本研究旨在开发一种可解释的音乐相似性分类系统,通过结合符号和音频内容,提高音乐检索、推荐和分析的效率和精度。
Jun, 2023
本文提出了一种深度内容 - 用户嵌入模型,它采用混合方法解决了冷启动问题,并考虑了不同模式数据的联合,同时在音乐推荐和音乐自动标记任务中,表现出了明显的优势。
Jul, 2018
本文提出了一种新的协作检索模型,通过整合社交网络信息来提高文本检索的准确性,在真实的音乐数据集上进行了实证分析,证明在数据稀疏性强的情况下,社交信息对于文本检索尤为重要。
Apr, 2014
该研究描述了一种利用信息提取和机器学习算法进行文本分类的基于内容的书籍推荐系统,初步实验结果表明该方法可以产生准确的推荐。
Feb, 1999
使用用户的听歌历史和个人信息,借助于度量学习及 Siamese 网络,构建出用户嵌入和音频嵌入表示,从而提出了基于内容的音乐推荐方法,并将音频嵌入作为音乐类型分类任务的特征。实验结果表明,该方法达到了最新的性能。
Oct, 2020
本研究针对协同过滤在推荐系统中的广泛应用, 介绍了一个基于余弦相似度的在线协同过滤推荐模型,通过探索物品和用户之间的相似关系,期望最大化用户接受推荐的物品数量。研究结果表明,该算法在不知道用户类型数的情况下,经过几步初始探索,就可达到最佳表现。
Oct, 2014
本文提出了一种基于多核学习以及基于图的过滤技术的方法,将多媒体数据中的多种模态融合到单一的相似度空间中,以解决多媒体数据中的主观问题和不一致问题。
Aug, 2010
通过使用机器学习模型及百万曲目数据集,本文提出了一个音乐推荐系统,旨在优化为用户推荐喜欢的歌曲。
Sep, 2023
本文提出了一种自适应聚类技术,以探索 - 利用策略为基础,用于内容推荐系统中高动态性的推荐领域,该算法利用数据中的喜好模式,具有与协同过滤方法类似的优点,对中等规模的真实世界数据集进行了实证分析,表现出可扩展性和预测性能提高。
Feb, 2015
研究多媒体推荐系统的协作过滤算法,并发现其中的流行度偏差问题,导致推荐列表中较不受欢迎的项目被低估。通过对 LastFm、MovieLens、BookCrossing 和 MyAnimeList 等数据集进行研究,结果表明对普及度不高的项目感兴趣的用户的推荐体验要比对普及度中等和高的项目感兴趣的用户的推荐体验更差。
Mar, 2022