本发明专利技术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。本发明专利技术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，本发明专利技术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。
【技术实现步骤摘要】
本专利技术设及计算机应用
，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。
技术介绍
基于马尔科夫预测算法的音乐分类推荐方法是W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。但运 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 口话题进行音乐曲目或者音乐人的推荐，但运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。
技术实现思路
阳〇化]本专利技术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，W解决上述
技术介绍
中提出的问题。 为实现上述目的，本专利技术提供如下技术方案： ，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Si， S2,…Ss，用户在Si状态下下一步转移到S,状态的概率为P1,5,进而得到转移矩阵，概率Pi/ 的计算公式如下：(公式 1); 似记所有用户五个状态概率心（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W后用户动作进行预测，下一次运五个动作概率将变为： |；0011] a(2)=(a1，日2,日3,日4,日5化/ (公式。； (3)重复步骤（1)和（2)，经过n次计算，求得稳定状态下的aW，若不稳定则停止 计算，选用贝叶斯作为主算法，aW表示五个动作用户选择的概率. (4)计算：（公式 3)， bi,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、APRI0RI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W外的部分在主算法中加W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： 0 =(AnBnC)U巧-Dn[A-AnB-AnC+AnBnC+B -BnA-Bnc+AnBnc+c-cnA-cnB+AnBnc]](公式 4)。 作为本专利技术再进一步的方案：所述马尔科夫预测算法为主算法，所述协同过滤算 法、APRI0RI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，本专利技术的有益效果是： 本专利技术实现简单、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W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。本专利技术的实施设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，W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为本专利技术的流程示意图。 图2为本专利技术中结果集的韦恩图。【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, ，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Si， S2,…Se，用户在Si状态下下一步转移到Si状态的概率为Pi/，进而得到转移矩阵，概率Pi/ 的计算公式如下：(公式 1); 阳02引 似记所有用户五个状态概率心（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W后用户动作进行预测，下一次运五个动作概率将变为：a巧=(a1，曰2,曰3,a"as)Pi/ (公式。； 做重复步骤（1)和似，经过n次计算，求得稳定状态下的aW，若不稳定则停止 计算，选用贝叶斯作为主算法，aW表示五个动作用户选择的概率. (4)计算；（公式 3)， 阳〇3引bi，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、APRI0RI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W外的部分在主算法中加W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： 0 =(AnBnC)U巧-Dn[A-AnB-AnC+AnBnC+B -BnA-Bnc+AnBnc+c-cnA-cnB+AnBnc]](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、APRI0RI算法、新闻分词聚 类推荐和相似用户推荐均为辅助算法。 本专利技术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W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。 设随机过程找(t)，tGT}的状态空间为I。如果对时间t的任意n个数值ti< 12 〇??<t。，n> 3,tiGT，在条件X(ti) =Xi，XiGI，i= 1，2，…，n-1 下，X(t。）的条件分 布函数恰等于在条件X(t。1)= X。1下X(t。）的条件分布函数，即 阳042] P找（〇《xjx(ti) =Xi，X(t2)=而，…X(tn1) =X。J =P找（tj《xjX(tn1) =XnJ，XnGR， 则称过程找(t)，tGT}具有马尔可夫性或无后效性，本专利技术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，W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W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。 本专利技术实现简单、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W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。本专利技术的实施设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，w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本文档来自技高网...
【技术保护点】
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Si状态下下一步转移到Sj状态的概率为Pij5，进而得到转移矩阵，概率Pij5的计算公式如下：Pij(5)=p11p12...p15p21p22...p25................p51p52...p55]]> (公式1)；(2)记所有用户五个状态概率ai，(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)pij5 (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：Pij5Pij5=b11b12...b15b21b22....b25..............b51b52...b55]]> (公式3)，bij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)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：吴林，王永滨，吕志胜，杨莹，李乐田，
申请(专利权)人：中国传媒大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。