CN105183878A - 一种基于马尔科夫预测算法的音乐分类的推荐方法 - Google Patents

Abstract

本发明公开了一种基于马尔科夫预测算法的音乐分类的推荐方法，是用马尔可夫算法作为主算法，结合辅助算法得到预测值，通过大量用户数据预测用户下一动作，还可以用于音乐种类的推荐，应用于音乐网站用户操作歌曲的预测。本发明是以马尔可夫算法为主算法的对用户音乐行为的预测算法，本发明的实施涉及在大量用户点击音乐网站进行音乐播放、收藏或下载时用马尔可夫算法对其下一动作进行预测，以及用户播放不同种类音乐后对其下一个播放曲目种类进行预测，不仅有效的提高了f值，还间接提高了数据处理的效率。

Description

一种基于马尔科夫预测算法的音乐分类的推荐方法

技术领域

本发明涉及计算机应用技术领域，具体是一种基于马尔科夫预测算法的音乐分类的推荐方法。

背景技术

基于马尔科夫预测算法的音乐分类推荐方法是以马尔可夫算法为主算法的对用户音乐行为的预测算法，目前用于预测的算法有很多，比如分词聚类法、关联规则等。但这些单一的预测算法并不能有效提高f值，进入了预测的瓶颈期。

同时，用户对音乐的需求量越来越大，常规网站通过用户点击率或者微博、新闻热门话题进行音乐曲目或者音乐人的推荐，但这并不能做到准确分析预测用户的真实需求。

一方面，巨大的用户数据无法实现快速提取分析，另一方面，目前预测算法只停留在多用户之间的关联分析、同一用户历史数据的分析上，基于马尔科夫预测算法的音乐分类推荐方法将对其进行改善。

发明内容

本发明的目的在于提供一种实现简单、准确率高的基于马尔科夫预测算法的音乐分类的推荐方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于马尔科夫预测算法的音乐分类的推荐方法，具体步骤如下：

(1)分别对用户操作：设用户下载、试听、收藏、分享、购买五个动作分别为S₁，S₂，…S₅，用户在S_i状态下下一步转移到S_j状态的概率为P_ij ⁵，进而得到转移矩阵，概率P_ij ⁵的计算公式如下：

${P_{ij}}^{\left(5\right)}=\left[\begin{array}{c}{p}_{11}{p}_{12}...p_{15}\\ p_{21}{p}_{22}...p_{25}\\ \mathrm{................}\\ p_{51}{p}_{52}...p_{55}\end{array}\right]$ (公式1)；

(2)记所有用户五个状态概率a_i，(i＝1，2，...，5)，为初始状态，根据初始状态概率向量和转移矩阵，对以后用户动作进行预测，下一次这五个动作概率将变为：

a⁽²⁾＝(a₁，a₂，a₃，a₄，a₅)P_ij ⁵(公式2)；

(3)重复步骤(1)和(2)，经过n次计算，求得稳定状态下的a⁽ⁿ⁾，若不稳定则停止计算，选用贝叶斯作为主算法，a⁽ⁿ⁾表示五个动作用户选择的概率；

(4)计算： ${P_{ij}}^5{P_{ij}}^5=\left[\begin{array}{c}{b}_{11}{b}_{12}...b_{15}\\ b_{21}{b}_{22}\mathrm{....}{b}_{25}\\ \mathrm{..............}\\ b_{51}{b}_{52}\mathrm{...}{k}_{55}\end{array}\right]$ (公式3)，

b_ij表示用户由动作i转为执行动作j的概率，从中预测每个用户下一步的动作；

(5)综合步骤(1)、步骤(2)和步骤(3)对用户将进行的下一步操作给出两个预测；

(6)综合考虑协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐，将其作为辅助算法，将辅算法中待选集交集以外的部分在主算法中加以排除，再将所有辅算法的交集并入主算法待选集之中，得到最终结果，用集合论表示，其公式为：

O＝(A∩B∩C)∪[D-D∩[A-A∩B-A∩C+A∩B∩C+B

-B∩A-B∩C+A∩B∩C+C-C∩A-C∩B+A∩B∩C]](公式4)。

作为本发明再进一步的方案：所述马尔科夫预测算法为主算法，所述协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐均为辅助算法。

