基于深度神经网络的音乐推荐算法的设计与实现

《基于深度神经网络的音乐推荐算法的设计与实现》由会员分享，可在线阅读，更多相关《基于深度神经网络的音乐推荐算法的设计与实现（31页珍藏版）》请在文档大全上搜索。

1、苏州大学本科生毕业设计（论文）学院(部)计算机科学与技术学院题 目基于深度神经网络的音乐推荐系统设计与实现目 录摘 要1前 言3第一章绪 论41.1论文研究背景31.2音乐推荐算法描述51.3论文的内容和意义51.4本文的组织结构5第二章推荐算法简介72.1音乐推荐方法72.1.1 基于内容的音乐推荐算法72.1.2 基于用户协同过滤的音乐推荐算法72.1.3 混合推荐算法82.2 音乐评价的指标92.3本章小结10第三章基于神经网络的音乐推荐算法及设计113.1数据集及预处理113.1.1 音频读取113.1.2 音频分析123.2卷积神经网络133.3激励函数153.3.1 介绍153.3

2、.2 激励函数的选择163.4损失函数163.5优化器163.6模型设计及训练结果173.7本章小结19第四章混合方法的设计与实现204.1基于用户的协同过滤算法204.1.1冷处理问题204.1.2稀疏性问题204.2用户相似度计算214.3模型搭建234.4本章小结23第五章系统展示245.1功能介绍245.2用户初始化255.3其他推荐方式25第六章 总结与展望276.1 本文总结276.2后续工作展望27参考文献28致 谢29II摘 要由于以往的音乐推荐算法大多局限于基于标签内容的推荐或者是单一的协同过滤推荐，在表现上并不是特别令人满意，不得不承认一个基于内容的音乐推荐算法是必不可少的

3、，但是在此之上加入协同过滤算法并细分为行为协同过滤与用户本身协同过滤，且将几种算法做一个简单的奖惩措施，让用户自己选择自己的喜好，自己训练自己的音乐推荐系统与音乐推荐算法才是一个合理的优秀的音乐推荐算法。根据现有的神经网络框架TensorFlow以及集成API tflearn我们可以轻松的使用工具对我们的数据集进行训练从而得到一个输入为音频输出为类型的多层神经网络，在此基础之上将音乐做一个分类并给予标签定义，并在用户录入的过程中给予用户同样的标签值，从而获得优秀的推荐效果本论文主要实现了一个以基于内容部分的音乐推荐算法与基于用户协同过滤部分的音乐推荐算法相结合的混合音乐推荐算法，并进行初步的推

4、荐展示。关键词：音乐;协同过滤;TensorFlow;算法1AbstractBecause in the past mostly confined to music recommendation algorithm based on the label content is single collaborative filtering recommendation or recommend, on the performance is not particularly satisfactory, have to admit that a music recommendation algorit

5、hm based on content is indispensable, but on top of this join collaborative filtering algorithm and subdivided into collaborative filtering and the collaborative filtering the user itself, and several algorithms to do a simple rewards and punishments measures, allows users to choose their own prefer

6、ences, training their own music recommendation system and music recommendation algorithm is a reasonable good music recommendation algorithm.According to the existing neural network framework TensorFlow and integration API tflearn we can easily use tools to our training data set to obtain an input f

7、or the audio output for types of multilayer neural networks, on this basis to do the music classification and given a label definition, and in the process of user input to give the user the same tag value, recommend to obtain good effect。The whole process of the development of the system module foll

8、ows the steps of the software work project development process, and combines the object-oriented analysis and design method to design the database. In the design of the algorithm, the Python language is adopted, and the open source framework of Google is used in the training machine learning process

9、.Keywords: Music;CF;Tensorflow;algorithm2前 言21世纪是信息化时代，随着信息技术和网络技术的发展，与人们的日常生活早已建立了离不开的联系。对网络音乐服务来说，不管是音乐下载服务，或者是网络音乐电台服务，都需要用到优秀的内容推荐系统去辅助整个系统。个性化音乐推荐系统是目前最流行的应用方法之一。现有的基于内容的音乐推荐系统通常采用两阶段的方法。他们首先提取传统的音频内容特征，如梅尔频率倒谱系数（1），然后预测用户偏好。然而，这些传统的特性最初不是为音乐推荐而设计的，不能捕捉音频中的所有相关信息，从而限制推荐性能。基于深度信任的新模型网络和概率图模型，我们统

10、一进入一个自动化的过程，同时学习。从音频内容的特点，并提出个性化的建议。与现有的基于深度学习的模型，我们的模型优于他们在暖启动不依赖协同过滤（CF）的冷启动阶段。然后，我们提出了一种有效的混合方法无缝集成自动学习的功能，我们的混合方法不仅大大改善了CF的性能，也优于传统的基于特征的混合方法。本系统在基于内容的音乐推荐部分采用了Google开源框架Tensorflow的CNN模型，音乐系统的实现基于Django(后台服务器端)+Layui(前端模板框架)+Mysql数据库+Redis缓存数据库，在基于用户的协同过滤部分采用了有关矩阵相似度之间的计算方程。（1） 梅尔频率倒谱系数 (Mel-Fre

11、quency Cepstral Coefficients，MFCCs)就是组成梅尔频率倒谱的系数。他们派生自音频片段的倒谱(cepstrum)表示(anonlinear”spectrun-of-a-spectrum”)。倒谱和梅尔频率倒谱的区别在于，梅尔频率倒谱的频带划分是在梅尔刻度上等距划分的，它比用于正常的对数倒频谱中的线性间隔的频带更能近似人类的听觉系统。这种频率弯曲可以更好的表示声音，例如音频压缩。第一章绪 论本章首先介绍了论文的研究背景，其次简单介绍了本文所做的主要内容，在本章的最后介绍了论文的组织结构。1.1论文研究背景近年来，在互联网大数据发展日益高涨的今天，各种应用开始使用推荐