融入音樂子人格特質和社交網絡行為分析的音樂推薦方法

琚春華，黃治移，鮑福光

（1.浙江工商大學現代商貿研究中心 杭州310018；2.浙江工商大學計算機與信息工程學院 杭州310018；3.浙江工商大學工商管理學院 杭州310018）

1 引言

隨著互聯網和數字音樂的不斷發展和普及，人們逐漸從音樂匱乏的時代走入音樂過載的時代。音樂過載帶來一個問題：人們往往需要花費大量的時間從海量的音樂庫中找到自己喜歡的音樂，因此音樂推薦系統應運而生。

現今，關于音樂推薦系統的研究主要分為3類：基于內容過濾的推薦[1]，該方法通過獲取音樂的音頻特征或社會化網絡標簽，為用戶推薦最近播放的相似音樂，如蝦米網、SongTaste等熱門音樂網站。這種方法推薦結果直觀易理解且幾乎不需要特別的用戶歷史數據，缺點是推薦結果缺乏新穎性、易受音樂特征提取能力的影響；基于用戶協同過濾的推薦[2]，該方法基于用戶對音樂的評分數據，找到具有與該用戶最相似偏好的用戶，進而推薦相似用戶評分最高的音樂，如Ringo、Last.fm等音樂服務提供商。這種方法善于發掘用戶新的興趣點、可處理復雜的非結構化對象，缺點是冷啟動問題和數據稀疏性；基于語境的推薦[3]，該方法獲取用戶歷史的音樂評論、博客百科等文化背景知識、播放次數等數據，記錄用戶偏好，為用戶推薦個性化的音樂，如豆瓣電臺，這種方法優點是更具個性化、準確率高，但缺點是語境信息數據量龐大，受語境提取準確率影響。

上述音樂推薦研究主要集中在音樂本身的分類及分析。然而，音樂最主要的功能是能夠引起共鳴、調節情緒、陶冶情操等，單單地從音樂本身的相似性和用戶的偏好很難發揮音樂的作用，人們往往更希望能夠按照自己的心情推薦適合的音樂，如不高興的時候，可以推薦一些能夠使自己心情平復的音樂。

[4，5]研究音樂特征和用戶情緒之間的關系，根據用戶不同的情緒為用戶推薦適合的音樂。然而，其認為所有的用戶無論是什么樣的背景因素，都對相同的音樂具有相同的情緒反應，顯然這是不合理的。參考文獻[6]為不同的用戶創建不同的情緒狀態轉換模型（emotion state transition model,ESTM），從而建立用戶情緒和音樂底層特征之間的關系，通過用戶實時輸入的環境信息，判斷用戶的實時情緒，根據ESTM將用戶的情緒調整到最佳狀態。但該研究需要用戶實時輸入環境信息，較為繁瑣，也沒有考慮人格因素對ESTM的影響。參考文獻[7]提出一個個性化的音樂情緒反應預測分析方法，考慮使用者背景的差異性，預測使用者的音樂情緒反應，從而達到推薦的目的，但該研究并沒有考慮到人格因素的影響，且推薦依靠用戶最初的問卷，如果后期用戶的情緒反應發生變化，推薦并沒有相應的改變。目前，針對用戶情緒的音樂推薦方法研究不夠成熟，融入人格因素的個性化音樂推薦方法還沒有被研究。

人格特質早已成為對用戶進行音樂偏好研究的重要對象。本文提出了一種融入音樂子人格特質和社交網絡行為分析的音樂推薦方法，該方法通過關聯用戶發布在微博等社交媒體的數據信息和點播音樂記錄，挖掘用戶在不同情感狀態下的音樂偏好；然后，通過基于音樂偏好度預測的相似度計算方法，降低數據稀疏性對推薦結果的影響；最后，通過融入音樂子人格特質的偏好度預測方法，將預測值Top N的項目推薦給用戶。

