音乐是人类为了表达内心情感而创作的产物，它是人们生活中不可缺少的一部分。近年来，随着互联网的发展，大量的音乐资源存储在网络中，这极大地丰富了人们的数字音乐资源，但同样也给人们带来“信息过载”的问题。用户要从如此庞大的音乐资源中，找到自己喜欢听的音乐，是十分困难的。音乐推荐系统为用户提供个性化音乐推荐服务，解决人们“信息过载”的问题。
传统的音乐推荐系统虽然能够为用户提供推荐服务，然而若采用单一的协同过滤推荐算法或者基于内容的推荐算法为用户提供音乐推荐，推荐的效果很难令人满意。所以，大多数音乐推荐系统采用混合音乐推荐算法。这种方法还有一些方面有待完善，如混合推荐算法中权值的计算是一个难题。另外，由于用户的兴趣度随时间而产生变化，所以，在推荐算法中融入时间函数也可以提高推荐性能。
本文研究和分析了国内外的优秀音乐推荐算法，分析了3种混合模式，分别是加权、切换和混合，针对现有算法的不足，提出一种基于时间加权的混合音乐推荐算法。该算法采用基于内容和协同过滤的推荐进行混合。在基于内容推荐算法中，采取音频特征的分析方法来对音乐进行内部解析，本文调用Echo Nest API对音乐进行音频特征提取，并采用主成分分析法对音频特征矩阵进行降维处理，以降低推荐算法的计算复杂度。在协同过滤算法中，考虑到用户兴趣度随时间而变化，会对算法的推荐精度产生影响，因此本算法融合了一个时间函数，以提高算法的实时性。本文采用遗传算法来优化混合算法的加权因子，以使得混合的性能达到最优。实验证明，改进的算法相比传统的推荐算法在准确率、覆盖率、冷启动方面都有较好地改善。
基于本文提出的改进的音乐推荐算法，设计并实现了一个音乐推荐系统，本文的音乐推荐系统是严格按照软件工程开发流程开发设计的。系统提供接口与用户进行交互，通过收集用户的交互信息，为用户提供个性化音乐推荐服务、在线音乐收听与评价服务等。本文还将推荐系统与社交网络进行结合，推荐系统是根据人与物的关系来建立人与人的关系，而社交网络可以直接利用人与人的关系来为用户推荐，二者的结合，可以使得推荐系统的推荐性能更优。本文的最终目的是尽快将设计实现的推荐系统应用于实际中。

[1]新华网. 第33次中国互联网络发展状况统计报告[J]. 互联网天地, 2014, (10):20-22.

[2]胡斌. 基于高阶潜在语义分析的音乐推荐系统的研究. 北京:北京工业大学[D]. 2009. 4.

[3]刘珊珊. 音频特征与社会标签相结合的音乐推荐系统. 武汉:华中科技大学[D]. 2011. 1.

[4]欧阳嘉林. 基于图的个性化音乐推荐. 浙江大学[D]. 江苏:2013. 1.

[5]李瑞敏. 基于社会化网络的个性化音乐推荐算法研究. 浙江:浙江大学[D]. 2013. 6.

[6]张弛. 基于混合推荐技术的个性化资源推荐模型设计与实现. 上海:上海交通大学[D]. 2010.1.

[7]朱顺濠. 基于组合模型的音乐推荐系统研究与实现. 广州:中山大学[D]. 2010. 5.

[8]Zhang Yan, Tang Zhen min, Li Yan ping. Hybrid Music Recommender System Based on Music Analysis and Rating Scores. Nanjing:DepartMent of Computer S&T, Nanjing University of Science and Technology[D], 2012.

[9]赵伟明. 基于用户行为分析和混合推荐策略的个性化推荐方法研究. 北京:北京工业大学. 2014.6.

[10]Ipek Tatli,Aysenur Birturk. A Tag-based Hybrid Music Recommendation System Using Semantic Relations and Multi-domain Information[C]. In:2011 IEEE 11th International Conference:IEEE, 2011:548-554.

[11]Yasuteru Kodama, Shinichi Gayama, Yasunori Suzuki. A Music Recommendation System[C]. In:Consumer Electronics, 2005. ICCE. 2005 Digest of Technical Papers:IEEE, 2005:219-220.

[12]刘青文. 基于协同过滤的推荐算法. 合肥:中国科学技术大学. 2013. 5.

[13]Kunsu Kim, Donghoon Lee, Tae-Bok Yoon, Jee-Hyong Lee. A Music Recommendation

System Based on Personal Preference Analysis[C]. Applications of Digital Information and Web Technologies, 2008. ICADIWT IEEE, 2008:102-106.

