论文部分内容阅读
现有的音乐推荐方法多是采用不同的历史偏好相关性度量方法直接为用户生成推荐音乐列表，而不考虑用户历史喜好音乐行为所体现出的用户兴趣的波动性，影响了推荐音乐的准确率。针对这个问题，提出了一种融合Fisher线性判别分析与波动序列的音乐行为偏好获取方法。首先获取音乐的社会化标签与音频特征，采用Fisher线性判别分析对两类样本数据进行特征融合，通过投影变换并引入Fisher判别准则，获取具有最大类间离散度，最小类内离散度的音乐特征分类方向。然后结合用户的历史喜好音乐获取音乐类型基点、类型波动幅度，再以音乐类型基