基于相似性相关排序技术的音乐信息检索
Music Information Retrieval Using Similarity Based Relevance Ranking Techniques
Karthik Vasu, Savita Choudhary
Scalable Computing Practice and Experience · 2022-10-13
开放获取音乐与舞蹈被引 9被引前 25%影响因子 ≈1.7
摘要
本研究旨在构建一个能够自动评估音乐数据集相关性的系统，以供后续研究使用。在推荐系统中，判定物品间的相似性是一项关键任务，因为它决定了两件物品是否具备相似性。该系统需根据播放列表的特征生成推荐音乐列表，以便将其添加到指定播放列表中，同时这些推荐结果会与用于筛选其他相似歌曲的算法协同工作。具体而言，本研究重点解决了仅依据歌曲信息及用户标注标签来识别音乐相似性的问题。研究人员采用多种机器学习算法对所提出的技术进行了性能测试，其中用于建模数据集并生成特征向量的方法包括TF-IDF和Word2Vec。研究还发现，相较于传统方法，协同过滤、K近邻算法、频繁模式增长算法以及矩阵分解等机器学习技术对相关排序的影响更为显著。
本摘要由 AI（Hy-MT2-Pro）翻译生成，仅供参考，请以原文为准。
AI 综述
基于全文生成- 主要观点
- 本文旨在构建一个自动评估音乐数据集相关性的系统，以实现基于播放列表特征的相似音乐推荐。研究指出，利用用户标签和歌曲信息等主观方法衡量歌曲相似性是推荐系统中的关键任务。实验结果表明，协同过滤、KNN等机器学习技术在相关性排序上的表现优于传统方法。
- 研究方法
- 研究采用Spotify百万播放列表数据集，利用TF-IDF和Word2Vec生成特征向量。通过余弦相似度计算歌曲或播放列表之间的相似度，并测试了协同过滤、KNN、频繁模式增长及自定义核支持向量机等多种算法。评估指标涵盖了R-precision、NDCG以及推荐歌曲点击数。
- 学术贡献
- 研究提出了一种基于相似性相关性排序的音乐检索技术，并构建了自定义核支持向量机模型。实验证明，该自定义模型在准确率、NDCG和匹配时间上均优于KNN、朴素贝叶斯等对比算法，为音乐流媒体平台的播放列表推荐提供了有效方案。
- 存在局限
- 由于所用数据集缺乏每首歌曲的详细内容信息，研究无法采用基于内容的过滤方法。此外，在处理大型数据集时，现有方法的搜索和处理过程耗时较长，存在效率瓶颈。
- 进一步研究方向
- 未来计划引入Spark和Hadoop等大数据技术框架，以缩短大型数据集的搜索和处理时间。研究还期望能为同领域及相关领域的后续研究提供参考与借鉴。
本综述由 AI（GLM-5）阅读开放获取全文自动生成，仅供参考，不代表原文作者观点，请以原文为准。
参考文献
相关论文
话题：Music and Audio Processing