論文常用來進行科學研究和描述科研成果文章。它既是探討問題進行科學研究的一種手段，又是描述科研成果進行學術交流的一種工具。下面我們來看看音樂論文發表標準範文，歡迎閱讀借鑑。
提升音樂推薦系統性能構想探討
摘要：本文從使用者的聽歌資料入手，通過資料預處理技術提取相關特徵，利用FP-tree演算法得到歌曲之間的關聯規則；在此基礎上，利用DBSCAN聚類演算法將歌曲根據其本身屬性進行聚類，找到同類歌曲。最終把兩者有機結合，互相補充，使新的推薦系統發揮更加理想的功能。
關鍵詞：歌曲；FP-tree；關聯規則；聚類；推薦系統；DBSCAN
一、推薦系統簡介
談起推薦系統首先要從個性化推薦談起。個性化推薦是根據使用者的興趣特點和購買行為，向用戶推薦其感興趣的商品和服務。隨著電子商務規模迅速擴大，商品數量和種類急速增長，顧客需要花費大量時間才能找到自己想買的商品。這種瀏覽大量無關資訊和產品的過程會給使用者帶來極大的不便，從而導致消費者不斷流失。為了解決這些問題，個性化推薦系統應運而生。本文主要研究大資料在音樂推薦系統中的應用。通過一些挖掘演算法，發現數據之間的相關性，預測使用者喜歡的歌曲類別以及更加具體的特點構建使用者畫像，快速準確推測使用者的喜好，及時為使用者推薦更多感興趣的資訊、資料及連結，以達到方便使用者吸引消費者的目的。
（一）推薦系統現狀和弊端
現在商業智慧平臺上資訊量呈爆炸式發展，但資料本身所具有的規模巨大和不穩定性，對人們如何準確迅速提取出有價值的資訊，仍具有不可忽視的制約作用。比如，實際上喜歡聽流行歌曲的使用者，因參與合唱活動反覆聽了一些經典革命歌曲，使軟體在他結束合唱活動後，仍然繼續推薦大量經典老歌，導致出現不符合使用者需求的情況。這就是由於推薦系統資料處理系統過於僵化造成的不良後果。所以，推薦系統還有很多方面的技術需要優化升級。
（二）優化升級推進系統的創新點
在設計推薦系統過程中，如果強化資料預處理技術，並採用關聯規則與聚類演算法相結合的方法，則會盡最大可能地避免推薦系統僵化的問題。1、強化優化資料預處理功能。在使用者選擇的歌曲中，並非都是使用者所喜愛的，所以，需要將資料先進行簡單處理。在使用者選擇過的歌曲中，將播放時間短於總歌曲時長60%的歌曲剔除；2、採用關聯規則與聚類演算法相結合的方法。聽歌是一種較為個性的行為，單使用關聯規則推薦，會導致推薦範圍過於寬泛，沒有針對性；單使用同屬性歌曲推薦，會使使用者永遠無法嘗試新的歌曲，無法瞭解與自己類似愛好使用者的選擇。所以把兩者有機結合，互相補充，才能使新的推薦系統發揮更加理想的功能。使用關聯規則是從每一位使用者出發，挖掘聽了“a”歌曲的人同時聽的其它相關歌曲，形成“a”的'關聯規則。這樣就可以在後續推薦中，為聽了“a”歌曲的人推薦與“a”相關的其他歌曲。使用聚類演算法是對歌曲的各項屬性進行區別。各項屬性包括節奏、發行時間、語言和情感等。在實際情況中，使用者的喜好都是獨特的，不能單純的依靠其他使用者的選擇來推測，這樣就可以做到，為聽過“a”歌曲的使用者推薦與其屬於同一類別的歌曲。
二、實際應用
（一）關聯規則FP-tree的應用