2 音樂子人格特質因素

人格[8]（personality）是個體內部的心理特質和機制的集合，具有組織性和相對持久性，它們影響到個體對心靈內部的、物理的和社會環境的適應以及與它們的相互作用。音樂子人格是基于個人氣質特征和文化沉淀選擇傾向而呈現某些特征的[9]，音樂子人格是個體對音樂感受的取向分析，對用戶音樂偏好研究具有重要的意義。基于此，鄒光宇[9]將音樂子人格用7個音樂氣質特征來描述，具體描述見表1。

表1 音樂子人格特質描述

本文在原有數字音樂網站的注冊界面上嵌入音樂子人格特質分析模塊，即用戶首次登錄網站時，填寫由晴天心理中心鄒光宇等人提出的“晴天音樂子人格測評量表”（以下簡稱量表），晴天音樂子人格量表不計總分，共有7個分量表，各有5道題組成，單個量表粗分范圍為5～35分，實際得分除以滿分35得出百分比值或者特征指數。

對于用戶（user）而言，其音樂子人格特質的7個維度分別為A、B、C、D、E、F、G，用i=1,2,3,4,5,6,7簡化表述；xj表示user對量表中第j題的打分，j=1,2,…,35；j=i+5k，k=0,1,2,3,4，k用以選擇區分不同題目所屬的音樂子人格特質維度；則Oi表示維度i的得分。計算方法如式（1）所示。

由于音樂子人格是分析個體對音樂的情緒感受性，相似的音樂子人格對相同的音樂具有相似的感受，通過分析用戶實時情感，將音樂子人格融入推薦方法中，以便能夠更好地提高推薦方法的準確性。

3 融入音樂子人格特質和社交網絡行為分析的音樂推薦

3.1 基本定義

定義1（用戶集合）U={uk|k∈S}，U表示用戶集合，S表示用戶的ID集合。

定義2（音樂子人格特質向量）MPk=(A,B,C,D,E,F,G),k∈S，MPk表示用戶ID為k的用戶的音樂子人格特征向量，S表示用戶的ID集合。

定義3（用戶情感狀態）Ek={Happy,Like,Anger,Sad,Fear,Disgust,Surprise},k∈S，Ek表示用 戶ID為k的用戶的情 感 狀 態，happy,like,anger,sad,fear,disgust,surprise依次為樂、好、怒、哀、懼、惡、驚。

定義4（音樂集合）M={i|i∈I}，M表示音樂集合，I表示音樂ID集合。

定義5（音樂特征）MCi=(PM,PS,IM,IS,PE,PD,LD,LS),i∈I，MCi表示音樂ID為i的音樂特征向量，I表示音樂ID集合，各特征具體描述見表2[10]。

表2 音樂特征

定義6(用戶情感—音樂關聯)R=，R表示用戶情感—音樂關聯四元組，k表示用戶ID，i表示音樂ID，Ek表示用戶k的情感狀態，pk,i表示用戶k對音樂i的偏好度。

3.2 模型構建

本文的推薦模型分為兩個階段：第一個階段為用戶情感與音樂關聯過程，該階段主要完成音樂特征提取、用戶歷史微博情感分析、用戶情感與音樂關聯；第二階段為實時推薦過程，主要包括用戶實時情感分析、基于音樂偏好度預測的音樂相似度計算、融入音樂子人格特征的偏好度預測。融入音樂子人格特質和社交網絡行為的音樂推薦模型如圖1所示。

3.3 音樂底層特征獲取

音樂通常分成單調和復調兩類，復調音樂是最一般的形式音樂。通常復調音樂由幾個音軌組成，一部分負責旋律，另一部分負責伴奏，負責旋律的音軌比負責伴奏的音軌包含了許多不同音高的獨特音符，本文選擇音高密度最高的音軌作為主音軌，因為作曲家通常在主音軌上使用最獨特的音符[10]，音高密度定義如式（2）所示。

其中，NP為該音軌中獨特音高的數量；AP為MIDI標準中所有獨特音高的數量[11]。

根據獲得的音高密度PD，確定主音軌，在此基礎上，再根據定義5依次獲取其他的各個特征。音樂ID為i的音樂特征向量MCi=(PM,PS,IM,IS,PE,PD,LD,LS),i∈I，I表示音樂ID集合，各特征具體描述見表2[10]。