与现有技术相比，本发明的有益效果是：

本发明实现简单、准确率高，用马尔可夫算法作为主算法，结合辅助算法得到预测值，通过大量用户数据预测用户下一动作，还可以用于音乐种类的推荐，应用于音乐网站用户操作歌曲的预测。本发明的实施涉及在大量用户点击音乐网站进行音乐播放、收藏或下载时用马尔可夫算法对其下一动作进行预测，以及用户播放不同种类音乐后对其下一个播放曲目种类进行预测，不仅有效的提高了f值，还间接提高了数据处理的效率。

附图说明

图1为本发明的流程示意图。

图2为本发明中结果集的韦恩图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-2，一种基于马尔科夫预测算法的音乐分类的推荐方法，具体步骤如下：

(1)分别对用户操作：设用户下载、试听、收藏、分享、购买五个动作分别为S₁，S₂，…S₅，用户在S_i状态下下一步转移到S_j状态的概率为P_ij ⁵，进而得到转移矩阵，概率P_ij ⁵的计算公式如下：

${P_{ij}}^{\left(5\right)}=\left[\begin{array}{c}{p}_{11}{p}_{12}...p_{15}\\ p_{21}{p}_{22}...p_{25}\\ \mathrm{................}\\ p_{51}{p}_{52}...p_{55}\end{array}\right]$ (公式1)；

(2)记所有用户五个状态概率a_i，(i＝1，2，...，5)，为初始状态，根据初始状态概率向量和转移矩阵，对以后用户动作进行预测，下一次这五个动作概率将变为：

a⁽²⁾＝(a₁，a₂，a₃，a₄，a₅)p_ij ⁵(公式2)；

(3)重复步骤(1)和(2)，经过n次计算，求得稳定状态下的a⁽ⁿ⁾，若不稳定则停止计算，选用贝叶斯作为主算法，a⁽ⁿ⁾表示五个动作用户选择的概率；

(4)计算： ${P_{ij}}^5{P_{ij}}^5=\left[\begin{array}{c}{b}_{11}{b}_{12}...b_{15}\\ b_{21}{b}_{22}\mathrm{....}{b}_{25}\\ \mathrm{..............}\\ b_{51}{b}_{52}\mathrm{...}{k}_{55}\end{array}\right]$ (公式3)，

b_ij表示用户由动作i转为执行动作j的概率，从中预测每个用户下一步的动作；

(5)综合步骤(1)、步骤(2)和步骤(3)对用户将进行的下一步操作给出两个预测；

(6)综合考虑协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐，将其作为辅助算法，将辅算法中待选集交集以外的部分在主算法中加以排除，再将所有辅算法的交集并入主算法待选集之中，得到最终结果，用集合论表示，其公式为：

O＝(A∩B∩C)∪[D-D∩[A-A∩B-A∩C+A∩B∩C+B

-B∩A-B∩C+A∩B∩C+C-C∩A-C∩B+A∩B∩C]](公式4)。

见图2所示的韦恩图，其中阴影部分即为最终提交的结果集。

所述马尔科夫预测算法为主算法，所述协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐均为辅助算法。

本发明基于马尔科夫预测算法的音乐分类推荐原理如下：

马尔可夫过程具有无后效性，即事物的将来会呈什么状态、取什么值，仅与它现在的状态和取值有关，与它以前的状态和取值无关。马尔可夫链则是事物在连续一段时期内若干马尔可夫过程的总称，表明事物状态由过去到现在、由现在到将来，一环接一环，像一根链条。

设随机过程{X(t)，t∈T}的状态空间为I。如果对时间t的任意n个数值t₁＜t₂＜…＜t_n，n≥3，t_i∈T，在条件X(t_i)＝x_i，x_i∈I，i＝1，2，…，n-1下，X(t_n)的条件分布函数恰等于在条件X(t_n-1)＝x_n-1下X(t_n)的条件分布函数，即

