前言

隨著在線音樂商城及流媒體音樂服務的出現，數字音樂分發已經使得音樂觸手可及。然而，面對突然出現的海量可收聽內容，聽眾很容易面臨信息過載的問題。因此，本次分享的主題音樂推薦系統，將為那些面臨海量內容的用戶提供一些引導。本文將重點介紹其中的兩種音樂推薦系統：基于內容和上下文的音樂推薦。

01基于內容的音樂推薦

內容信息涵蓋了任何可以用于描述音樂內容的信息，包括從音頻信號中抽取的信息和外部信息源 ( 網絡文檔、音樂作品目錄和標簽 ) 提供的元數據。在本節中，我們將概述基于內容的音樂推薦算法，并根據采用的信息源對現有的算法進行分類。

1. 元數據信息

音樂元數據一般有以下幾種形式：專家的人工標注 ( manual annotation )、來自協同標記服務的社會化標簽 ( social tag )、應用文本檢索技術從網絡上自動化挖掘的標注 ( automatically mined from the Web )。盡管有研究顯示這些元數據并不能比協同過濾技術取得更好的效果，但面對冷啟動場景下，這些元數據可以作為協同過濾的補充或替代。

① 人工標注

人工標注包括可編輯的元數據 ( editorial metadata )，例如音樂曲風和子曲風、發行公司、發行的時間和地區、藝術家間關系、曲目、專輯以及任何相關的發行信息。此外，例如像節奏、情緒和樂器這樣音樂屬性的標注可以對音樂內容提供更詳盡的描繪。

音樂專家或者成熟的愛好者社區提供了一些可編輯的元數據的在線數據庫。這些數據庫保證了數據的質量，但也因自身結構存在缺陷，比如堅持曲風分類 ( genretaxonomies )。MusicBrainz和Discogs提供大量免費的由社區整理的藝術家，唱片公司和發行信息。這些

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（二十九）-基于内容和上下文的音乐推荐的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。