基于層次分析的音樂推薦方法

王新月 李正禮 孫琳源 張千睿 王曉紅 張大偉 張雷洪

摘 要 當(dāng)今社會(huì)，音樂作品類型繁多，音樂平臺(tái)間競(jìng)爭(zhēng)激烈。因此，如何利用不同因素為用戶準(zhǔn)確推薦音樂，直接關(guān)乎到用戶對(duì)平臺(tái)的滿意程度。在應(yīng)用傳統(tǒng)的協(xié)同過濾方法為用戶介紹個(gè)性化音樂時(shí)，往往會(huì)忽略音樂本身的特點(diǎn)，同時(shí)存在冷啟動(dòng)問題。文章提出了一種基于層次分析的音樂推薦方法，對(duì)每首待推薦的歌曲考慮以下6個(gè)方面的因素：歌手、歌詞、語(yǔ)種、節(jié)奏、長(zhǎng)短、歌名。首先通過層次分析法建立用戶層次分析評(píng)價(jià)模型，計(jì)算出對(duì)每首歌曲不同因素的權(quán)重，再與模糊綜合評(píng)價(jià)法相結(jié)合得出音樂的評(píng)分并排序，進(jìn)而向用戶推薦排名較高的音樂。通過實(shí)驗(yàn)證實(shí)，文章提出的推薦算法有效且不存在冷啟動(dòng)問題。

關(guān)鍵詞 層次分析法；模糊綜合評(píng)價(jià)法；音樂推薦；評(píng)分排序

中圖分類號(hào) TP37 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-0360（2020）19-0020-05

音樂是當(dāng)下最常見的娛樂方式之一。隨著用戶需求的增加，越來越多的音樂軟件應(yīng)運(yùn)而生。作為音樂軟件有一個(gè)至關(guān)重要的部分就是音樂推薦系統(tǒng)。一個(gè)懂得“用戶喜歡什么”的軟件能夠提升用戶對(duì)其的依賴程度。由此基于個(gè)性化的音樂推薦[ 1 ]越來越受關(guān)注。

當(dāng)前使用次數(shù)較多的音樂推薦方法有兩種：基于用戶的協(xié)同過濾推薦[2]和基于內(nèi)容的協(xié)同過濾推薦[ 3 ]。兩種算法在應(yīng)用時(shí)可能因數(shù)據(jù)來源的限制而面臨冷啟動(dòng)問題，冷啟動(dòng)問題是指對(duì)于一些產(chǎn)品的評(píng)價(jià)記錄很少甚至基本沒有的新用戶，這些新用戶的興趣愛好并不能通過少量的評(píng)價(jià)數(shù)據(jù)獲得，因此無(wú)法準(zhǔn)確推薦[4]。

在20世紀(jì)70年代，美國(guó)學(xué)者Saaty T.L.提出了一種將定性與定量綜合分析的決策分析方法——層次分析法，主要解決多目標(biāo)復(fù)雜問題[5]。該方法在科學(xué)和準(zhǔn)確的確保定性分析和定量分析的同時(shí)，也規(guī)范了定性與定量?jī)深愔笜?biāo)的綜合評(píng)判[6]。層次分析法是以一種層次化、結(jié)構(gòu)化決策方法對(duì)方案的多指標(biāo)系統(tǒng)進(jìn)行評(píng)價(jià)的方法，它以模型化，數(shù)量化的方式對(duì)決策者的思維過程進(jìn)行處理[7]。該方法先建立有序的指標(biāo)體系，在比較同一層系中不同指標(biāo)的相對(duì)重要程度的基礎(chǔ)上歸納得出各指標(biāo)的權(quán)重系數(shù)[ 8 ]。

