大数据环境下基于用户位置的个性化音乐推荐系统设计

朱志慧 田婧 林捷

摘 要：文章根据国内外个性化音乐推荐的现状，结合大数据环境下用户的需求，在总结分析常用音乐推荐算法的基础上，进行了基于移动用户位置的个性化音乐推荐方案设计。

关键词：移动位置；个性化音乐；推荐；方案设计

随着信息技术和互联网的飞速发展，人们进入了一个信息过载（Information Ovlerload）时代。在海量的信息中，人们想找到自己所关注的对象是一件比较困难的事情，由此，如何快速获取有效信息逐步成为人们研究的一个热点。目前，应用比较广泛的技术为信息检索，例如谷歌、百度、360搜索等搜索引擎，将信息进行分类，当用户对自己的需求或者关注的对象有明确的场景时，用合适的关键字进行搜索，该方法的主要局限是信息分类的目录覆盖范围比较少，并且用户对搜索对象要具备一定的了解，能够用合适的语言来描述关键字。针对以上问题，当用户对自己的需求比较模糊时，推荐系统可以根据历史信息结合其他相关信息，挖掘用户的个性需求，推荐对用户比较有价值的事物。目前，典型的应用案例是淘宝、京东、当当、阿里巴巴、亚马逊等电子商务领域，以及大众点评、饿了么、美团等生活服务[1]。

1 国内外研究现状

随着计算机技术的发展，传统的音乐以数字格式存储，通过网络进行传播，音乐相关的APP、电脑上的音乐网站、便携式音乐播放器等设备上的音乐数据随处可见，并持续增长。利用信息推荐系统，借助音乐个性化推荐帮助用户在海量的音乐数据中快速挑选出符合用户需求的音乐曲目，成为国内外学者的密切关注热点，并产生了许多研究成果。如国外的著名网站Pandora和Last.fm，国内的网易云音乐、酷狗音乐、QQ音乐等，音乐不用于文本或图片信息，它除了考虑用户的需求外，音乐音频特征识别、音乐情感的提取以及语音的处理等都是推荐系统的关键技术，所以推荐结果的准确率和覆盖率相对比较低，缺乏个性化，很多时候不能达到用户的要求[2]。

2 音乐推荐系统

2.1 推荐系统的分类

推荐系统以数据为依据进行分类。当数据的来源为描述用户和物品时，则为基于内容的推荐系统，如果数据是用户的历史信息，即在互联网中产生的交互数据，则称为基于协同过滤的推荐系统。交互数据又可以被细分为显示的反馈数据和隐式反馈数据，显示的反馈数据一般通过用户对物品的直接表达，例如评分；而隱式的反馈数据是通过用户的操作进行推测，例如操作次数、停留时间等。

音乐领域的推荐方法有基于内容的推荐、基于协同过滤的推荐以及基于混合的推荐3种。另外，根据用户的不同，又分为群体音乐推荐系统和个人音乐推荐系统。群体音乐推荐系统主要应用在大型舞会、酒吧、广场等公共环境，通过利用设置传感器，捕捉用户的动作信息，例如身体的摇晃的节奏，来控制音乐的变换，现在已有一些基于语境的群体实时服务系统。个人推荐系统主要为基于内容的推荐系统、基于协同过滤的推进系统，以及基于情景的推荐系统，目前浙江大学研究音乐情感的研究团队，正在开发一款在跑步的情景下，为用户推荐合适的音乐曲目。目前，国内的音乐推荐系统还不成熟，特别是支持实时群体音乐推荐和高度用户交互性的系统还比较缺乏[3]。

2.2 常用个性化音乐推荐算法

常用的个性化音乐推荐算法主要包括以下3种。

2.2.1 基于内容的推荐算法

基于内容的推荐算法核心思想为用音频的特征来描述一段音频信息，再利用该特征计算与其他音频的相似度。根据用户的听歌时间、点击次数、收藏以及下载等行为，分析曲目特征信息，对音乐数据库进行遍历搜索，根据两者相似程度，推荐曲目给用户。

2.2.2 基于协同过滤推荐算法

基于协同过滤的推荐算法分为基于用户的协同过滤和基于物品的协同过滤两种。前者是计算与目标用户有相近偏好的邻居，似度最大的若干用户喜欢的曲目推荐给当前用户；后者通过用户对某一物品的历史操作信息，推测会对相似的物品感兴趣，将物品相似度较高的推荐给用户。

