基於使用者動態聽歌興趣之音樂推薦方法

Music Recommendation based on Dynamic User Interests

韓鯤偉(Kun-Wei Han)

指導教授 ： 鄭卜壬

國立臺灣大學/電機資訊學院/資訊網路與多媒體研究所/碩士(2014年)

https://doi.org/10.6342/NTU.2014.01504

摘要

此篇論文中，我們提出了一種在線上音樂播放中使用的動態權重機
制。基於隱性因子模型之假設，使用者、歌曲、歌手皆是由一組隱性
空間中的向量表示。給定一使用者以及他的近期播放紀錄，即可判斷
他目前的興趣是傾向近期偏好或是長期偏好。同其他隱性因子模型，
此機制可在不使用內容資料的情形下訓練。這在使用網路播放紀錄當
做資料庫時是一個利基，因內容資料相對較難取得。在數個 last.fm 資
料集上的實驗結果顯示此方法確實有效。
關鍵字：音樂推薦，動態興趣，隱性因子向量模型，機器學習，梯度
上升

關鍵字

音樂推薦 ； 動態興趣 ； 隱性因子向量模型 ； 機器學習 ； 梯度上升

並列摘要

In this paper, we propose a dynamic weight tuning scheme for online mu-
sic recommendation. Based on a latent factor model, songs, artists, and users
are mapped into a latent space. Then, given each user’s recent songs we can
determine his current interest for music, which either similar to his past be-
havior or more like recent ones. Like latent factor based models, this scheme
can be trained without content information, which is a benefit when adopting
internet radios as data source. Experimental results on the last.fm collections
show that our proposed method is effective.
Keywords: Music Recommendation, Dynamic Interests, Latent Factor Model,
Machine Learning, Gradient Ascent

並列關鍵字

Music Recommendation ； Dynamic Interests ； Latent Factor Model ； Machine Learning ； Gradient Ascent

參考文獻

chroma-based representations. Multimedia, IEEE Transactions on, 7(1):96–104,

mantic audio content-based music recommendation and visualization based on user

dation by unified hypergraph: combining social media information and music con-

ACM, 2010.

[6] O. Celma. Music Recommendation and Discovery in the Long Tail. Springer, 2010.