首页 > 分享 > 数据挖掘技术在音乐流行趋势预测中的应用研究

数据挖掘技术在音乐流行趋势预测中的应用研究

花匠小妙招
2024-11-08 13:51

数据挖掘技术在音乐流行趋势预测中的应用研究

【摘要】： 对音乐流行趋势进行精准的预测,既能增强用户体验、增加平台收益,也能提高歌手的知名度,挖掘出明日前途无限的歌手,进一步提升音乐平台的影响力和经济收益。因此,利用历史数据对音乐流行趋势进行精准预测,对歌手、音乐爱好者以及网络音乐平台都具有十分重要的意义。互联网音乐数据具有多样复杂、维度较高、数据量大、变化快、实时性强、时间序列明显的特点,现有的音乐流行趋势模型和传统的统计模型往往难于有效地分析歌手、用户、歌曲(下载量、播放量、收藏量)等大量数据的复杂关系,对音乐数据进行深层次的挖掘效果也不够理想。近年来,诸多预测问题采用了从回归预测和时间序列预测两个角度来展开研究,其中,基于随机森林算法的回归预测模型、时间序列模型在很多领域取得了比较理想的预测效果。为此,从回归预测的角度,本文构建了基于随机森林算法的回归预测模型、构建了突增型歌曲衰减模型与随机森林算法预测模型的组合预测模型;从时间序列预测的角度,构建了基于长短期记忆网络的时间序列预测模型以及差分自回归移动平均的时间序列模型来预测音乐流行趋势,通过实验验证和评估了这些模型的预测效果,达到了预测目标。本文的主要工作包括以下两个方面:(1)从回归预测的角度研究,构建了一种基于随机森林算法预测音乐流行趋势的模型,针对互联网音乐数据多维度、复杂的特征,随机森林算法性能表现良好,它能很好处理高维度的数据,训练速度快,抗干扰能力强。该模型将用户偏爱的特征,听歌时间习惯等多维度数据进行One-Hot编码,然后再将得到的特征通过K-means对用户分别进行聚类。同时,结合音乐数据的独特性,针对歌曲播放量突增后有一个衰减的过程,提出了一个突增型歌曲衰减模型,将它与基于随机森林算法的回归预测模型结合,使得音乐流行趋势预测能力得到了大幅提高。(2)从时间序列的角度研究,构建了一种基于长短期记忆网络时间序列预测音乐流行趋势模型,针对互联网音乐数据具有时间序列明显的特点,长短期记忆网络适用于处理时间序列预测问题,并且具有记住长时间段信息的优势,是解决长期记忆问题而明确设计的最佳模型之一。论文通过实验测试了该模型的预测能力。另外,构建了一种基于差分自回归移动平均法时间序列预测音乐流行趋势模型,差分自回归移动平均模型明确地迎合了时间序列数据中的一套标准结构,并且与长短期记忆网络不同的是差分自回归移动平均法适合短期的预测研究。该模型具有较为简单,只需要内生变量而不需要借助其他外生变量、适用范围广、预测误差小的优势。通过实验测试了该模型的预测效果,并且与长短期记忆网络时间序列预测模型进行了对比分析。实验利用了阿里音乐数据集对本文的四个音乐流行趋势预测模型进行了测试。本文定义了以评估指标F为核心的预测评价标准,纵向对比分析了四个模型的预测效果。实验结果表明,基于随机森林算法的音乐流行趋势预测模型对比两个时间序列预测模型的评估指标值F值要高,预测性能更好;相比于一般的随机森林算法预测模型,突增型歌曲衰减算法与随机森林算法相结合的预测模型,预测能力的评估指标值F值增加,整体的预测效果更佳,预测能力明显提升。总之,本文进行的音乐流行趋势预测研究是有效的,达到了预测目的。

【学位授予单位】：西南大学
【学位级别】：硕士
【学位授予年份】：2019

1234187246572142592