基于深度學(xué)習(xí)的個(gè)性化音樂(lè)推薦算法研究

余莉娟

摘要：互聯(lián)網(wǎng)技術(shù)和電子信息技術(shù)的迅速發(fā)展為整個(gè)時(shí)代提供了巨大的計(jì)算能力，個(gè)性化推薦系統(tǒng)成為時(shí)代產(chǎn)物的縮影。結(jié)合常用的推薦系統(tǒng)核心算法，設(shè)計(jì)了一種針對(duì)個(gè)性化音樂(lè)的Apriori改進(jìn)算法，此算法通過(guò)用戶(hù)信息進(jìn)行深度學(xué)習(xí)，利用候選矩陣壓縮的方法進(jìn)行推薦優(yōu)化，采用準(zhǔn)確性、召回率等參數(shù)作為評(píng)價(jià)標(biāo)準(zhǔn)。以L(fǎng)ast.fm音樂(lè)網(wǎng)站的部分?jǐn)?shù)據(jù)作為分析樣本，對(duì)選定音樂(lè)按個(gè)性化音樂(lè)推薦方式進(jìn)行試驗(yàn)，Apriori改進(jìn)算法在準(zhǔn)確率和召回率方面均得到優(yōu)化，推薦效果更優(yōu)。在考慮推薦數(shù)量的前提下，Apriori改進(jìn)算法的準(zhǔn)確率和召回率均高于Plaucount算法，而相似度方面低于Plaucount算法。

關(guān)鍵詞：深度學(xué)習(xí);推薦系統(tǒng);個(gè)性化;音樂(lè)

中圖分類(lèi)號(hào)：G643

文獻(xiàn)標(biāo)志碼：A

ResearchonPersonalizedMusicRecommendationAlgorithmBasedonDeepLearning

YULijuan

（CollegeofArt，ShangluoCollege，Shangluo726000，China）

Abstract：RapiddevelopmentoftheInternettechnologyandelectronicinformationtechnologyhasprovidedhugecomputingpowerforthewholeera，andpersonalizedrecommendationsystemhasbecometheepitomeoftheproductoftheera.Combinedwiththecommoncorealgorithmofrecommendationsystem，thispaperprovidesanimprovedApriorialgorithmforpersonalizedmusic.Thisalgorithmappliesuserinformationforindepthlearning，candidatematrixcompressionforrecommendationoptimization，accuracy，recallrateandotherparametersasevaluationcriteria.TakingpartofthedataofLast.fmmusicWebsiteastheanalysissample，theselectedmusicistestedaccordingtothepersonalizedmusicrecommendationmode.TheAprioriimprovedalgorithmisoptimizedinaccuracyandrecallrate，andtherecommendationeffectisbetter.Onthepremiseofconsideringthenumberofrecommendations，theaccuracyandrecallrateofAprioriimprovedalgorithmarehigherthanthatofPlaucountalgorithm，andthesimilarityislowerthanPlaucountalgorithm.

Keywords：deeplearning;recommendationsystem;personalization;music

0引言

伴隨著互聯(lián)網(wǎng)技術(shù)和電子信息技術(shù)的迅速崛起，大數(shù)據(jù)技術(shù)、云計(jì)算技術(shù)、機(jī)器人技術(shù)、人工智能技術(shù)、深度學(xué)習(xí)技術(shù)[1]等方面的發(fā)展尤為突出，對(duì)整個(gè)信息時(shí)代的進(jìn)步與發(fā)展提供了巨大的計(jì)算能力。在如此海量的信息中，快速準(zhǔn)確地找到所需信息變得越來(lái)越重要，而且有價(jià)值。由此而誕生的推薦系統(tǒng)[23]成為了用戶(hù)需求與內(nèi)容之間的橋梁，既可以滿(mǎn)足用戶(hù)找到感興趣的潛在內(nèi)容，也能夠更好地展示冷門(mén)內(nèi)容，發(fā)掘潛在用戶(hù)。

