基於隱含情境因素之行動音樂推薦系統

Abstract

網路音樂平台快速發展使得使用者回饋資訊更容易的被蒐集，造成了資訊過載的現象，音樂推薦系統的重要性日益漸增。在協同過濾法（Collaborative Filtering）的推薦演算法中，基於模型式方法（Model-Based Approach）除了預測階段速度快，亦擁有不錯的推薦結果， 然而當新歌曲進入系統後，系統並沒有足夠的資料進行分析，造成了冷開始的問題（Cold Start）。 不同於協同過濾，內容基礎式過濾法（Content-Based Filtering） 則是加入額外對於歌曲音訊內容的描述，有能力處理由新歌曲所造成的冷開始問題，但推薦結果通常較前者差。 為了同時具備對於兩種情況的處理能力，混合式過濾法 （Hybrid Methods）結合了前述方法滿足了這樣的需求。 本論文延續同時考量使用者回饋資料和音訊內容的音樂推薦的研究，加入環境資料設計了行動情境感知式推薦系統（Context-Aware Recommender System），能夠依據使用者當前所在的環境給予推薦結果，基於假設使用者會在不同環境下有不同喜好，將提高推薦結果的準確性。 一旦本推薦模型能夠分析了解使用者在不同環境下的喜好，就可以自動建立播放清單，在使用者不能手動選擇播放的歌曲時仍能夠藉由此推薦模型聆聽當下喜好的歌曲。 實驗資料集是來自於手機中的程式自動蒐集使用者回饋資訊和環境資料等等，目的是避免影響使用者實際聆聽音樂的習慣，以確保資料的真實性。 本論文所提出之隱含情境因子推薦模型（Latent Context Factors-Recommender Model ）將同時考量使用者回饋資訊、歌曲內容和對應的情境資料，除了有能力依照當前環境給予推薦外，亦保有基於模型式方法的特性。 而根據本論文的實驗結果顯示本論文提出的推薦模型相較於Yoshii et al (2008)和Su et al (2010)所提出的方法為佳，證明本模型擁有一定水準的推薦正確率，且在模型中考環境相較於未考慮環境有些?的改善。

Date of Award	2016 Aug 18
Original language	Chinese
Supervisor	Ren-Shiou Liu (Supervisor)