3.4 用戶情感—音樂關聯

3.4.1 中文情感詞匯本體庫

本文采用大連理工大學信息檢索研究室（Information Retrieval Laboratory of Dalian University of Technology，DUTIR）提供的情感本體庫作為細粒度情感劃分的依據，其情感分為7大類21小類，情感強度分為1、3、5、7、9共5檔，共含有情感詞共計27 466個[12]。考慮到DUTIR情感本體庫中對于表情和最新的網絡詞語沒有收集，本文在其基礎上添加微博等社交媒體上流行的表情（如：[給力]、[威武]）及流行詞匯（如呵呵、請允悲、何棄療），并人工對這些表情及詞匯分類并標注情感強度。最終本文構成的情感本體庫各個情感類型的情感單詞個數見表3。

圖1 融入音樂子人格特質和社交網絡行為的音樂推薦模型

表3 情感本體庫分布

本文根據情感類別特點將七大類情感又歸結為積極（positive）、消極（negative）和中立（neutral）3個情感傾向類，其中積極包含樂、好，消極包含怒、哀、懼、惡，中立包含驚[12]。

3.4.2 微博情感分析

對于用戶發布的某條微博，本文采用中國科學院ICTCLAS2013漢語詞法分詞系統進行預處理。考慮到句子經常會出現“但是”、“不過”等連接詞會將情感詞的情感反轉，還收集了62個連接詞，當情感詞與連接詞的距離小于2時，則對其進行情感傾向反轉，如積極反轉為消極。本文微博情感判斷步驟如下。

步驟1根據分詞結果分別計算屬于happy、like、anger、sad、fear、disgust、surprise情感大類情感詞強度之和，若全部為0，則結束，句子不含情感；否則，分別計算情感傾 向positive＝happy＋like，negative＝anger＋sad＋fear＋disgust，neutral＝surprise。對出現情感反轉的情感詞，將其情感強度值累積到對立的情感傾向中，例如，原情感傾向屬于positive，則將其情感強度值加入negative中，若原情感傾向屬于negative，則將其情感強度值加入positive。

步驟2判斷情感傾向positive、negative、neutral值大小。若positive最大，則為積極句；若negative最大，則為消極句；若neutral最大，則為中立句。

步驟3根據步驟2判斷的情感傾向類，選擇該情感傾向類中情感強度最大的情感類別為該狀態用戶主導情感。如happy最大，則該句情感為happy。

例如，對于微博“周末加班好無語，但是看見萌萌噠的漢良兄，心情一下子舒暢啦[可愛]”（“[可愛]”為微博表情），用分詞系統對其進行分析，結果見表4。

表4 微博分詞結果

得到情感詞｛“無語”，“舒暢”，“[可愛]”｝，其中“無語”屬于sad類別，其情感強度為5，“舒暢”屬于happy類別，其情感強度為5，“[可愛]”屬于happy類別，其情感強度為5，連接詞“但是”與情感詞“無語”距離最近且距離為1。故各 情 感 類 別 值 分 別 為：happy＝10，like＝0，anger＝0，sad＝0，fear＝0，disgust＝0，surprise＝0，情感傾向positive＝15，negative＝0，surprise＝0，可知positive值最大，故該微博為積極句；happy為positive中值最大的情感類，所以該狀態用戶情感為happy。

3.4.3 用戶情感與音樂關聯

不同用戶在相同情感狀態下對同一首音樂的偏好程度不一樣，同一用戶在不同情感狀態下對同一首音樂的偏好程度也會發生變化[13]。因此，為了挖掘用戶在不同情感狀態下的音樂偏好，本文結合上述微博等社交媒體情感狀態分析和用戶點播歌曲記錄，為每一個用戶建立情感與音樂之間的關聯模型。