當(dāng)今社會(huì)已擁有更為強(qiáng)大的包容性，不同領(lǐng)域也均呈現(xiàn)出獨(dú)有的個(gè)性化和多元化，個(gè)性化推薦系統(tǒng)則能夠滿(mǎn)足不同用戶(hù)的需求，精準(zhǔn)地為用戶(hù)提供更好地體驗(yàn)，由此產(chǎn)生了巨大的商業(yè)價(jià)值，成為互聯(lián)網(wǎng)企業(yè)爭(zhēng)相搶奪的“蛋糕”。

目前，個(gè)性化推薦系統(tǒng)早已得到廣泛認(rèn)可，并悄然融入到我們的生活中。音樂(lè)作為一種古老的藝術(shù)形式，能夠?yàn)槿藗儙?lái)愉悅，但從海量的音樂(lè)作品中精準(zhǔn)地找到滿(mǎn)足用戶(hù)需求的音樂(lè)，則需要個(gè)性化音樂(lè)推薦系統(tǒng)根據(jù)用戶(hù)行為篩選適合用戶(hù)的個(gè)性化音樂(lè)，滿(mǎn)足用戶(hù)在當(dāng)時(shí)情景的需求，從而達(dá)到“眾口可調(diào)”的目的。

1推薦系統(tǒng)及核心算法

電子商務(wù)領(lǐng)域的推薦系統(tǒng)應(yīng)用最為廣泛，隨著互聯(lián)網(wǎng)在各領(lǐng)域的不斷滲透發(fā)展，音樂(lè)推薦系統(tǒng)也映入眼簾，根據(jù)用戶(hù)偏好、音樂(lè)描述信息等內(nèi)容構(gòu)建推薦模型，將滿(mǎn)足用戶(hù)需求的音樂(lè)內(nèi)容推送出來(lái)。目前，常用的推薦方法主要分為基于內(nèi)容的推薦方法、協(xié)同過(guò)濾推薦方法和混合推薦方法三種類(lèi)型[4]。

（1）基于內(nèi)容的推薦算法[5]

該方法為一類(lèi)傳統(tǒng)的推薦方法，其基本思路就是根據(jù)用戶(hù)的歷史信息，對(duì)用戶(hù)的偏好行為進(jìn)行特征分析，得到用戶(hù)偏好集合，將這些集合與代推薦內(nèi)容進(jìn)行信息匹配，從而實(shí)現(xiàn)推薦。常用的音樂(lè)推薦算法有基于標(biāo)注內(nèi)容的推薦算法和基于音樂(lè)特征的音樂(lè)算法[6]。

以基于音樂(lè)標(biāo)注內(nèi)容的推薦算法為例，用戶(hù)A和用戶(hù)B對(duì)音樂(lè)的偏好類(lèi)型分別為歐美、電音和華語(yǔ)、民謠，其中歐美、電音、華語(yǔ)、民謠均代表歌曲的風(fēng)格和類(lèi)型，當(dāng)新歌曲c出現(xiàn)時(shí)，華語(yǔ)和民謠就成為該歌曲的標(biāo)注內(nèi)容，屬于特征信息，推薦系統(tǒng)則會(huì)根據(jù)這些特征信息優(yōu)先向用戶(hù)B推薦，從而實(shí)現(xiàn)精準(zhǔn)推薦，如圖1所示。

（2）協(xié)同過(guò)濾推薦算法

鑒于協(xié)同過(guò)濾算法具有普遍適應(yīng)性的特點(diǎn)，該算法被廣泛應(yīng)用于眾多領(lǐng)域。利用用戶(hù)偏好的相同性或相似性進(jìn)行內(nèi)容推薦是該算法的核心思想。協(xié)同過(guò)濾推薦算法主要包含基于用戶(hù)的協(xié)同過(guò)濾推薦算法、基于物品的協(xié)同過(guò)濾推薦