P{X(t_n)≤x_n|X(t₁)＝x₁，X(t₂)＝x₂，…X(t_n-1)＝x_n-1}

＝P{X(t_n)≤x_n|X(t_n-1)＝x_n-1}，x_n∈R，

则称过程{X(t)，t∈T}具有马尔可夫性或无后效性，本发明主要用马尔可夫算法进行用户对音乐操作的行为，包括：下载、试听、收藏、分享、购买，以及下一首音乐种类的选取进行预测，包括：流行音乐、经典歌曲等。

基于马尔科夫预测算法的音乐分类推荐方法中不仅使用马尔可夫预测，还同时使用贝叶斯对用户行为分类，确保了马尔可夫模型的高效性。

然后，使用基于项目的协同过滤，通过用户对不同项目的评分来评测项目之间的相似性，基于项目之间的相似性做出推荐，协同过滤算法首先根据所有相似用户音乐读取行为对某个用户读取的音乐进行打分，形成评分矩阵。基于各用户读取音乐的分数用改进的余弦公式计算用户之间的相似度。统计相似用户范围内，统计浏览次数最高的前500首歌曲。根据用户相似度乘以评分矩阵中音乐分数计算出前500个音乐的推荐分数，选择此分数最高的音乐作为推荐音乐。

本发明实现简单、准确率高，用马尔可夫算法作为主算法，结合辅助算法得到预测值，通过大量用户数据预测用户下一动作，还可以用于音乐种类的推荐，应用于音乐网站用户操作歌曲的预测。本发明的实施涉及在大量用户点击音乐网站进行音乐播放、收藏或下载时用马尔可夫算法对其下一动作进行预测，以及用户播放不同种类音乐后对其下一个播放曲目种类进行预测，不仅有效的提高了f值，还间接提高了数据处理的效率。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (2)

1.一种基于马尔科夫预测算法的音乐分类的推荐方法，其特征在于，具体步骤如下：

(1)分别对用户操作：设用户下载、试听、收藏、分享、购买五个动作分别为S₁，S₂，…S₅，用户在S_i状态下下一步转移到S_j状态的概率为P_ij ⁵，进而得到转移矩阵，概率P_ij ⁵的计算公式如下：

${P_{ij}}^{\left(5\right)}=\left[\begin{array}{c}{p}_{11}{p}_{12}...p_{15}\\ p_{21}{p}_{22}...p_{25}\\ \mathrm{................}\\ p_{51}{p}_{52}...p_{55}\end{array}\right]$ (公式1)；

(2)记所有用户五个状态概率a_i，(i＝1，2，...，5)，为初始状态，根据初始状态概率向量和转移矩阵，对以后用户动作进行预测，下一次这五个动作概率将变为：

a⁽²⁾＝(a₁，a₂，a₃，a₄，a₅)p_ij ⁵(公式2)；

(3)重复步骤(1)和(2)，经过n次计算，求得稳定状态下的a⁽ⁿ⁾，若不稳定则停止计算，选用贝叶斯作为主算法，a⁽ⁿ⁾表示五个动作用户选择的概率；

(4)计算： ${P_{ij}}^5{P_{ij}}^5=\left[\begin{array}{c}{b}_{11}{b}_{12}...b_{15}\\ b_{21}{b}_{22}\mathrm{....}{b}_{25}\\ \mathrm{..............}\\ b_{51}{b}_{52}\mathrm{...}{b}_{55}\end{array}\right]$ (公式3)，

b_ij表示用户由动作i转为执行动作j的概率，从中预测每个用户下一步的动作；

(5)综合步骤(1)、步骤(2)和步骤(3)对用户将进行的下一步操作给出两个预测；

(6)综合考虑协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐，将其作为辅助算法，将辅算法中待选集交集以外的部分在主算法中加以排除，再将所有辅算法的交集并入主算法待选集之中，得到最终结果，用集合论表示，其公式为：

O＝(A∩B∩C)∪[D-D∩[A-A∩B-A∩C+A∩B∩C+B

-B∩A-B∩C+A∩B∩C+C-C∩A-C∩B+A∩B∩C]](公式4)。

2.根据权利要求1所述的基于马尔科夫预测算法的音乐分类的推荐方法，其特征在于，所述马尔科夫预测算法为主算法，所述协同过滤算法、APRIORI算法、新闻分词聚类推荐和相似用户推荐均为辅助算法。