基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
现有的音乐推荐方法多是采用不同的历史偏好相关性度量方法直接为用户生成推荐音乐列表,而不考虑用户历史喜好音乐行为所体现出的用户兴趣的波动性,影响了推荐音乐的准确率.针对这个问题,提出了一种融合Fisher线性判别分析与波动序列的音乐行为偏好获取方法.首先获取音乐的社会化标签与音频特征,采用Fisher线性判别分析对两类样本数据进行特征融合,通过投影变换并引入Fisher判别准则,获取具有最大类间离散度,最小类内离散度的音乐特征分类方向.然后结合用户的历史喜好音乐获取音乐类型基点、类型波动幅度,再以音乐类型基点为中心,以类型波动幅度为半径获取用户的喜好音乐类型,并据此为用户生成推荐音乐列表.在真实数据集LFM上的仿真实验结果表明,所提出方法能够取得更好的P@R值与覆盖率,提升了音乐推荐精度与推荐质量.
推荐文章
融合Fisher线性判别分析的多维特征融合情景感知推荐方法
多特征融合
Fisher线性判别分析
属性偏好
时间衰减
情景感知推荐
膨胀土判别与分类的Fisher判别分析方法
膨胀土
SPSS
Fisher判别分析
判别与分类
基于核Fisher判别分析视频运动目标的分类
线性判别分析
特征提取
核 Fisher判别分析
运动目标分类
视频
基于Fisher判别分析的双相障碍识别研究
双相障碍
早期识别
Fisher判别分析
模型
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 融合Fisher判别分析与波动序列的音乐推荐方法
来源期刊 计算机科学与探索 学科 工学
关键词 Fisher线性判别分析 波动序列 音乐类型基点 社会化标签 音乐推荐系统
年,卷(期) 2017,(8) 所属期刊栏目 人工智能与模式识别
研究方向 页码范围 1314-1323
页数 10页 分类号 TP391
字数 8118字 语种 中文
DOI 10.3778/j.issn.1673-9418.1604064
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 薛董敏 山西水利职业技术学院信息工程系 6 41 2.0 6.0
2 赵志华 山西水利职业技术学院信息工程系 7 53 4.0 7.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (21)
共引文献  (82)
参考文献  (9)
节点文献
引证文献  (6)
同被引文献  (35)
二级引证文献  (2)
1900(1)
  • 参考文献(0)
  • 二级参考文献(1)
1997(2)
  • 参考文献(0)
  • 二级参考文献(2)
2002(1)
  • 参考文献(1)
  • 二级参考文献(0)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(1)
  • 参考文献(0)
  • 二级参考文献(1)
2009(3)
  • 参考文献(0)
  • 二级参考文献(3)
2010(6)
  • 参考文献(2)
  • 二级参考文献(4)
2011(4)
  • 参考文献(1)
  • 二级参考文献(3)
2012(1)
  • 参考文献(1)
  • 二级参考文献(0)
2013(2)
  • 参考文献(1)
  • 二级参考文献(1)
2014(2)
  • 参考文献(2)
  • 二级参考文献(0)
2016(1)
  • 参考文献(1)
  • 二级参考文献(0)
2017(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2018(1)
  • 引证文献(1)
  • 二级引证文献(0)
2019(4)
  • 引证文献(3)
  • 二级引证文献(1)
2020(3)
  • 引证文献(2)
  • 二级引证文献(1)
研究主题发展历程
节点文献
Fisher线性判别分析
波动序列
音乐类型基点
社会化标签
音乐推荐系统
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与探索
月刊
1673-9418
11-5602/TP
大16开
北京市海淀区北四环中路211号北京619信箱26分箱
82-560
2007
chi
出版文献量(篇)
2215
总下载数(次)
4
总被引数(次)
10748
论文1v1指导