算法和基于模型的協(xié)同過(guò)濾推薦算法3種類(lèi)型[7]。

以基于用戶(hù)的協(xié)同過(guò)濾推薦算法為例，用戶(hù)A、C在歌曲偏好的相似程度更高，如圖2所示。

推薦系統(tǒng)首先了解到兩位用戶(hù)對(duì)歌曲偏好的歷史數(shù)據(jù)，再利用數(shù)據(jù)挖掘或深度學(xué)習(xí)的方式建立預(yù)測(cè)模型，雖然用戶(hù)A沒(méi)有關(guān)注歌曲d，但推薦系統(tǒng)仍可將歌曲d向用戶(hù)A實(shí)行預(yù)測(cè)推薦。

（3）混合推薦算法

單一的推薦算法在使用過(guò)程中都存在不足和局限性，很難滿(mǎn)足準(zhǔn)確推薦的要求。隨著用戶(hù)個(gè)性化要求的日益嚴(yán)苛和數(shù)據(jù)量的激增，需結(jié)合多種推薦算法發(fā)掘用戶(hù)信息和需求信息之間的相關(guān)性。目前混合推薦算法的發(fā)展方向主要有加權(quán)的混合、切換的混合、融入其他因素的混合和分層混合四種[68]。

1）加權(quán)的混合如式（1）。

fu，i=α1s1u，i+α2s2u，i+…+αnsnu，i

（1）

式中：u——任一用戶(hù);

i——任一物品;

αn——不同的權(quán)重系數(shù);

sn——不同的推薦算法。

2）切換的混合如式（2）。

fu，i=β1u，is1u，i+β2u，is2u，i+…+

βnu，isnu，i

（2）

式中：β1u，i——用戶(hù)u推薦物品i時(shí)，snu，i所占的比重。

3）融入其他因素的混合如式（3）。

fu，i=∑nj=1λjsju，i，e1，e2，…，ek

（3）

式中：ek——需要特別考慮的因素。

4）分層的混合如式（4）。

fu，i=g∑nj=1λjsju，i

（4）

式中：g（）——外層嵌套推薦算法;

∑nj=1λjsju，i——內(nèi)層推薦算法，加權(quán)、切換或融入其它因素的混合。

2個(gè)性化音樂(lè)推薦方法

2.1改進(jìn)的Apriori算法原理

關(guān)聯(lián)規(guī)則主要應(yīng)用于數(shù)據(jù)挖掘中發(fā)掘用戶(hù)行為，最早由Srikan提處[8]，已在教育、保險(xiǎn)等眾多領(lǐng)域內(nèi)得到廣泛應(yīng)用。Apriori算法是關(guān)聯(lián)規(guī)則挖掘算法中的基本類(lèi)型之一，屬于一類(lèi)頻集理論遞推的方法，主要依靠“頻繁項(xiàng)集的所有非空子集必定是頻繁的”[9]這一性質(zhì)得以實(shí)現(xiàn)。

Apriori算法通常是在首次循環(huán)實(shí)現(xiàn)對(duì)數(shù)據(jù)庫(kù)的掃描后得到1階大項(xiàng)集;在后續(xù)的第k次循環(huán)中對(duì)k-1階大項(xiàng)集Lk-1（第k-1次循環(huán)時(shí)產(chǎn)生）進(jìn)行Apriori_gen運(yùn)算，從而得到Ck，即k階候選項(xiàng)集;繼續(xù)對(duì)數(shù)據(jù)庫(kù)進(jìn)行掃面后得到Ck的支持?jǐn)?shù)，進(jìn)一步會(huì)得到不小于最小支持?jǐn)?shù)的k階大項(xiàng)集;對(duì)上述步驟進(jìn)行重復(fù)，當(dāng)出現(xiàn)某一階的大項(xiàng)集為空時(shí)，算法則會(huì)停止。

