     5.5 本章小结
• 第六章 横向对比与系统验证
•     6.1 引言
•     6.2 横向对比
•     6.3 系统验证
•         6.3.1 数据集
•         6.3.2 验证方法
•         6.3.3 结果分析
•     6.4 系统结论
• 第七章 总结与展望
•     7.1 论文总结
•     7.2 研究展望
• 参考文献
• 附录 缩略语
• 致谢
• 攻读学位期间发表的学术论文目录
• 攻读博士学位期间申请的专利

来源：中国知网

编辑：艺术学人

说明：本栏目标题中的学科仅与论文内容有关，与作者实际获得的学位学科名称无关。

以上是关于音乐学｜李琳《数字音乐营销中的推荐系统关键方法与技术》的主要内容，如果未能解决你的问题，请参考以下文章

手把手带你搭建一个智能音乐推荐系统

动手搭建个比女朋友还懂你的 音乐推荐系统

带你动手搭建个 比女朋友还懂你的 音乐推荐系统

内容推荐算法之：音乐推荐

深度学习核心技术精讲100篇（二十九）-基于内容和上下文的音乐推荐

数据挖掘课程设计实战——基于Django开发的音乐推荐系统网站