在進行關聯規則分析時，以每個使用者在一個時間段的聽歌情況為一個元組。值得注意的是，使用者點選的歌曲並非都是他喜歡的，首先需要對其進行預處理，把使用者聽了一小部分就直接跳過的歌曲直接清除，進而排除異常值對最終結果的影響。首先，設定最小支援度閾值為50%，最小置信度閾值為75%，將每一位使用者的每一首歌按照遞減的支援度排序，並構造FP-tree。從樹根處的節點向上尋找路徑，挖掘頻繁項集。例如，從h處向上的路徑只有一條且支援度小於最小支援度閾值，所以沒有包含歌曲h的頻繁項集。在歌曲h挖掘完成後對其它歌曲用此方式挖掘FP-tree。從d向上兩條路徑中發現{c，d}支援度為50%和在歌曲c中置信度75%，滿足條件。從歌曲c向上尋找路徑，可發現{a，c}也為頻繁項集，支援度為75%，歌曲c中置信度為75%。通過FP-tree演算法，我們得到頻繁項集{a,d},{a,c}。
（二）DBSCAN聚類演算法的應用
第二組資料是以一首歌為元組，包括歌曲的各個量化的自身屬性。用DBSCAN演算法，每一個點代表一首歌，使資料聚類成簇，對歌曲進行分組。在實際情況中，一首歌曲的屬性多種多樣，有節奏快慢、發行時間、傳達的情緒等等，每一個屬性決定著一個維度，他們構成多維資料。屬性種類越廣泛，越齊全，得到的結果也將越精確。本次實驗將其簡化為二維，僅用節奏快慢和發行時間的資料進行聚類。這兩類資料在去除單位後的數值上有差異，並不方便進行比較和處理。因此，要把資料進行標準化處理。通過該聚類演算法得到歌曲分類為{a，c，g，h}、{b，d}，其中，{f}，{e}可算作噪聲點。
（三）兩類演算法結果綜合分析的應用
假設使用者聽了歌曲c，要對該使用者推薦歌曲，綜合結果如下：從上面兩種方法中得到的兩個關於c的結果，分別是關聯規則{a,c}和同類歌曲{a,c,g,h}，再將兩個集合取並集，根據受歡迎程度（本次只按照點選量表示）將歌曲分別排序，推薦並集內熱度高的歌曲。
三、音樂推薦系統拓展延伸
（一）音樂社交
音樂推薦系統與音樂交流平臺相結合。把音樂推薦軟體可以搭建在音樂交流平臺上，讓獲得相同或類似推薦的使用者參與交流和分享，讓最受青睞的歌曲及時得到分享，最大限度地發揮音樂推薦系統的作用。
（二）音樂與天氣
音樂推薦與地域天氣相結合。使喜歡關注天氣預報的人，能方便的看到自己喜歡的音樂歌曲，使喜歡歌曲的人也能隨時觀察到他需要的天氣情況。天氣也是影響使用者聽歌的重要因素，把歌曲的特點與天氣影響人們情緒變化規律的特點恰當地結合起來，在推薦歌曲時，根據該地區的天氣預報選擇歌曲。例如，在下雨天推薦舒緩溫柔的歌曲，天氣晴朗時推薦活潑歡快的歌曲，在炎熱的夏天推薦清爽宜人的音樂歌曲。
四、結束語
推薦系統作為大資料的重要應用正在日新月異地發展創新，推薦系統可以由點到線，再由線拓展到面，繼續呈扇面擴充套件開來，進而形成功能巨大的發散型推薦系統，使其資訊資料和服務範圍涵蓋音樂、圖書、影視、日常百貨以及所有商品，為使用者提供越來越全面、推薦更加精準化人性化的服務，實現企業商家效益最大化的目的。
參考文獻：
[1]JiaweiHan，MichelineKamber，JianPei資料探勘概念與技術，機械工業出版社
[2]張良均,楊坦等，《MATLAB資料分析與挖掘實戰》，北京:機械工業出版社，2015年6月
[3]周英,卓金武等，《大資料探勘系統方法與例項分析》,北京:機械工業出版社，2016年4月