Apriori算法的詳細(xì)過(guò)程如下：

L1=large1-itemsets;

fork=2;Lk-1≠φ;k=k+1do

Ck=Apriori_genLk-1;//構(gòu)造候選項(xiàng)集

Foralltransactionst∈Ddo

Ct=subsetCk，t;//搜索事物t中包含的候選項(xiàng)集

ForallC∈CtdoC.sup=C.sup+1;Endfor//計(jì)算支持?jǐn)?shù)

Endfor

Lk=C∈CkC.sup≥minsup;//得到k階大項(xiàng)集

Endfor

L=∪kLk

Apriori算法同其他算法一樣，也具有自身的優(yōu)缺點(diǎn)。優(yōu)點(diǎn)在于當(dāng)支持度較高時(shí)，數(shù)據(jù)庫(kù)的掃描次數(shù)會(huì)較少且空間復(fù)雜程度低，缺點(diǎn)就是在數(shù)據(jù)庫(kù)掃描過(guò)程中會(huì)產(chǎn)生海量的候選集，存在重復(fù)掃面的現(xiàn)象出現(xiàn)。由于A(yíng)priori算法存在耗時(shí)長(zhǎng)、效率低的劣勢(shì)，本文通過(guò)候選矩陣壓縮的方法進(jìn)行了優(yōu)化，在準(zhǔn)確性和效率方面均有所提升。具體步驟如下：

1）掃描整個(gè)音樂(lè)數(shù)據(jù)庫(kù)得到事務(wù)矩陣D;

2）對(duì)矩陣中的事務(wù)信息進(jìn)行編碼、排序處理，記錄為一行，對(duì)于小于閾值的項(xiàng)進(jìn)行刪除，得到只含0和1的d1，d2，d3，…，dn;

3）將矩陣H分解并升序排列為H1，H2，H3，…，Hm;

4）掃描列向量Dm，并對(duì)dnm進(jìn)行判斷;

5）若dnm=1，則取前m項(xiàng)（含dnm在內(nèi)）形成子矩陣Hm，如式（5）。

M1M2M3M4M5M6

H=110001011000110100101011010011110011000011T1T2T3T4T5T6T7

（5）

假設(shè)支持度閾值為2，則得到的個(gè)性化音樂(lè)事務(wù)如表1所示。

與權(quán)重相結(jié)合，得到子集Ti的支持度如式（6）。

SupportTi=1l∑j∈tiwj×SupportTi

（6）

其中，l表示Ti的長(zhǎng)度。

計(jì)算得到列向量和行向量分別為4，5，2，1，4，5T和3，2，3，4，3，4，2，經(jīng)降序排列得到矩陣H′，如式（7）。

M2M6M1M5M3M4

554421

H′=1100010110001101001010110100111100110000114433322

（7）

將行列和不滿(mǎn)足支持度閾值2的項(xiàng)處理后，得到矩陣H″，如式（8）。

M2M6M1M5

5544

H″=111101011110101011010101

（8）

矩陣H″經(jīng)分解處理后可知，M2、M6和矩陣H″經(jīng)分解處理后可知，M2、M6和M2、M1具有很強(qiáng)的關(guān)聯(lián)性。實(shí)際情況下，如果M2屬于用戶(hù)的關(guān)注音樂(lè)作品，即使M6、M1與M2缺乏內(nèi)容上的相似性，也會(huì)因強(qiáng)關(guān)聯(lián)性而被推薦給用戶(hù)。

2.2個(gè)性化音樂(lè)推薦方法

個(gè)性化音樂(lè)推薦的第一步計(jì)算用戶(hù)的興趣度。為了方便計(jì)算，需先對(duì)音樂(lè)庫(kù)中樂(lè)曲進(jìn)行分類(lèi)編號(hào)，則用戶(hù)在第i類(lèi)歌曲中第j首歌曲的欣賞時(shí)間占音樂(lè)欣賞的總時(shí)間比如式（9）。