2.2.3 混合推荐算法

单一的推荐算法无法在海量的数据当中，较为精确地推荐出满足用户需求的曲目，多为几种推荐算法的混合。一般情况下，可以将基于协同过滤的推荐和其他推荐算法混合，根据权重选择效果较好的作为最终推荐的结果。随着网络技术的发展和用户的个性化需求，也可以将推荐算法与其他因素相融合，例如用户位置、情景信息等。

对3种算法数据源、优缺点和所应用实例进行分析和总结，如表1所示。

3 基于用户位置的个性化音乐推荐系统设计

目前的音乐推荐算法，主要集中于音乐本身的音频特征和用户对音乐的兴趣，对用户所处的位置以及在该位置处的情景考虑欠缺。目前，随着基于位置的网络（Location-Based Social Network，LBSN）发展，产生大量位置相关数据，能为用户推荐基于位置的项目和服务，如旅游路线、餐馆、旅馆、热点景观的推荐等。本文提出的方案为根据用户所处的位置信息，结合该位置的环境情景推荐个性化的音乐曲目。

3.1 方案设计

将移动位置以及处于该情景中用户的心情作为个性音乐推荐的考虑因素，为用户推荐更合适的音乐曲目是本方案的设计目标。基于移动位置的音乐推荐技术，将位置信息与音乐的推荐算法相结合，能够根据用户所处环境以及心情的不同，推荐最适宜的音乐。根据个性音乐推荐常用算法以及各种的要点、使用范围和优缺点，在用户的移动位置信息中，提取体现用户兴趣点的因素作为推荐算法的因子，进行基于移动位置的个性音乐推荐方案设计，包括所使用的算法、设计的流程以及存在的不足之处[4]。

根据用户所处的地理位置提取所提供的环境信息融合基于物品的协同过滤推荐算法向用户推荐音乐曲目，具体流程如下：

（1）用户行为特征的建立。用户行为特征包括用户性别、年龄、职业、地理位置等静态特征和在听歌过程中的下载、收藏、循环播放、跳过、历史操作信息等动态特征，通过用户的这些特征，推测用户偏爱的作品，将相似度较高的作品作为待推荐集合。

（2）用户位置信息跟踪和相关环境的分析。利用无线通信网络设备，搜集用户的位置信息，并且分析在该位置用户的情绪，将位置信息、用户情感都作为推荐系统所考虑的因素。

（3）结合基于物品的协同过滤推荐算法、位置信息、用户情感，将个性化音乐推荐给用户。

3.2 基于位置信息因素的提取

在该方案中，音乐的推荐算法已经比较成熟，主要难点为如何将位置信息融合到推荐算法中去。用户很多情况下都是处在户外或是处在运动的状态下。大量的音乐推荐请求来自于移动终端，人在听音乐时的心理状态强烈地受到周围环境的影响，在音乐推荐的过程中应该考虑到用户的环境因素。根据移动用户通过移动终端获取用户的当前位置和时间信息，抽象出用户所处环境的信息，根据环境信息进行音乐的推荐[5]。

4 结语

基于移动位置的个性化推荐方案重点为在用户的移动位置信息当中，与个性化音乐推荐相关因素的提取和整个方案的设计流程。在方案设计中，如果人的位置信息不断变化时，位置信息更新太快，会造成音乐推荐的不稳定性；另外，通过用户的位置信息仅仅能够了解到用户所处的环境，但环境和用户心理建立关联是否科学也是下一步要研究的内容。

[参考文献]

[1]刘金各，刘红丽.基于内容的音乐检索方法比较研究[J].山西科技，2012（4）：117-118.

[2]张燕，唐振民，李燕萍，等.基于内容的音乐检索综述[J].金陵科技学院学报，2007（2）：25-29.

[3]金蕾.个性化音乐推荐算法的研究与实现[D].济南：山东大学，2017.

[4]王小欢.基于情景感知的网络音乐个性推荐研究[M].北京：北京交通大学，2017.

[5]李卓远，曾丹，张之江.基于协同过滤和音乐情绪的音乐推荐系统研究[J].工业控制计算机，2018（7）：56-57.