标签：数据 lis 信息 扩展 论文 电影 使用 提升 list
1、协同过滤
协同过滤不使用item的具体信息，因此可适用性很强，在书籍、电影、音乐上都可用；
协同过滤不适用item的具体信息，因此强者愈强；
冷启动问题无法解决
2、基于内容的推荐
使用声音信号推荐
3、用DL预估偏好
把用户和music各表示成vec
4、提升效率
输入：每个audio，切割成3秒的片段；预测：对这些片段求平均
以梅尔声谱作为输入，横轴是频率，纵轴是时间；
仅在时间维度卷积，不在频率维度卷积，这和图像不一样，图像各个维度内涵一样，音频不一样；
通过下采样，获得时间维度的不变形；
最后一个池化层使用了global tmporal 池化，作者认为音频特征有全局性，不像图片是局部的；
5、训练
Loss：MSE，最小化模型输出向量和CF输出向量的差值
trick：通过时间轴偏移，稍微调整声谱，扩展数据
6、变化（优化尝试）
1）More hidden layers
2）ReLU->maxout unit
3）max-pooling->stocastic pooling
4）拉伸或者压缩时域，扩展数据
5）级联别的CF输出的latent vector
7、分析：我们学到了什么
1）低级表征：最大激活
playlist流派不同，最大激活获取了这种特征（音高）
2）低级表征：平均激活
获取一段时间的平均，获得了和声表征
3）高级表征：
对子音乐类型很有表达能力
8、基于相似度的推荐
效果还不错啦
9、用在哪里
1）推荐集合的来源
2）异常过滤
3）冷启动问题
【论文阅读-REC】<<Recommending music on Spotify with deep learing>>阅读
标签：数据 lis 信息 扩展 论文 电影 使用 提升 list
原文地址：http://www.cnblogs.com/ai1024/p/6819365.html