ρij=tij-αijβij-αij

（9）

式中：βij為收聽(tīng)時(shí)間最大值，αij為收聽(tīng)時(shí)間最小值，tij的取值如式（10）。

tij=αij，t′ij≤αij

t′ij，αij≤t′ij≤βij

βij，t′ij≥βij

ρij，t′ij∈R，收藏歌曲

（10）

根據(jù)公式（9）中用戶(hù)對(duì)不同音樂(lè)收聽(tīng)時(shí)間比例，則可計(jì)算用戶(hù)對(duì)i類(lèi)音樂(lè)的興趣度，其計(jì)算如式（11）。

Inti=∑mj=1tij∑ni=1∑mj=1tij

（11）

獲取用戶(hù)興趣度后，利用音樂(lè)本身標(biāo)簽等音樂(lè)信息和基于用戶(hù)興趣的音樂(lè)標(biāo)簽之間的對(duì)應(yīng)關(guān)系，通過(guò)音樂(lè)信息預(yù)測(cè)和用戶(hù)興趣度計(jì)算的方式，從音樂(lè)庫(kù)中將強(qiáng)關(guān)聯(lián)性的音樂(lè)向用戶(hù)進(jìn)行推薦，滿(mǎn)足用戶(hù)的個(gè)性化需求，總體推薦流程，如圖3所示。

3試驗(yàn)結(jié)果評(píng)估分析

（1）樣本數(shù)據(jù)集及試驗(yàn)環(huán)境

為了減小數(shù)據(jù)采集對(duì)試驗(yàn)結(jié)果造成的誤差，必須選用一個(gè)含有足夠數(shù)據(jù)量的數(shù)據(jù)庫(kù)，且各類(lèi)算法的數(shù)據(jù)采集均出自于相同數(shù)據(jù)庫(kù)。因此本文選用了公開(kāi)的Last.fm音樂(lè)網(wǎng)站數(shù)據(jù)，目前該數(shù)據(jù)庫(kù)已包含近40萬(wàn)條用戶(hù)記錄，且該數(shù)據(jù)庫(kù)

能夠支持用戶(hù)進(jìn)行自定義標(biāo)簽，方便對(duì)數(shù)據(jù)進(jìn)行標(biāo)定。本次試驗(yàn)隨機(jī)選取4281條用戶(hù)記錄，其中包含音樂(lè)信息245314條和音樂(lè)標(biāo)簽14263個(gè)，利用數(shù)據(jù)處理軟件TRIFACTA軟件對(duì)數(shù)據(jù)庫(kù)進(jìn)行信息統(tǒng)計(jì)分析后得到標(biāo)簽分布情況如圖4所示。

由于本次試驗(yàn)是對(duì)不同推薦系統(tǒng)推薦效率的橫向?qū)Ρ?，因此?duì)比試驗(yàn)的外部環(huán)境應(yīng)該是相同的，試驗(yàn)的外部環(huán)境，如表2所示。

（2）試驗(yàn)結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)

本文是從評(píng)價(jià)的準(zhǔn)確性作為結(jié)果評(píng)價(jià)的首要標(biāo)準(zhǔn)，在準(zhǔn)確性相同時(shí)引入結(jié)果多樣性指標(biāo)作為評(píng)價(jià)的輔助標(biāo)準(zhǔn)。根據(jù)相關(guān)研究[10]，推薦系統(tǒng)的準(zhǔn)確度評(píng)價(jià)標(biāo)準(zhǔn)分類(lèi)較多，各種分類(lèi)標(biāo)準(zhǔn)間各有優(yōu)勢(shì)和不足，而本文的準(zhǔn)確度評(píng)價(jià)采用了目前較為普遍的準(zhǔn)確率和召回率兩個(gè)定量指標(biāo)，如式（12）、式（13）。