模糊綜合評(píng)價(jià)法[ 9 ]是一種基于模糊數(shù)學(xué)的綜合評(píng)價(jià)法，它是在利用模糊數(shù)學(xué)對(duì)有多種因素影響的事物或?qū)ο笞龀隹傮w分析的前提下，將評(píng)價(jià)方法從定性轉(zhuǎn)化為定量的一種方法。在現(xiàn)存的一些評(píng)價(jià)方法中，模糊綜合評(píng)價(jià)模型中的指標(biāo)權(quán)重往往是通過用戶的經(jīng)驗(yàn)打分確定，導(dǎo)致最終得到的結(jié)果存在主觀性較強(qiáng)的弊端[10-11]。因此，為了降低結(jié)果的主觀性，增加其客觀性與準(zhǔn)確性，本文應(yīng)用基于層次分析法-模糊綜合評(píng)價(jià)法的評(píng)價(jià)方法，即結(jié)合層次分析法與模糊綜合評(píng)價(jià)法，首先通過用戶打分并利用層次分析法得到評(píng)價(jià)指標(biāo)權(quán)重，最后運(yùn)用模糊綜合評(píng)價(jià)法計(jì)算出待評(píng)價(jià)對(duì)象的最終得分，針對(duì)得分的結(jié)果對(duì)該推薦系統(tǒng)進(jìn)行評(píng)價(jià)與分析[12-13]。

本文提出的基于層次分析法的音樂推薦方法通過建立音樂評(píng)價(jià)模型，再結(jié)合模糊綜合評(píng)價(jià)法得出音樂的評(píng)分并排序，最后向用戶推薦排名較高的音樂。研究將音樂評(píng)價(jià)模型中的因素分為歌名、歌手、歌詞、語(yǔ)種、節(jié)奏、長(zhǎng)短六個(gè)指標(biāo)。用戶通過權(quán)衡兩兩因素之間的重要性程度來填寫判斷矩陣，再與每首音樂在每個(gè)指標(biāo)下的評(píng)分相結(jié)合，通過定性與定量的方法最終得到對(duì)每個(gè)用戶不同的個(gè)性化推薦結(jié)果。相對(duì)于協(xié)同過濾算法，本文提出的推薦方法規(guī)避了冷啟動(dòng)問題。

1 基于層次分析的音樂推薦方法

1.1 層次分析法

1.1.1 建立層次分析模型

用戶在選擇聽音樂時(shí)，會(huì)被許多因素所影響，本文考慮以下6個(gè)方面的因素：歌手、歌詞、語(yǔ)種、節(jié)奏、長(zhǎng)短、歌名。

本文建立了基于層次分析的音樂推薦模型如圖1所示。其中最上層為目標(biāo)層，即選擇用戶最想聽的音樂。中間層為因素層，列舉了影響選擇音樂的6個(gè)因素，分別為歌手、歌詞、語(yǔ)種、節(jié)奏、長(zhǎng)短、歌名。最下層為決策層，在用戶實(shí)際選擇音樂時(shí)，有n首音樂供選擇和決策，因?yàn)楸疚闹羞x取了20首歌曲進(jìn)行實(shí)驗(yàn)，因此本文n=20。因素層和決策層的連線表示每一首歌曲與每一個(gè)因素相關(guān)。

1.1.2 建立判斷矩陣

人們會(huì)因?yàn)橐魳返牟煌卣饕蛩叵矚g不同的音樂，但是在通常情況下人們并不能準(zhǔn)確而清晰地說出關(guān)于這些因素的重要性認(rèn)識(shí)。人們可能會(huì)說“歌手”這個(gè)因素對(duì)于我聽音樂的影響大些，“節(jié)奏”這個(gè)因素小些，但到底大多少，小多少在人的大腦中是不清晰的，因此要將大腦中對(duì)于各因素重要性的模糊認(rèn)識(shí)數(shù)量化。

2 實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證推薦算法的應(yīng)用效果，實(shí)驗(yàn)選取了20首比較熱門的音樂，以確保參與填寫問卷的同學(xué)基本了解這些音樂，填寫音樂的特征能夠更加準(zhǔn)確。然后選取了10名同學(xué)填寫問卷，憑主觀印象判斷每首歌的6個(gè)因素所屬的5個(gè)等級(jí)：很好、較好、一般、較差和很差。然后選取3名推薦用戶填寫判斷矩陣并從20首音樂中選取最為滿意的5首。根據(jù)判斷矩陣算出每首音樂對(duì)應(yīng)每個(gè)推薦用戶的得分，將排名前5的音樂推薦給該用戶，并與其選取的5首作對(duì)比，驗(yàn)證實(shí)驗(yàn)結(jié)果。下面以推薦用戶C為例進(jìn)行實(shí)驗(yàn)過程的分析。

