论文研究面向音乐推荐的全变差图非负矩阵分解方法.pdf
目前的音乐推荐系统以考虑歌曲特征和情景上下文因素为主来进行推荐,但选取特征的干扰因素较多,使得噪声干扰较大。为此,提出一种面向音乐推荐的全变差非负矩阵分解方法,通过综合考虑众多因素的影响并借助全变差减少噪声误差。该方法以优化损失函数为目标,在达到全局最优的同时,提高预测的准确度。通过在真实数据集的实验表明,预测的准确性上有显著提高,尤其对于模糊类型的歌曲也能有较好的推荐效果,更好地满足了移动音乐服务的个性化需求。
目前的音乐推荐系统以考虑歌曲特征和情景上下文因素为主来进行推荐,但选取特征的干扰因素较多,使得噪声干扰较大。为此,提出一种面向音乐推荐的全变差非负矩阵分解方法,通过综合考虑众多因素的影响并借助全变差减少噪声误差。该方法以优化损失函数为目标,在达到全局最优的同时,提高预测的准确度。通过在真实数据集的实验表明,预测的准确性上有显著提高,尤其对于模糊类型的歌曲也能有较好的推荐效果,更好地满足了移动音乐服务的个性化需求。