準(zhǔn)確率=∑u∈URu∩Tu∑u∈URu

（12）

召回率=∑u∈URu∩Tu∑u∈UTu

（13）

式中：Ru——系統(tǒng)向用戶(hù)u推薦音樂(lè)集;

Tu——用戶(hù)u感興趣的原有音樂(lè)集;

U——用戶(hù)集。

在某些算法中，這兩個(gè)定量指標(biāo)在面對(duì)特定的數(shù)據(jù)集時(shí)的計(jì)算結(jié)果十分相近，難以對(duì)計(jì)算準(zhǔn)確度進(jìn)行客觀(guān)評(píng)價(jià)，因此本文參考相關(guān)文獻(xiàn)[1012]，在計(jì)算準(zhǔn)確度基礎(chǔ)上引入結(jié)果多樣性指標(biāo)，如式（14）。

Simu，r=∑ti∈M（r）Mti1+countr∈Mti

（14）

式中：ti——音樂(lè)標(biāo)簽;

Mti——采用音樂(lè)標(biāo)簽ti標(biāo)注的音樂(lè)集;

1+countr∈Mti——采用音樂(lè)標(biāo)簽ti的總數(shù)。

（3）試驗(yàn)結(jié)果分析

通過(guò)調(diào)查分析，目前較為受歡迎的軟件大多采用Plaucount算法，因此本文采用Plaucount算法與改進(jìn)的Apriori算法進(jìn)行推薦對(duì)比分析，并以準(zhǔn)確率及召回率為判斷標(biāo)準(zhǔn)，得到的試驗(yàn)結(jié)果如圖5、圖6所示。

從圖5可以看出，當(dāng)音樂(lè)推薦次數(shù)不超過(guò)18次時(shí)，Plaucount算法和改進(jìn)的Apriori算法在準(zhǔn)確率方面相差不大;當(dāng)音樂(lè)推薦次數(shù)超過(guò)18次時(shí)，改進(jìn)的Apriori算法在準(zhǔn)確率方面則會(huì)顯著優(yōu)于Plaucount算法;對(duì)比結(jié)果表明，當(dāng)音樂(lè)推薦次數(shù)相同且達(dá)到一定數(shù)量時(shí)，改進(jìn)的Apriori算法的推薦效果明顯優(yōu)于Plaucount算法，更容易滿(mǎn)足用戶(hù)的個(gè)性化要求。

從圖6可以看出，改進(jìn)的Apriori算法在召回率方面優(yōu)于Plaucount算法，表明改進(jìn)的Apriori算法推薦的音樂(lè)在數(shù)量方面也高于Plaucount算法，更容易成為用戶(hù)感興趣的音樂(lè)。

在音樂(lè)推薦系統(tǒng)中，過(guò)多或過(guò)少的音樂(lè)推薦均得不到理想的效果。推薦結(jié)果過(guò)多，則需用戶(hù)在推薦音樂(lè)中進(jìn)行二次篩選，系統(tǒng)推薦得不到認(rèn)可，用戶(hù)滿(mǎn)意度會(huì)降低;推薦結(jié)果過(guò)少，則會(huì)出現(xiàn)篩選遺漏的現(xiàn)象，將用戶(hù)感興趣的內(nèi)容直接過(guò)濾掉，造成內(nèi)容缺少，達(dá)不到理想的推薦效果，如圖7所示。

從圖7可以看出，改進(jìn)的Apriori算法在相似度方面低于Plaucount算法，表明改進(jìn)的Apriori算法在推薦音樂(lè)時(shí)充分考慮了用戶(hù)興趣的相似性，在音樂(lè)相似性的冗余度方面做了考慮，實(shí)現(xiàn)了音樂(lè)推薦的多樣化，避免出現(xiàn)篩選遺漏現(xiàn)象，相比于Plaucount算法，推薦結(jié)果的同質(zhì)化相對(duì)較弱。

4總結(jié)

