融入音乐子人格特质和社交网络行为分析的音乐推荐方法

doi:10.11959/j.issn.1000-0801.2015240

电信科学 ›› 2015, Vol. 31 ›› Issue (10): 115-123.doi: 10.11959/j.issn.1000-0801.2015240

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

琚春华^1,²,黄治移²,鲍福光^1,³

¹ 浙江工商大学现代商贸研究中心杭州 310018
² 浙江工商大学计算机与信息工程学院杭州 310018
³ 浙江工商大学工商管理学院杭州 310018

出版日期:2015-10-20 发布日期:2017-07-21
基金资助:
国家自然科学基金资助项目;浙江省2011协同创新中心——现代商贸流通体系建设协同创新中心资助课题成果;国家科技支撑计划基金资助项目;浙江省自然科学基金资助项目;教育部人文社会科学重点研究基地项目

A Novel Music Recommendation Method Combining Music Sub-Personality and Social Network Behavior Analysis

Chunhua Ju^1,²,Zhiyi Huang²,Fuguang Bao^1,³

¹ Contemporary Business and Trade Research Center of Zhejiang Gongshang University，Hangzhou 310018，China
² School of Computer Science and Information Engineering，Zhejiang Gongshang University，Hangzhou 310018，China
³ School of Business Administration，Zhejiang Gongshang University，Hangzhou 310018，China

Online:2015-10-20 Published:2017-07-21
Supported by:
The National Natural Science Foundation of China;Zhejiang Province 2011 Collaborative Innovation Center of Modern Business Circulation System;The Natural Science Foundation of Zhejiang Province;The National Key Technology R and D Program of China;Key Research Institutes of Social Sciences and Humanities Ministry of Education

摘要/Abstract

摘要：

为了可以实时推荐符合人们情感状态的音乐，提出了一种融入音乐子人格特质的社交网络行为分析的音乐推荐算法，该算法通过分析用户发表在微博等社交媒体上的状态，计算用户在该情感状态下对音乐的偏好程度；选择在该情感状态下音乐偏好相似的最近邻用户，最后融入音乐子人格特质进行偏好度计算，为用户推荐最适合其情感状态的音乐。实验结果表明，该算法可以缓解用户数据稀疏性对推荐结果的影响，能够提高推荐系统的推荐质量。

关键词: 音乐推荐, 音乐子人格, 社交网络, 情感分析, 数据稀疏性

Abstract:

In order to recommend music conforming to the people’s sentiment state in real time，a novel music recommendation method combining music sub-personality and social network behavior analysis was proposed.Through sentiment analysis of the users’ words and sentences which was released on Weibo and other social network，the method calculated the users’ music preference in a sentiment state，the most suitable music was recommend to users in that sentiment state.Experimental results show that the proposed method can alleviate the effect of user data sparsity on the recommendation results.

Key words: music recommendation, music sub-personality, social network, sentiment analysis, data sparsity

琚春华,黄治移,鲍福光. 融入音乐子人格特质和社交网络行为分析的音乐推荐方法[J]. 电信科学, 2015, 31(10): 115-123.

Chunhua Ju,Zhiyi Huang,Fuguang Bao. A Novel Music Recommendation Method Combining Music Sub-Personality and Social Network Behavior Analysis[J]. Telecommunications Science, 2015, 31(10): 115-123.

图/表 12

表1

表2

音乐特征"

属性	描述
平均音高（PM）	主音轨中音高的平均值
音高标准差（PS）	主音轨中音高的标准差
音高差值平均值（IM）	主音轨中相邻音高差值的平均值
音高差值标准差（IS）	主音轨中相邻音高差值的标准差
音高熵（PE）	$P E = - \sum_{j = 1}^{N P} P_{j} l b P_{j}$ ，其中 $P_{j} = \frac{N_{j}}{T}$ ，N_j为主音轨中第j种音高的数量，T为主音轨中音高的总数量
音高密度（PD）	见式（2）
音符平均速度（LD）	主音轨中音符速度的平均值
音符速度标准差（LS）	主音轨中音符速度的标准差

