基于Web的音乐推荐系统的设计与实现文献综述

一、文献综述

（一）国内外研究现状

随着互联网的井喷式发展，获取信息的方式越来越多，由于信息的爆炸式增长，对有效信息获取的时效要求变高，推荐系统应运而生。第一个音乐推荐系统出现在上世纪90年代，通过收听用户对每首歌曲的评分，将评分从高到低向用户推荐音乐，此后相当长一段时间内音乐推荐都是采用人工方式对歌曲进行分类打标签。然而这种形式没有结合用户画像，且对音乐的分类并不准确，推荐效果差强人意。

随后，明尼苏达大学的研究员提出了协同过滤的思想，开始利用用户的历史交互数据，主要根据用户收听偏好、行为记录、收藏记录等信息，挖掘行为背后隐藏的用户兴趣爱好，利用这些信息给兴趣爱好相似的用户推荐具有相似特征的音乐。然而在应用中存在两个主要缺点：冷启动问题、数据稀疏问题，所以实际的推荐系统大多都是多种推荐方式结合，如人工运营推荐和算法推荐相结合。

随着研究不断深入，推荐算法也尝试研究音乐内容本身的特征来提高对音乐内容本身的理解，同时也开始对排序算法不断改进来保证推荐的准确性。相信未来的推荐系统会变得更加完善和成熟。

（二）研究主要成果

目前广为接受的推荐系统定义是Resnick和Varian在1997年提出的：推荐系统是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该够买什么产品，模拟销售人员帮助客户完成购买过程。互联网的推荐策略大大扩展了推荐系统的应用：个性化推荐已经在电商（Amazon，淘宝，京东等）、个性化音乐（Spotify，网易云音乐，QQ音乐）、电影和视频（YouTube，Hulu，爱奇艺，腾讯视频）、新闻（今日头条，腾讯新闻）等多个领域得到广泛的应用，并且成为了互联网领域最重要的工具之一。各平台为增加用户粘性，追求更高的算法精确度，推荐系统的技术层出不穷。目前比较成熟的推荐技术有：

基于内容的推荐：当商品包含足够多的属性，通过产生用户与商品的交互日志来判断用户对不同商品偏好的标签，基于这些标签为用户做推荐就是基于内容的推荐算法。

协同过滤推荐：利用“物以类聚、人以群分”的朴素实现实现的推荐，是最为经典、应用最广的推荐算法。分为：基于用户的协同过滤推荐，利用用户访问行为的相似性来互相推荐用户可能感兴趣的资源；基于项目的协同过滤推荐，利用所有用户对物品的评价，发现物品之间的相似度，通过推荐用户喜欢过的物品的相似物品为用户个性化推荐；基于模型的协同过滤推荐，根据样本数据，训练一个推荐模型，然后根据实时的用户喜好的信息进行预测推荐。但协同过滤在处理新用户没有历史数据问题上存在冷启动问题，同时新项目直到被用户评价后才会加入备选集。

深度学习：近年来，基于深度学习的推荐系统算法成为新的研究趋势。利用深层次的神经网路，从大数据中学习并提取多维度、多层次特征，同时为了处理复杂的数据提取更本质的特征，将这些他们表征到同一个隐空间中。深度学习在一定程度上可以解决传统推荐系统存在的数据稀疏和冷启动问题。