本文在概括介紹推薦系統(tǒng)常用的核心算法的基礎(chǔ)上，結(jié)合個(gè)性化音樂(lè)推薦提供了Apriori算法的改進(jìn)應(yīng)用，并給出了基于深度學(xué)習(xí)的個(gè)性化音樂(lè)推薦的具體流程。通過(guò)選取Last.fm上的部分?jǐn)?shù)據(jù)作為樣本，經(jīng)對(duì)比分析后得到如下結(jié)論：

（1）以推薦準(zhǔn)確度為計(jì)算標(biāo)準(zhǔn)，采用候選矩陣壓縮的方法對(duì)Apriori的計(jì)算原理進(jìn)行了分析，在此基礎(chǔ)上設(shè)計(jì)了個(gè)性化音樂(lè)推薦的流程。

（2）考慮到推薦數(shù)量對(duì)推薦效果的影響，將改進(jìn)的Apriori算法與Plaucount算法對(duì)比可知，在準(zhǔn)確率和召回率方面，改進(jìn)的Apriori算法均優(yōu)于Plaucount算法，表明改進(jìn)的Apriori算法推薦的音樂(lè)能容易滿(mǎn)足用戶(hù)需求;在相似度方面，改進(jìn)的Apriori算法則低于Plaucount算法，表明改進(jìn)的Apriori算法的推薦在考慮了用戶(hù)興趣的基礎(chǔ)上實(shí)現(xiàn)音樂(lè)推薦的多樣化。

參考文獻(xiàn)

[1]徐正巧，趙德偉.深度學(xué)習(xí)理論視角下的移動(dòng)學(xué)習(xí)推薦系統(tǒng)的設(shè)計(jì)和研究[J].智能計(jì)算機(jī)與應(yīng)用，2014，4（2）：5758.

[2]GoldbergD.Usingcollaborativefilteringtoweaveaninformationtapestry[J].CommunicationsoftheACM，1992，35（12）：6170.

[3]EpplerMJ，MengisJ.Theconceptofinformationoverload：Areviewofliteraturefromorganizationscience，accounting，marketing，MIS，andrelateddisciplines[J].TheInformationSociety，2004，20（5）：325344.

[4]鄧騰飛.個(gè)性化音樂(lè)推薦系統(tǒng)的研究[D].廣州：華南理工大學(xué)，2018.

[5]朱志慧，田婧，林捷.大數(shù)據(jù)環(huán)境下基于用戶(hù)位置的個(gè)性化音樂(lè)推薦系統(tǒng)設(shè)計(jì)[J].無(wú)線(xiàn)互聯(lián)科技，2019，16（2）：7980.

[6]艾筆.個(gè)性化音樂(lè)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2018.

[7]楊凱，王利，周志平，等.基于內(nèi)容和協(xié)同過(guò)濾的科技文獻(xiàn)個(gè)性化推薦[J].信息技術(shù)，2019，43（12）：1114.

[8]黃立威，江碧濤，呂守業(yè)，等.基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2018，41（7）：16191647.

[9]陳波.基于A(yíng)priori算法及其改進(jìn)算法綜述[C].中國(guó)通信學(xué)會(huì)第五屆學(xué)術(shù)年會(huì)論文集.江蘇南京：中國(guó)通信學(xué)會(huì)，2008（2）：176181.

[10]李臻.應(yīng)用于音樂(lè)節(jié)目分類(lèi)的Apriori挖掘算法設(shè)計(jì)[J].現(xiàn)代電子技術(shù)，2019，42（19）：9094.

[11]王彩強(qiáng)，趙憲中，劉涌，等.大數(shù)據(jù)環(huán)境下改進(jìn)的Apriori算法研究[J].科技通報(bào)，2019，35（7）：182185.

[12]AgrawalR，ImielińskiT，SwamiA.Miningassociationrulesbetweensetsofitemsinlargedatabases[J].ACMSIGMODRecord，1993，22（2）：207216.

（收稿日期：2020.02.25）