深度学习核心技术精讲100篇（二十九）-基于内容和上下文的音乐推荐

前言

随着在线音乐商城及流媒体音乐服务的出现，数字音乐分发已经使得音乐触手可及。然而，面对突然出现的海量可收听内容，听众很容易面临信息过载的问题。因此，本次分享的主题音乐推荐系统，将为那些面临海量内容的用户提供一些引导。本文将重点介绍其中的两种音乐推荐系统：基于内容和上下文的音乐推荐。

01基于内容的音乐推荐

内容信息涵盖了任何可以用于描述音乐内容的信息，包括从音频信号中抽取的信息和外部信息源 ( 网络文档、音乐作品目录和标签 ) 提供的元数据。在本节中，我们将概述基于内容的音乐推荐算法，并根据采用的信息源对现有的算法进行分类。

1. 元数据信息

音乐元数据一般有以下几种形式：专家的人工标注 ( manual annotation )、来自协同标记服务的社会化标签 ( social tag )、应用文本检索技术从网络上自动化挖掘的标注 ( automatically mined from the Web )。尽管有研究显示这些元数据并不能比协同过滤技术取得更好的效果，但面对冷启动场景下，这些元数据可以作为协同过滤的补充或替代。

① 人工标注

人工标注包括可编辑的元数据 ( editorial metadata )，例如音乐曲风和子曲风、发行公司、发行的时间和地区、艺术家间关系、曲目、专辑以及任何相关的发行信息。此外，例如像节奏、情绪和乐器这样音乐属性的标注可以对音乐内容提供更详尽的描绘。

音乐专家或者成熟的爱好者社区提供了一些可编辑的元数据的在线数据库。这些数据库保证了数据的质量，但也因自身结构存在缺陷，比如坚持曲风分类 ( genretaxonomies )。MusicBrainz和Discogs提供大量免费的由社区整理的艺术家，唱片公司和发行信息。这些

深度学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。