[14]Taebok Yoon, Seunghoon Lee, Kwang ho Yoon. A Personalized Music Recommendation System with a Time-weighted Clustering[C]. 4th International IEEE Conference "Intelligent Systems":IEEE, 2008:10-48 - 10-52.

[15]Tan, HengSong,HongWu Ye. A collaborative filtering recommendation algorithm based on item classification[C]. Circuits, Communications and Systems, 2009 PACCS’09: IEEE, 20090:

694-697.

[16]Wang J, Yin J. Combining user-based and item—based collaborative filtering techniques to improve recommendation diversity[C]. Biomedical Engineering and Informatics(BMEI), 2013 6th International Conference on. IEEE, 2013: 661-665.

[17]赵丽曼. 一种新型的协同过滤推荐算法[D], 南京:南京邮电大学, 2013.

[18]XIE Hongtao, ZHU Qingsheng, QU Hongchun, YANG Ruilong.User-based collaborative recommendation filtering algorithm using extremely valued ratings[J]. International Journal of Digital Content Technology and its Application(JDCTA). 2011, 5(9):47-54.

[19]Chen M-C, Chen L-S, Hsu F-H, etal. A profitability based recommender system[C]. In: Proceedings of the IEEE International Conference on Industrial Engineering and Engineering Management. Singapore, 2007:219-223.

[20]郭艳红, 邓贵仕. 协同过滤系统项目冷启动的混合推荐算法[J]. 计算机工程, 2008, 34(23): 11-13.

[21]张燕, 唐振民, 李燕萍. 面向推荐系统的音乐特征抽取[J]. 计算机工程与应用, 2011, 47(5):130—133.

[22]曹洁, 潘鹏. 基于GMM的说话人识别技术研究[J]. 计算机工程与应, 2011, 47(11):1 14—117.

[23]混合推荐技术总结[DB/OL], http://blog.csdn.net/cxwen78/article/details/7414734, 2012.

[24]夏培勇. 个性化推荐技术中的协同过滤算法研究[D] , 青岛:中国海洋大学, 2011.

[25]M.A. Casey, R. Veltkamp and M. Goto. Content-Based Music Information Retrieval Current Directions and Future Challenges[C]. Proceedings of the IEEE, April 2008, 96(4): 668-696.

[26]C. Baccigalupo. Mining the social web for music-related data a hands-on tutorial. in: Proceedings of the International Symposium on Music Information Retrieval. Kobe, Japan. 2009[C].

[27]郑鹭升. 基于时间加权的混合推荐算法研究[D]. 福建:厦门大学, 2013.

[28]P. Lamere and D. Eck. Using 3D visualizations to explore and discover music. in: Proceedings of the 8th International Conference on Music Information Retrieval.Vienna, Austria. 2007[C]:173-174.

[29]Stephan Liwicke, Georgios Tzimiropoulos, Stefanos Zafeiriou,et al. Eluer Principal Computer Analysis[J]. International Journal of Computer Vision, 2013, 101(3):498-518.

[30]Minkyung Kim, Eunyoung Kin. Speaker verification and identification using principal component analysis based on global eigenvector matrix. Proceedings of the 5th international conference?on?Hybrid Artificial Intelligence Systems,?San Sebastian,?Spain.Berlin, 2010[C]: 278-285.

[31]赵丽嫚. 一种新型的协同过滤算法. 南京:南京邮电大学, 2013, 3.

[32]张腾季. 个性化混合推荐算法的研究. 浙江:浙江大学, 2013.

[33]赵晨婷. 多维度可扩展推荐引擎框架的设计与应用. 哈尔滨:哈尔滨工业大学, 2013.

[34]G Adomavicius, A.Tuzhilin, Toward the next generation of recommender systems:a survey of the state-of-the-art and possible extensions[J]. IEEE Translation on Knowledge and Data Engineering, 2005, 17(6):734-749.

[35]刘燕. 潘多拉来了[J]. IT经理世界, 2011, (19):51—51.

[36]李炜. 从Last.Fm看新一代音乐社交网络[J]. 中国传媒科技, 2013, (2):072.

[37]豆瓣FM的推荐算法是怎样的[DB/OL]. http://www.zhihu.com/question/19560538, 2011.

[38]张海潘, 倪宁. 软件工程(第三版)[M]. 北京:人民邮电出版, 2010.

[39]陈雅茜. 音乐推荐系统及相关技术研究[J]. 计算机工程与应用, 2012(5):9-16.

[40]高轶. 基于社交网络的协同过滤算法的研究与实现. 重庆:重庆邮电大学, 2013.5.