کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6854948 1437600 2018 18 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Tag-aware dynamic music recommendation
ترجمه فارسی عنوان
توصیف موسیقی پویا برچسب
کلمات کلیدی
توصیه موسیقی تقسیم ماتریس، دینامیک موقتی، برچسب آگاه،
ترجمه چکیده
ما یک چارچوب توصیفی موسیقی دینامیک برچسب دار را ارائه می دهیم که توصیه های شخصی و دقیق موسیقی را برای کاربران به ارمغان می آورد. چارچوب پیشنهادی، برچسبهای معنایی موجود (از لحاظ برچسبها) آهنگهای موسیقی را به منظور تکمیل یک ماتریس متقابل بسیار کاربرپسند مورد استفاده قرار می دهد که به طور موثر مسئله کمبود اطلاعات مواجهه با اکثر سیستم های توصیه شده موسیقی است. آهنگ های موسیقی با جمع آوری عوامل نهفته مشتق از فضای تگ و اطلاعات تعامل کاربر با دقت نشان داده می شوند. چارچوب پیشنهادی بیشتر از یک مدل حالت دولتی فضایی گاوس استفاده می کند تا ماهیت تکاملی ترجیحات کاربران را در طول زمان جذب کند، که به توصیه های حساس به موسیقی موسیقی کمک می کند. برای رسیدن به نتیجه سریع و یادگیری پارامترهای مدل، تقریبی متنوعی ایجاد شده است. آزمایشات با استفاده از داده های موسیقی واقعی و مقایسه آن با الگوریتم های پیشنهادی رقابتی پیشرفته نشانگر اثربخشی چارچوب پیشنهادی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
We present a tag-aware dynamic music recommendation framework that achieves personalized and accurate music recommendations to users. The proposed framework leverages the available semantic labels (in terms of tags) of music tracks to complement a highly sparse user-item interaction matrix, which effectively addresses the data sparsity issue faced by most music recommendation systems. Music tracks are more accurately represented by aggregating the latent factors derived from both the tag space and the user interaction information. The proposed framework further employs a Gaussian state-space model to capture the evolving nature of users' preferences over time, which helps achieve time-sensitive recommendation of music. A variational approximation is developed to achieve fast inference and learning of model parameters. Experiments conducted using actual music data and comparison with state-of-the-art competitive recommendation algorithms help demonstrate the effectiveness of the proposed framework.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 106, 15 September 2018, Pages 244-251
نویسندگان
, , , ,