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
如果发现文中有问题，敬请联系作者批评指正，真诚欢迎您的指教，谢谢！
微信: legelsr0808
邮箱: legelsr0808@163.com