當一個用戶發布一條帶有情感的微博等社交媒體狀態時，本文認為只有在該條狀態發布的時間點附近用戶所點播的音樂是該用戶在該情感狀態下喜歡的音樂，點播音樂的時間點離該情感狀態發布時間越近，用戶的偏好程度越高。本文用數值0～10表示用戶對該音樂的偏好度（與評分概念相同），數值越大，用戶的偏好程度越高，并構建<用戶ID,音樂ID,情感狀態,偏好度>四元組。

用戶發表的帶有情感的狀態通常分為兩種：普通狀態和音樂分享狀態。對于一條含有情感的音樂分享狀態，最能代表用戶的音樂偏好，對于這種類型的狀態，本文直接分析用戶的情感并提取分享的音樂ID，并設置偏好度數值為10，得到<用戶ID,音樂ID,情感狀態,偏好度>四元組。對于普通含有情感的狀態，將時間窗口選定時間為30 min，也就是該條狀態發布時間點的前30 min和后30 min，如果在該時間段內沒有點播記錄則舍棄這條狀態；否則，選取該時間段內播放時長超過該音樂時長一半的所有音樂（用戶播放時長低于音樂時長一半的音樂，往往是用戶跳過的不喜歡的音樂，這里去除這類音樂）。由于距離狀態發布時間點的不同，用戶的偏好程度也會不同，所以通過時間加權求和的方式求得用戶對點播音樂的偏好度，計算方式如式（3）所示。

其中，Tw為時間窗口長度，本文中取值為30，Tim為音樂時長，t為微博狀態發布的時間，ti為第i首音樂點播的時間，tie為第i首歌播放結束時間，λi為第i首音樂偏好度，n為時間窗內符合條件的所有音樂總數目。

例如，用戶564813087在2015年6月27日12∶10∶23發布了一條內容為“周末加班好無語，但是看見萌萌噠的漢良兄，心情一下子舒暢啦[可愛]”的微博，通過微博情感分析，得到該用戶的情感狀態為happy。該用戶在2015年6月27日12∶10∶23前后30 min點播的音樂列表見表5。

表5 用戶564813087在2015年6月27日12∶10∶23前后30 min點播記錄

由于音樂《行走的力量》播放的時長小于音樂時長的一半，所以這里去除該條記錄。音樂《千百度》的偏好度得到四元組<564813087,5473235,happy,6.8>。音樂《最浪漫的事》的偏好度，所以得到如下的用戶情感與音樂四元組：<564813087,8334767,happy,9.4>。為了保證四元組的唯一性，如果用戶在相同情感狀態下再次點播相同的音樂時，新產生的偏好度會替換原來的偏好度。

3.5 融入音樂子人格特質和社交網絡行為分析的音樂推薦

3.5.1 基于音樂偏好度預測的用戶相似度計算（SIRP）

傳統的用戶相似度計算，用戶之間對相同音樂進行偏好度標記得越多，計算相似的準確性也就越高。然而，這種方法對于新用戶來說存在一定的弊端，新用戶的音樂偏好度或評分數據往往極端稀疏，通過這極少的偏好度和評分數據去計算用戶相似度顯然不是很合理。

為了解決新用戶音樂偏好度或評分數據稀疏的問題，本文先通過計算音樂間的相似度，根據最相似音樂的已有偏好度λ去預測未標記音樂的偏好度λ，增加用戶之間共同標記偏好度的音樂數，從而使得用戶相似度計算更加準確。具體計算步驟如下[14]。

步驟1計算用戶u與用戶v有偏好度標記音樂的并集Uuv，Uuv=Mu∪Mv，Mu與Mv分別表示用戶u與用戶v的有偏好度標記的音樂集。

步驟2令用戶u沒有偏好度標記的音樂集Nu=Uuv-Mu，對任意的音樂m∈Nu，計算音樂m與用戶u已有偏好度標記音樂k之間的相似度，m軖與k軋分別表示音樂m與音樂k的特征向量，音樂m與音樂k的相似度計算如式（4）所示。

