該算法由獨立循環(huán)神經(jīng)網(wǎng)絡(luò)算法與注意力機制共同組成的深度神經(jīng)網(wǎng)絡(luò)實現(xiàn),并在數(shù)據(jù)預處理階段對用戶收聽歷史記錄的音頻使用散射變換進行預處理.通過散射變換提取用戶收聽歷史記錄音頻特征,再將此特征與用戶畫像共同通過混合注意力機制的獨立循環(huán)神經(jīng)網(wǎng)絡(luò)得出推薦列表.仿真結(jié)果表明,文中給出的算法與已有的IndRNN(循環(huán)神經(jīng)網(wǎng)絡(luò))和基于LSTM(長短期記憶網(wǎng)絡(luò))的音樂推薦算法相比,分別提高了7.8%和20.9%的推薦準確度.

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 AIRNN混合模型框架圖

音樂推薦算法的任務是為用戶推薦喜愛的歌曲，將音樂分為用戶喜愛與不喜愛兩類，因此，該任務可以歸結(jié)為二分類問題．混合注意力機制的獨立循環(huán)神經(jīng)網(wǎng)絡(luò)音樂推薦算法(AttentionIndependentRecurrentNeuralNetwork,AIRNN)是在深度學習RNN的....

圖2 AIRNN推薦算法結(jié)構(gòu)圖

本文通過疊加IndRNN的基礎(chǔ)結(jié)構(gòu)構(gòu)建一個深度的IndRNN網(wǎng)絡(luò)，并將網(wǎng)絡(luò)輸入的處理方式由全連接改為殘差連接并引入注意力機制，給出一種混合注意力機制的AIRNN音樂推薦算法．算法結(jié)構(gòu)圖如圖2所示．在每一個時間步長內(nèi)，借助Relu非飽和激活函數(shù)，梯度可以恒等映射并直接傳播到其他層．....

圖3 AIRNN算法流程圖

對式(15)取似然負對數(shù)作為損失函數(shù)可得的交叉熵損失函數(shù)為:AIRNN算法流程圖如圖3所示．首先按照順序從歌曲列表中取出數(shù)據(jù)，并將數(shù)據(jù)分為音頻數(shù)據(jù)和用戶畫像兩部分，隨后把用戶歷史音樂音頻數(shù)據(jù)進行散射變換，并將從中提取的特征作為AIRNN算法的輸入，同時將用戶畫像數(shù)據(jù)輸入到DNN模....

圖4 不同數(shù)據(jù)預處理方式對算法準確度的影響

首先設(shè)置兩個仿真實驗組對照MFCC和ST預處理對算法的影響，兩組使用相同的5層AIRNN網(wǎng)絡(luò)．從圖4中可以看出，在訓練達到70個epoch時，使用散射變換預處理的仿真組比使用梅爾倒譜系數(shù)的仿真組準確度高15%．這是由于使用梅爾倒譜系數(shù)預處理會使音頻信息缺失時間尺度為25ms以上的....

本文編號：4043441