摘 要

随着互联网和数字多媒体技术的飞速发展，数字音乐成为众多年轻人追捧的主流消费内容之一，基于个性化的音乐推荐也随之成为推荐领域的一大研究热点。本文对音乐个性化推荐的研究概况进行了调研和总结，综述了音乐个性化推荐的应用背景、发展现状以及几种典型的方法，并以网易与音乐为实例，较为深入地分析个性推荐技术的实际应用与存在的问题，并对发展前景进行展望。

关键词：推荐系统；协同过滤；网易云音乐；个性化

Abstract

With the rapid development of Internet and digital multimedia technology, digital music has become one of the mainstream content that many young people sought after. Music recommendation based on personalize has become a hot field of research. This paper investigates and summarizes music personal recommendation research. It introduces the background, the present development and typical methods. Also it takes Netease Cloud Music as an example to analyze practical application and problems existing in the personal recommendation technique and predicts future development.

Key Words：recommendation systems；collaborative filtering；Netease Cloud Music；personalizationg

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1个性化音乐推荐系统的研究背景 1

1.2国内外研究现状 1

第2章 个性化推荐的主要方法 3

2.1 基于内容的推荐 3

2.2 协同过滤推荐 3

2.2.1基于内存的协同过滤算法 3

2.2.2基于模型的协同过滤算法 4

2.3基于关联规则的推荐 4

2.4组合推荐 4

2.5其他推荐方法 6

第3章 音乐个性化推荐存在的问题 7

3.1冷启动问题 7

3.2稀疏性问题 7

3.3扩展性问题 7

3.4波动性问题 7

第4章 网易云音乐在个性化音乐推荐领域的实践 8

4.1网易云音乐发展简介 8

4.2网易云音乐的个性化推荐模式分析 9

4.2.1网易云音乐推荐系统的设计 9

4.2.2数据收集分析 10

4.2.3推荐算法 14

4.2.4创新设计 16

第5章 总结与展望 18

5.1论文总结工作 18

5.2未来展望 18

参考文献 19

致 谢 20

第1章 绪论

1.1个性化音乐推荐系统的研究背景

著名的音乐家冼星海在赞美音乐时说道：“音乐，是人生最大的快乐；音乐，是生活中的一股清泉；音乐，是陶冶性情的熔炉”。的确，千百年来，音乐以其深刻的蕴含及妙不可言的旋律，汇成了一条永世川流不息，闪闪发光的音乐长河，使众人为之倾倒和沉醉，以一种抽象艺术形式反映出人们的现实生活，表达出人们的内心思想。

如今，人们的日常生活越来越依赖于互联网，互联网和移动通信成为音乐最大的获取和传播渠道。然而，大型音乐门户类网站上的音乐数量往往有上前万首，种类非常丰富，有很多流派，而且每月都会有大量的国内外新歌曲加入乐库，用户不可能把所有的歌曲听完后再选取自己所喜欢的音乐；大多情况下用户是在一边做其他事情时一边听歌，音乐往往是作为一种背景声音，用户对歌曲的需求大多是“一些符合自己口味的好听的歌曲”这类模糊的要求，若一味地为用户推荐最新、热门的音乐，用户会出现审美疲劳，渐渐对音乐失去兴趣。

因此，对于用户而言，当他们已经不满足于自己收藏夹里的歌曲，希望听一些新鲜音乐的时候，缺又不知道如何去检索哪个歌手和歌曲；而从对音乐的发布者来看，当他们将新的歌曲资源发布后，急于将这些资源推广出去时，却又无法知道会有哪些人会喜欢这些音乐。为了解决新资源的发布与用户需求的信息过载矛盾，音乐个性化推荐技术营运而生。

1.2国内外研究现状

在个性化服务领域中，个性化推荐是其中最重要的一种方式。在推荐技术的应用上，音乐的个性化推荐又是额外受到众多学者的密切关注，在不断的研发与创新中，产生了许多研究成果，许多著名的个性化音乐推荐平台应运而生，如国外著名的网站Pandora和Last.fm，国内的SongTaste和豆瓣电台等。

Pandora（如图1.1）和Last.fm（如图1.2）是音乐推荐网站的始祖级代表。说到Pandora，则不得不提及音乐基因组计划。Pandora网站的音乐推荐服务即是由音乐基因组计划管理。

该网站所设计的“音乐基因组计划”，会将用户的喜爱的歌曲风格、艺人以及已经推荐的歌曲信息收集起来进行数据分析，然后提取出每首歌曲的特征属性，包括歌曲的节奏、旋律、音色、编排等，量化为具体的数值，并与用户的数据信息进行特征值计算，根据相似度来为用户作出音乐推荐。

而Last.fm网站则是以用户的收听和播放记录为基础，计算出用户的个人音乐喜好特征，结合社交属性，寻找特征值相近的用户群体，并将用户群体普遍喜爱的音乐推荐给目标用户。可以说，Last.fm的音乐推荐运用的是群体的力量，与Pandora的最大区别就是完成了音乐社区的建立，当该社区中用户群体越来越庞大时，Last.fm推荐系统中音乐播放历史的记录数据会越来越多，则音乐个性化推荐的效果也就会越来越好。

图1.1 Pandora网站

图1.2 Last.fm电台

SongTaste和豆瓣都是社交性质的音乐网站，有点类似于Last.fm。在SongTaste的社区中，每一个用户都能看到其他人最近收听的音乐、有什么新的音乐推荐。另外，根据用户平时所推荐的歌曲、歌曲收藏信息以及听歌行为，社区能找到与之“相似的品味者”，从而做出更好的推荐。豆瓣网则主要通过豆瓣小组、MSN、人人网、新浪微博等互动平台来分享和传播用户喜欢的音乐。

第2章 个性化推荐的主要方法

当前主流的个性化推荐的主要方法有以下几种：

2.1 基于内容的推荐

基于内容的推荐算法是根据用户已经选择的对象，为用户推荐其他与其特征相似的对象。这种推荐算法过程需要针对用户创建一个描述文件，收集其喜好和兴趣特征信息，通过对比推荐对象的特征和用户兴趣爱好特征的相似度来确定是否推荐该项目给用户。也可以根据用户的历史浏览信息来选择合适的对象做推荐。

基于内容的推荐优点是有很强的直观性，能够在较大的资源范围内进行推荐。但是，由于为用户推荐对象的内容特征与其兴趣偏好必须相匹配，所以用户将只能获得与之前类似的推荐结果，无法为用户发掘新的兴趣对象。

2.2 协同过滤推荐

协同过滤推荐技术在推荐系统可以说时应用最为广泛和成功的技术了。协同过滤算法与基于内容的推荐算法区别在于，它不需要提取对象或用户的特征，而只需要于用户过去的行为数据（例如对资源的搜索、收藏或购买行为），然后将用户对资源的反馈信息以评分的形式收集起来，通过这些评分数据计算出不同用户之间的相似度，寻找出与目标用户过去行为特征相似度较高的其他用户，称之为目标用户的邻居，然后利用这些邻居对其他资源对象的评价，来预测目标用户对特定对象的喜好程度，通过这一喜好程度，系统来对目标用户进行推荐。