步驟3設置相似度閾值s，取相似度值大于s的音樂作為音樂m的最近鄰。若不存在最近鄰，則該音樂的偏好度為0；否則，利用式（5）來預測用戶u對音樂m的偏好度Pu,m。

其中，Sm表示音樂m的最近鄰音樂集，Pu,k表示用戶u對音樂k的偏好度。

步驟4同理，由步驟2和步驟3計算用戶v沒有偏好度標記音樂的偏好度。得到所有偏好度后，利用式（6）計算用戶u與用戶v之間的相似度。

3.5.2 融入音樂子人格特質的偏好度預測（MPP）

音樂心理學研究表明，具有相同人格的用戶其音樂偏好也會變得相似[15]。單獨使用偏好度或評分數據進行用戶偏好預測，會存在一定的偏差，本文將音樂子人格特質融入用戶的偏好預測中，以便更好地提高偏好預測結果的準確性。用戶音樂子人格特質相似度計算如式（7）所示。

根據Top N最近鄰選擇策略，分別從偏好相似用戶和人格相似用戶中選擇相應的用戶作為鄰居。融入音樂子人格特質的偏好度預測計算如式（8）所示。

其中，V和T分別表示偏好相似用戶集合和人格相似用戶集合，β和1-β分別表示偏好相似用戶和人格相似用戶在偏好度預測中的權重，權重取值通過交叉驗證實驗來設定。

3.5.3 推薦過程描述

輸入 用戶音樂子人格特質、用戶點播音樂記錄、用戶微博等社交媒體數據。

輸出 用戶的音樂推薦列表。

步驟1用戶情感與音樂關聯，根據用戶歷史微博數據和用戶點播音樂記錄，使用第3.4節方法，分析用戶微博情感狀態，并計算用戶點播的音樂偏好度，構建<用戶ID,音樂ID,情感狀態,偏好度>四元組；

步驟2用戶實時情感分析，根據第3.4.2節方法分析用戶實時發布的微博情感，若微博不含任何情感傾向，則結束推薦；否則，繼續執行下面操作；

步驟3基于音樂偏好度預測的用戶相似度計算，根據用戶實時情感狀態，選擇對應情感狀態的數據，利用第3.5.1節方法計算音樂之間的相似度，選取大于音樂相似度閾值的最近鄰音樂，并計算用戶對未標記偏好度的音樂的偏好度，基于此計算用戶相似度；

步驟4選取鄰居集，利用用戶音樂子人格特質計算用戶相似度，根據Top N最近鄰選擇策略，分別從偏好相似用戶和人格相似用戶選取相應的用戶作為鄰居集；

步驟5融入音樂子人格特質的偏好度預測，根據鄰居集，利用式（8）預測用戶對未標記偏好度的音樂的偏好度；

步驟6構建推薦列表，根據對用戶未標記偏好度的音樂的偏好度預測，選取用戶在該情感狀態下已有音樂偏好度和預測的偏好度前Top N的音樂推薦給目標用戶。

4 實驗及結果分析

4.1 數據集

本文收集了263位用戶的微博數據及點播音樂記錄，共收集50 473條用戶發布的微博數據和29 530條用戶點播音樂記錄。為了保證用戶數據的可靠性，去除了純轉發、只有圖片等不能分析用戶情感狀態的微博數據，然后去除了那些沒有填寫音樂子人格量表的用戶。最終，本文的實驗數據集中共包含226個用戶、43 625條用戶發布的微博數據以及29 530條用戶點播音樂記錄。

為了驗證推薦算法的準確性和確定推薦算法中相關參數，本文將收集的數據分為訓練集和測試集。為了保證用戶在訓練集和測試集都有數據，將用戶微博數據和點播音樂記錄提前關聯起來，關聯的依據是以微博發布時間點的前30 min和后30 min內用戶點播的音樂記錄，然后按照8∶2的比例將用戶的數據隨機分為訓練集和測試集。