2.1 推薦用戶C的判斷矩陣

表4為根據(jù)推薦用戶C填寫的問卷計(jì)算的判斷矩陣。

1）判斷矩陣由各因素兩兩比較得出，反映了對(duì)于推薦用戶哪個(gè)影響因素更為重要。經(jīng)計(jì)算得到，推薦用戶C的判斷矩陣一致性檢驗(yàn)結(jié)果為合格，可以進(jìn)行下一步實(shí)驗(yàn)。

2）根據(jù)判斷矩陣計(jì)算各因素的權(quán)重，計(jì)算結(jié)果如表4和表5所示，音樂的節(jié)奏對(duì)推薦用戶C的喜好影響最大，其權(quán)重超過了一半，其他依次為歌手、歌詞、語(yǔ)種、歌名和長(zhǎng)短。

2.2 推薦用戶C選中的音樂

從給定的20首音樂中，推薦用戶C選定了以下5首作為20首中最喜歡的音樂。實(shí)驗(yàn)將利用這5首音樂與通過模糊綜合評(píng)價(jià)計(jì)算出的評(píng)分最高的5首音樂進(jìn)行比較，統(tǒng)計(jì)命中情況。

2.3 針對(duì)推薦用戶C計(jì)算的20首音樂的評(píng)估結(jié)果

1）首先使用模糊綜合評(píng)價(jià)法進(jìn)行評(píng)分。通過預(yù)先進(jìn)行的20首音樂的問卷調(diào)查構(gòu)建模糊綜合評(píng)價(jià)矩陣，再與層次分析法計(jì)算出的音樂各因素權(quán)重相結(jié)合，算出每首歌基于推薦用戶C的喜好所得出的分?jǐn)?shù)，見表7。

2）對(duì)比表6和表7我們可以得出，在20首音樂中推薦給用戶C的5首歌曲成功命中了3首，效果較為理想。結(jié)合推薦用戶C的反饋，用戶C對(duì)評(píng)估結(jié)果前半部分音樂都較為滿意，對(duì)后5首則表示完全不感興趣，這也充分體現(xiàn)了此算法的準(zhǔn)確性。

2.4 其他兩名推薦用戶的命中情況

1）推薦用戶A命中的音樂數(shù)量為2首（表8），值得一提的是20首排名中第6首即為用戶A主觀認(rèn)為的排名第二的音樂《Baby》。

2）推薦用戶B命中音樂為3首（表8），分別是《Bad guy》《消愁》《年少有為》。效果同樣較為理想。

2.5 與協(xié)同過濾推薦算法的比較

在協(xié)同過濾推薦算法中，用戶在情景中的相似度閾值與準(zhǔn)確率存在一定的關(guān)系。在實(shí)驗(yàn)中，我們?cè)O(shè)計(jì)了當(dāng)推薦項(xiàng)目為10時(shí)的不同的閾值與準(zhǔn)確率的對(duì)應(yīng)關(guān)系如圖2所示[15]。

由表9可知，為3名用戶推薦20首中的5首中，本推薦系統(tǒng)分別命中了3、2、3首。而與協(xié)同過濾推薦模型的準(zhǔn)確率進(jìn)行對(duì)比，驗(yàn)證了這種新的推薦系統(tǒng)的效果是較為理想的。據(jù)3名推薦用戶的反饋來看，他們對(duì)20首音樂評(píng)分結(jié)果的前10首中未選中的音樂都是較為滿意的，而對(duì)于排名后5首的音樂大多都是不感興趣的，這說明此推薦系統(tǒng)具有為用戶發(fā)現(xiàn)新的和潛在喜歡音樂的作用，同時(shí)也為該推薦系統(tǒng)的科學(xué)和可靠奠定了基礎(chǔ)。

