利用循環(huán)神經(jīng)網(wǎng)絡(luò)的分支長短時記憶網(wǎng)絡(luò)與注意力機(jī)制結(jié)合的模型進(jìn)行音樂流行趨勢的預(yù)測。首先,分析了傳統(tǒng)的支持向量機(jī)以及循環(huán)神經(jīng)網(wǎng)絡(luò)等方法在預(yù)測時間序列數(shù)據(jù)上不能捕捉長時間序列信息等不足之處;其次,基于以上分析建立了長短時記憶網(wǎng)絡(luò)加注意力機(jī)制結(jié)合的預(yù)測模型,針對所要預(yù)測的未來兩個月歌手歌曲播放量,對數(shù)據(jù)集進(jìn)行分析及相關(guān)屬性選取、歸一化等預(yù)處理,選取組合相應(yīng)的歌曲日播放量、連續(xù)3天播放均值作為相應(yīng)時間點(diǎn)的樣本構(gòu)建神經(jīng)網(wǎng)絡(luò)訓(xùn)練集;最后,設(shè)計實現(xiàn)了基于長短時記憶網(wǎng)絡(luò)加注意力機(jī)制相結(jié)合的預(yù)測模型實驗。實驗結(jié)果表明,所使用的預(yù)測模型較傳統(tǒng)的機(jī)器學(xué)習(xí)方法支持向量機(jī)以及長短時記憶網(wǎng)絡(luò)等在均方根誤差和平均絕對誤差兩個指標(biāo)上取得了較為明顯的提升。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1 所采用的LSTM-Attention模型結(jié)構(gòu)

LSTM-Attention模型就是在LSTM結(jié)構(gòu)后加上注意力層。雖然LSTM與Attention的組合模型早被用于關(guān)系分類中并取得了較好的效果[11],但是該組合模型在時序序列數(shù)據(jù)尤其是公共數(shù)據(jù)中的預(yù)測研究上還處于不斷探討改進(jìn)的地步。文中利用LSTM與Attention相結(jié)合的....

圖2 歌手歌曲的平均播放、下載和收藏量

圖2所示為任意一名歌手過去六個月內(nèi)歌曲的平均播放、下載和收藏量。從中可以看出,某位歌手的歌曲播放量、收藏量及下載量三者中,最適合用來預(yù)測未來某段時間內(nèi)某位歌手是否能流行起來的是播放量。圖3歌手歌曲預(yù)測播放量和真實播放量比對

圖3 歌手歌曲預(yù)測播放量和真實播放量比對

圖2歌手歌曲的平均播放、下載和收藏量針對所有歌手的歌曲播放數(shù)據(jù),進(jìn)行去均值、方差歸一以及縮放到[-1,1],同時設(shè)置均值濾波的長度為aveFilter=4。利用原始的播放量進(jìn)行預(yù)測,能夠得到如圖3所示的預(yù)測曲線。從圖3可以看出,對原始數(shù)據(jù)進(jìn)行預(yù)測所得的結(jié)果中,在某些歌手的預(yù)測上....

圖4 利用平均播放數(shù)據(jù)進(jìn)行預(yù)測后歌手歌曲預(yù)測播放量和真實播放量比對

圖4為利用歌手平均歌曲播放量預(yù)測未來60天歌手歌曲播放量的實驗結(jié)果(為縮放后的結(jié)果)。由圖4可以看出,使用平均歌曲播放量進(jìn)行預(yù)測的結(jié)果要比使用原始歌曲播放量進(jìn)行預(yù)測的效果好,預(yù)測結(jié)果基本和未來60天歌手的真實歌曲播放量吻合。對比其他預(yù)測方法時,利用了RMSE、MAE,其具體的計算....

本文編號：4056304