4.2 評價指標

評價指標的選擇可以有效評估推薦方法的推薦質量，本文采用MAE和P@N作為評價指標。

（1）MAE根據預測的用戶偏好度和實際的用戶偏好度來度量預測的準確性，具體定義如式（9）所示[16]。

其中，pi為預測的用戶偏好度，qi為實際的用戶偏好度，N為已有偏好度項目數。

（2）P@N是根據推薦集中Top N的項目與目標用戶實際偏好度前Top N的項目比較，計算其準確度，具體定義如式（10）所示[16]。

P@N=推薦集中前Top N的項目包含用戶實際偏好度前Top N的項目數量

4.3 實驗結果與分析

4.3.1 相似度計算方法比較

為了驗證本文的用戶相似度計算方法的準確性，本文基于協同過濾推薦算法分別使用余弦、Pearson及基于項目偏好度預測的相似度計算（SIRP）方法進行比較，協同過濾推薦中使用式（11）作為偏好度預測計算式[17]，SIRP方法中項目相似度閾值s通過交叉實驗得到取值0.9最佳。實驗結果如圖2、圖3所示。

圖2 3種相似度計算方法的MAE比較

圖3 3種相似度計算方法的比較

由實驗結果圖2可知，在選取不同數量的最近鄰時，使用SIRP方法比使用余弦和Pearson方法預測項目偏好度的準確度更高，最近鄰數目K=10時，相對余弦和Pearson方法改善最優，分別改善4.0%和5.1%。從圖3可以看出，不同數量的最近鄰，使用SIRP方法相對于使用余弦和Pearson方法在P@5和P@10的準確度依然最好。綜上，與傳統的余弦和Pearson相似度計算方法相比，使用基于項目偏好度預測的相似度計算方法能夠獲得更好的推薦結果，這主要是因為項目偏好度預測方法利用用戶已有偏好度的項目，通過相似度計算預測沒有偏好度的項目，可以有效降低數據稀疏性對推薦準確度的影響，從而提高推薦的準確性。

4.3.2 參數β對推薦結果的影響

由于偏好相似度計算和音樂子人格特質相似度計算使用不同的數據，其最近鄰居集在偏好度預測中的權重不同，最終的預測準確度也會不同。該實驗主要確定式（8）中的參數β的取值，實驗取偏好相似用戶20個和人格相似用戶20個作為最近鄰居集。當β=1時，最近鄰居集只含偏好相似用戶20個；當β=0時，最近鄰居集只含人格相似用戶20個。實驗結果如圖4和圖5所示。

圖4 不同參數值β的MAE

由實驗結果圖4和圖5可知，參數β取值不同對推薦結果的影響較大，β取值為0.7時推薦準確度最高。這充分說明偏好相似用戶和人格相似用戶對推薦結果影響的程度不同，同時也說明本文引入權重β的合理性，后續試驗參數β的取值為0.7。

4.3.3 融入音樂子人格特質的音樂推薦

本實驗通過與傳統協同推薦算法作比較，驗證本文算法的有效性。實驗中，設置最近鄰數量為30，融入音樂子人格特質的推薦設置偏好相似用戶15個和人格相似用戶15個，未融入音樂子人格特質的推薦取偏好相似用戶或人格相似用戶30個。實驗結果如圖6和圖7所示。

由圖6和圖7可知：融入音樂子人格特質的推薦算法相對未融入的推薦算法準確度更高，具有較小的MAE值和較大的P@N值；融入音樂子人格特質的SIRP推薦可以提高推薦方法的質量。實驗結果表明，融入音樂子人格特質的偏好度預測的有效性和準確性。