3 總結(jié)與展望

本文利用層次分析法和模糊綜合評(píng)測(cè)法設(shè)計(jì)出一種新的推薦系統(tǒng)（如圖3）進(jìn)行音樂推薦，該方法通過收集用戶對(duì)不同音樂的各因素的評(píng)價(jià)從而確定出模糊綜合評(píng)價(jià)矩陣，再通過收集被推薦用戶對(duì)音樂的偏好因素設(shè)置構(gòu)造判斷矩陣，得出專屬于推薦用戶音樂評(píng)分排行，最后得到推薦列表。相對(duì)于目前已經(jīng)存在的基于協(xié)同過濾推薦方法，本文的實(shí)現(xiàn)方法較簡(jiǎn)單，而且不具有常見的“冷啟動(dòng)”缺陷，即本系統(tǒng)并不需要用戶的歷史評(píng)分?jǐn)?shù)據(jù)即可完成對(duì)用戶的音樂推薦，這為以后的音樂，視頻網(wǎng)站提供了一個(gè)推薦作品的新思路。

本研究的不足之處在于，由于實(shí)驗(yàn)條件和人力成本的限制，無(wú)法進(jìn)行更大受眾群體的實(shí)驗(yàn)，樣本數(shù)量較小，可能存在一定的偶然性。同時(shí)，音樂的標(biāo)簽設(shè)置（即層次分析模型中的因素層的因素）對(duì)音樂的推薦結(jié)果有較大影響，因此在后續(xù)的研究中，對(duì)推薦用戶的影響因素個(gè)數(shù)可以進(jìn)一步增加，以增加推薦結(jié)果的命中率，對(duì)音樂的推薦方法仍需要繼續(xù)深入探究。

參考文獻(xiàn)

[1]譚學(xué)清，何珊.音樂個(gè)性化推薦系統(tǒng)研究綜述[J].數(shù)字圖書館，2014（9）：22-32.

[2]冷亞軍，陸青，梁昌勇.協(xié)同過濾推薦技術(shù)綜述[J].綜述與評(píng)論，2014，27（8）：720-734.

[3]劉明昌.基于內(nèi)容的推薦技術(shù)研究[J].現(xiàn)象研究，2016（6）：243.

[4]秦燦，李旭東.淺析協(xié)同過濾推薦算法.電腦知識(shí)與技術(shù)：學(xué)術(shù)版，2019，15（5）：288-291.

[5]鄧雪，李家銘，曾浩健，等.層次分析法權(quán)重計(jì)算方法分析及其應(yīng)用研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012，42（7）：93-100.

[6]劉輝，李永奇.基于層次分析法的定量化決策系統(tǒng)[J].微機(jī)發(fā)展，1999，9（3）：1-3.

[7]余波編.現(xiàn)代信息分析與預(yù)測(cè)[M].北京：北京理工大學(xué)出版社，2011：201.

[8]曹茂林.層次分析法確定評(píng)價(jià)指標(biāo)權(quán)重及Excel計(jì)算[J].江蘇科技信息，2012（2）：39-40.

[9]葛俠，付保川.模糊綜合評(píng)價(jià)建模方法及其應(yīng)用[J].蘇州科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，32（2）：19-23，64.

[10]黃立壯，趙云龍.模糊綜合評(píng)價(jià)法在高校學(xué)報(bào)質(zhì)量評(píng)價(jià)中的應(yīng)用[J].北部灣大學(xué)學(xué)報(bào)，2020，35（2）：69-79.

[11]鄭佳慧，張藝鑫，王江敏.小區(qū)開放對(duì)道路通行的影響——基于多層次模糊綜合評(píng)價(jià)法[J].應(yīng)用數(shù)學(xué)進(jìn)展，2019，8（4）：838-851.

[12]張雪英，申琪君，龍毅.網(wǎng)絡(luò)地圖評(píng)價(jià)指標(biāo)體系及其應(yīng)用[J].地球信息科學(xué)學(xué)報(bào)，2009，11（3）：355-362.

[13]韓利，梅強(qiáng)，陸玉梅，等.AHP-模糊綜合評(píng)價(jià)方法的分析與研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2004，14（7）：86-89.

[14]丁麗宏.基于改進(jìn)的灰關(guān)聯(lián)分析和層次分析法的邊坡穩(wěn)定性研究[J].巖土力學(xué)，2011（11）：3437-3441.

[15]吳海金，陳俊.融合分類與協(xié)同過濾的情境感知音樂推薦算法[J].福州大學(xué)學(xué)報(bào)：自然科學(xué)版，2019，47（4）：467-471.