表2

图1

表3

表4

表5

图2

图3

图4

图5

图6

图7

参考文献 17

1	Balabanovic M ， Shoham Y . Fab：content-based，collaborative recommendation. Communications of the ACM， 1997，40（3）： 66～72
2	Schafer J B ， Dan F ， Herlocker J ， et al. Collaborative Filtering Recommender Systems.The Adaptive Web. Berlin Heidelberg：Springer， 2007
3	Yildirim H ， Krishnamoorthy M S . A random walk method for alleviating the sparsity problem in collaborative filtering. Proceedings of the 2008 ACM Conference on Recommender Systems（RecSys 08）， Lausanne，Switzerland， 2008： 131～138
4	Shan M K ， Kuo F F ， Chiang M F ， et al. Emotion-based music recommendation by affinity discovery from film music. Expert Systems with Applications， 2007，36（4）： 7666～7674
5	Yoon K ， Lee J ， Kim M U . Music recommendation system using emotion triggering low-level features. IEEE Transactions on Consumer Electronics， 2012，58（2）： 612～618
6	Han B J ， Rho S ， Jun S ， et al. Music emotion classification and context-based music recommendation. Multimedia Tools Appl， 2010（2）： 433～460
7	Yeh C C ， Tseng S S ， Tsai P C ， et al. Building a Personalized Music Emotion Prediction System. Advances in Multimedia Information Processing-PCM 2006.Berlin Heidelberg：Springer， 2006
8	Larsen R J ， Buss D M . 人格心理学：人性的科学探索. 郭永玉等译. 北京：人民邮电出版社， 2012 Larsen R J ， Buss D M . Person Psychology. Translatel byGuo Y Y， et al. Beijing： Posts ＆ Telecom Press， 2012
9	邹光宇 . 晴天音乐子人格测评量表. 中国音乐治疗学会第十届学术年会论文集，广州，中国， 2011 Zou G Y . Fineday measurement scale of music sub-personality. Proceedings of the 10th Annual Conference of Chinese Society of Music Therapy， Guangzhou，China， 2011
10	Chen H C ， Chen A L P . A music recommendation system based on music and user grouping. Journal of Intelligent Information Systems， 2005，24（2～3）： 113～132
11	Winsor P . Automated Music Composition.Automated Music Composition. Denton： University of North Texas Press， 2000
12	刘楠 . 面向微博短文本的情感分析研究（博士学位论文）. 武汉：武汉大学， 2013 Liu N . Emotion analysis on short text for Weibo（doctor dissertation）. Wuhan：Wuhan University， 2013
13	Meyer L B . Music and emotion：distinctions and uncertainties. Series in Affective Science， 2001，29（3）： 23
14	邓爱林，朱扬勇，施伯乐 . 基于项目评分预测的协同过滤推荐算法. 软件学报， 2003，14（9）： 1621～1628 Deng A L ， Zhu Y Y ， Shi B L . A collaborative filtering recommendation algorithm based on item rating prediction. Journal of Software， 2003，14（9）： 1621～1628
15	Delsing M J M H ， Ter Bogt T F M . Engels R C M E ， et al. Adolescents’ music preferences and personality characteristics. European Journal of Personality， 2008，22（2）： 109～130
16	胡勋，孟祥武，张玉洁等. 一种融合项目特征和移动用户信任关系的推荐算法. 软件学报， 2014（8）： 1817～1830 Hu X ， Meng X W ， Zhang Y J ， et al. Recommendation algorithm combing item features and trust relationship of mobile users. Journal of Software， 2014（8）： 1817～1830
17	Adomavicius G ， Tuzhilin A . Toward the next generation of recommender systems：a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge ＆ Data Engineering， 2005，17（6）： 734～749

符号	类别	特征
A	善感凄美	喜欢凄美音乐，抒情轻音乐，哀伤中得到宣泄和快慰
B	踌躇奔放	喜欢交响乐，振奋，赞美情绪，高敏感特质
C	动感飘忽	喜欢摇滚乐，害怕孤独，不能忍受寂寞
D	规整动摇	喜欢进行曲，情绪明快、矛盾、刻板而不稳定
E	简约漂流	喜欢流行音乐，旋律简单随意的情绪倾向
F	深邃慎独	喜欢古典音乐，情绪理性，而积极投射
G	经典尊贵	喜欢歌剧，情绪强烈而深度卷入，享受主旋律中的冲突情绪