圖5 不同參數值β的P@5和P@10

圖6 融入音樂人格特質推薦算法的MAE比較

圖7 融入音樂人格特質推薦算法的P@N比較

5 結束語

本文提出的融入音樂子人格特質和社交網絡行為分析的推薦算法，與傳統的依賴于用戶評分數據不同，本文提出的算法可以挖掘用戶在不同情感狀態下對音樂的偏好度，用戶不需對音樂進行評分，通過用戶發布的實時微博情感分析，為用戶推薦在該情感狀態下喜歡聽的音樂。為了降低數據稀疏性帶來的推薦質量差的問題，本文利用基于用戶音樂偏好度預測的相似度計算方法，利用用戶已有的音樂偏好度去預測沒有的音樂偏好度，提高了相似度計算的準確性。為了進一步提高推薦的質量，將音樂子人格特質融入音樂偏好度預測中。實驗結果表明，融入音樂子人格特質和社交網絡行為分析的推薦算法能夠提高推薦的準確度。

參考文獻

1 Balabanovic M,Shoham Y.Fab:content-based,collaborative recommendation.Communications of the ACM,1997,40(3):66～72

2 Schafer J B,Dan F,Herlocker J,et al.Collaborative Filtering Recommender Systems.The Adaptive Web.Berlin Heidelberg:Springer,2007

3 Yildirim H,Krishnamoorthy M S.A random walk method for alleviating the sparsity problem in collaborative filtering.Proceedings of the 2008 ACM Conference on Recommender Systems(RecSys 08),Lausanne,Switzerland,2008:131～138

4 Shan M K,Kuo F F,Chiang M F,et al.Emotion-based music recommendation by affinity discovery from film music.Expert Systems with Applications,2009,36(4):7666～7674

5 Yoon K,Lee J,Kim M U.Music recommendation system using emotion triggering low-level features.IEEE Transactions on Consumer Electronics,2012,58(2):612～618

6 Han B J,Rho S,Jun S,et al.Music emotion classification and context-based music recommendation.Multimedia Tools Appl,2010(2):433～460

7 Yeh C C,Tseng S S,Tsai P C,et al.Building a Personalized Music Emotion Prediction System.Advances in Multimedia Information Processing-PCM 2006.Berlin Heidelberg:Springer,2006

8 Larsen R J,Buss D M.人格心理學：人性的科學探索.郭永玉等譯.北京:人民郵電出版社,2012 Larsen R J,Buss D M.Person Psychology.Translatel by Guo Y Y,et al.Beijing:Posts& Telecom Press,2012

9 鄒光宇.晴天音樂子人格測評量表.中國音樂治療學會第十屆學術年會論文集,廣州,中國,2011 Zou G Y.Fineday measurement scale of music sub-personality.Proceedings of the 10th Annual Conference of Chinese Society of Music Therapy,Guangzhou,China,2011

10 Chen H C,Chen A L P.A music recommendation system based on music and user grouping.Journal of Intelligent Information Systems,2005,24(2～3):113～132

11 Winsor P.Automated Music Composition.Automated Music Composition.Denton:University of North Texas Press,2000

12 劉楠.面向微博短文本的情感分析研究(博士學位論文).武漢：武漢大學,2013 Liu N.Emotion analysis on short text for Weibo(doctor dissertation).Wuhan:Wuhan University,2013

13 Meyer L B.Music and emotion:distinctions and uncertainties.Series in Affective Science,2001,29(3):23

14 鄧愛林,朱揚勇,施伯樂.基于項目評分預測的協同過濾推薦算法.軟件學報,2003,14(9):1621～1628 Deng A L,Zhu Y Y,Shi B L.A collaborative filtering recommendation algorithm based on item rating prediction.Journal of Software,2003,14(9):1621～1628

15 Delsing M J M H,Ter Bogt T F M,Engels R C M E,et al.Adolescents’music preferences and personality characteristics.European Journal of Personality,2008,22(2):109～130

16 胡勛,孟祥武,張玉潔等.一種融合項目特征和移動用戶信任關系的推薦算法.軟件學報,2014(8):1817～1830 Hu X,Meng X W,Zhang Y J,et al.Recommendation algorithm combing item features and trust relationship of mobile users.Journal of Software,2014(8):1817～1830

17 Adomavicius G,Tuzhilin A.Toward the next generation of recommender systems:a survey of the state-of-the-art and possible extensions.IEEE Transactions on Knowledge & Data Engineering,2005,17(6):734～749