Abstract
Over the past few years, the recommender system has been proposed as a critical role to help users choose the preferred product from a massive amount of data. For music recommendation, most recent recommender systems made attempts to associate music with the user's preferences primarily based on user ratings. However, this kind of recommendation mechanism encounters the problem called rating diversity that makes the prediction results unreliable. To cope with this problem, in this paper, we propose a novel music recommendation approach that utilizes social media tags instead of ratings to calculate the similarity between music pieces. Through the proposed tag-based similarity, the user preferences hidden in tags can be inferred effectively. The empirical evaluations on real social media datasets reveal that our proposed approach using social tags outperforms the existing ones using only ratings in terms of predicting the user's preferences to music
چکیده
در طول چند سال گذشته، سیستم توصیه گر نقش عمده و مهمی دارد و به کاربران کمک می کند که محصول اولویت دار را از میان مقدار عظیمی از اطلاعات انتخاب کند. برای توصیه ی موسیقی، برخی از سیستم های توصیه گر اخیر تلاش کرده اند که موسیقی را با اولویت کاربر و در درجه ی اول در امتیازدهی های کاربر قرار دهند. اگرچه، این نوع از مکانیسم های توصیه گر مشکلی به نام تغییر امتیازدهی وجود دارد که باعث می شود نتایج پیش بینی غیرقابل اعتماد شود. در این مقاله برای مقابله با این مشکل، یک رویکرد توصیه گر موسیقی جدید معرفی می کنیم که به جای امتیازدهی از تگ های رسانه ی اجتماعی استفاده می کند تا شباهت بین قطعات موسیقی را محاسبه کند. با وجود شباهت مبتنی بر تگ پیشنهادی، اولویت و اولویت های کاربر پنهان در تگ ها می توانند به طور موثر استنتاج شوند. ارزیابی های تجربی در رابطه با پایگاه داده های رسانه ی اجتماعی واقعی نشان می دهند که رویکرد پیشنهادی ما با استفاده از تگ های اجتماعی بهتر از رویکردهای موجود عمل می کند و تنها از امتیازدهی در راستای پیش بینی اولویت های کاربر برای موسیقی استفاده می کند.
1-مقدمه
امروزه، رشد سریع اطلاعات موسیقی باعث شده نیاز به مشخص کردن اولویت ها و اولویت های مشتریان افزایش پیدا کند. از این رو، این مسئله به چالشی تبدیل شده که چگونه می توان به طور موثر به مشتریان کمک کرد تا موسیقی ارجح خود ( به نام آیتم در این مقاله) را از مقدار زیادی اطلاعات موسیقی بدست آورند و روند آن در طول چند سال گذشته مورد بررسی قرار گرفته است...