情感类别	数量
乐（happy）	1 764
好（like）	8 823
怒（anger）	405
哀（sad）	2 169
惧（fear）	927
恶（disgust）	8 773
惊（surprise）	217

微博	分词结果
周末加班好无语	周末，加班，好，无语
但是看见萌萌哒的汉良兄	但是，看见，萌萌哒的，汉良，兄
心情一下子舒畅啦[可爱]	心情，一下子，舒畅，啦，[可爱]

音乐ID	音乐名称	开始时间	结束时间	音乐时长
5473235	千百度	2015年6月27日12：05：45	2015年6月27日12：08：45	3分46秒
5843346	行走的力量	2015年6月27日12：10：23	2015年6月27日12：11：17	5分34秒
8334767	最浪漫的事	2015年6月27日12：12：03	2015年6月27日12：15：48	3分45秒

[1]	徐海勇,陶涛,黄岩,唐崔巍,张兆静,吴晶. 基于社交网络分析的流量红包客户挖掘与传播模式[J]. 电信科学, 2020, 36(8): 139-150.
[2]	张科,孙越佳,韩海. 基于协同过滤与社交网络混合算法的客户信用建模及授信方法[J]. 电信科学, 2020, 36(2): 52-60.
[3]	顾秋阳,吴宝,琚春华. 融入词汇共现的社交网络用户情感Biterm主题模型[J]. 电信科学, 2020, 36(11): 47-60.
[4]	顾秋阳,琚春华,吴功兴. 融入用户合作与领导激励的社交网络知识传播模型[J]. 电信科学, 2020, 36(10): 172-182.
[5]	李攀攀,谢正霞,乐光学,马柏林,陈丽,刘建华. SSDHT：基于社交网络的DHT安全增强机制[J]. 电信科学, 2018, 34(11): 10-20.
[6]	王莉,冯志勇,张平. 面向分布式缓存系统的无线资源管理：动机、挑战与方法[J]. 电信科学, 2017, 33(3): 83-94.
[7]	廖建新. 大数据技术的应用现状与展望[J]. 电信科学, 2015, 31(7): 1-12.
[8]	王瑞琴,潘俊,李一啸. 基于多社交数据源的协同推荐方法研究[J]. 电信科学, 2015, 31(6): 68-74.
[9]	沈士根,黄龙军,胡珂立,李宏杰,韩日昇,曹奇英. 基于微分博弈的在线社交网络恶意程序传播优化控制方法[J]. 电信科学, 2015, 31(10): 66-73.
[10]	亓晋,许斌,胡筱旋,徐匾珈,肖星琳. 基于用户行为认知的在线社交网络协同推荐[J]. 电信科学, 2015, 31(10): 108-114.
[11]	顾磊,王艺. 基于政府数据开放的智慧城市构建 ^*[J]. 电信科学, 2014, 30(11): 38-43.
[12]	孙晓晨,徐雅斌. 位置社交网络的潜在好友推荐模型研究[J]. 电信科学, 2014, 30(10): 71-77.
[13]	陈康,黄晓宇,王爱宝,陶彩霞,关迎晖,李磊. 基于位置信息的用户行为轨迹分析与应用综述[J]. 电信科学, 2013, 29(4): 118-124.
[14]	漆晨曦. 电信企业大数据分析、应用及管理发展策略[J]. 电信科学, 2013, 29(3): 12-16.
[15]	陈志竞,梁伯瀚. 数据挖掘助力精细化流量经营[J]. 电信科学, 2012, 28(7): 1-5.

融入音乐子人格特质和社交网络行为分析的音乐推荐方法

A Novel Music Recommendation Method Combining Music Sub-Personality and Social Network Behavior Analysis

在线阅读

PDF下载

可视化

被引次数

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 17

相关文章 15

Metrics

推荐阅读 0