英语原文共 9 页

基于传感器网络的公共场所音乐推荐系统

摘要

最近，有一些基于互联网和个人电脑的个人音乐推荐系统的研究，但涉及公共音乐推荐系统领域，还尚未被研究过。在本文中，我们研究了一种基于公共传感器网络的音乐推荐系统，例如在高速公路休息场所，公园，巨大的市场等地方。我们提出的系统包括五个由传感器组成的模块分别是节点，汇聚节点，主机，音乐数据库和远程控制模块。传感器节点安装在人员经常来来往往的地方。传感器检测到的信息节点通过使用RF的汇聚节点传输到主机进行通信，然后主机从这些信息中计算人的密度。为了从音乐数据库中选择一首最合适的音乐来匹配我们当前的场景。几个变量因素可供参考，如人的密度，季节，天气和时间等。我们还通过实验环境评估和分析该系统的准确性。

关键词：

音乐推荐系统，传感器网络，贝叶斯网络，音乐推荐算法。

1.简介

最近，无所不在的技术的发展已经逐步进入我们的生活，我们可以认为，甚至一个对这个领域漠不关心的人也可以听这个词。 RFID和RFID等技术已被用在各种各样的环境中。例如，这些技术将用于家庭自动化领域，办公自动化，建筑管理，军事应用等。目前，各种使用这种技术的应用程序在我们的生活中被迅速接纳。随着信息技术的发展和数据压缩，高质量的音乐存储在各种媒体中，然后根据用户选择通过互联网或者个人设备（MP3，iPod）获得。但是，用户很难记住并知道他们的计算机中音乐所在的存储位置。他们也很难选择他们喜欢的音乐。有几个研究关于音乐推荐系统的，以便用户可以选择最符合他们需求和喜好的音乐项目。微软的Windows Media Player和Apple的iTunes是商业音乐软件的一个例子。大多数音乐推荐系统上的搜索引擎取决于用户如何频繁听取他们的喜爱音乐[3-5]。除了用户的听歌频率，最近几位研究人员提出一个音乐推荐音乐的算法，该算法根据用户目前的听歌状态推荐音乐，如用户的年龄和性别，季节，天气，时间等因素[6,7]。

本文考虑了基于人们经常来来往往的公共场所的传感器网络音乐推荐系统。拟议的系统

目的是当我们比较之前的结果的时候，找出什么最能满足很多人的满意度而不是个人。例如，公共场所包括高速公路休息场所，公园，巨大的市场等。在这些地方，有很多人经常来来往往。短时间，如果我们能根据季节，天气等情况播放最符合当前的情况，我们希望大多数人都满意，但是，大多数公共场所都要由操作员选择音乐而不考虑它周围环境。因此，这样的地方不能为游客提供良好的心情和优质的服务，由于上述原因，本文提出了一种音乐推荐系统，该系统适用于基于传感器网络的公共场所。提议系统由以下五个模块组成：传感器节点，汇聚节点，主机，音乐数据库和远程控制模块。传感器节点安装在许多地方人们经常来来往往。信息由传感器节点感测到的传输到主机通过使用RF通信的汇聚节点。计算机从所有传感器节点收集的信息计算使用人的密度。播放最符合当前场景的音乐，把季节，天气和时间的情况以及人的密度都考虑进去，重复该过程，并且自动定期根据周围环境调整。遥控模块监督使用手持式的主机的各种操作远程设备。它包括远程操作如监听当前的音乐状态，播放新的音乐，停止当前音乐等。

本文的其余部分安排如下。在第2节，我们回顾了之前关于音乐的推荐系统，以及相关的概念和算法，拟议的系统在第3节中描述所提出的系统的实施和评估是在第4节中解释。最后，我们总结一些最后的评论。

2.相关工作和背景

在以前的音乐管理软件中，用户可以通过元数据管理检索有效的音乐，包括艺术家、音乐名称和流派等因素。除了这些项目有几项研究是为了向用户推荐音乐。商业软件如Window Media Player和iTunes根据音乐的频率和时间向用户推荐用户已经听过了的音乐。但是，这些软件有一个缺点是用户很难完全满足，因为他们仅仅使用项作为依据去推荐音乐。 Bux，韩国的音乐网站根据年龄向用户推荐音乐，时间和主题[8]。美国一个网站基于用户收集的配置文件向用户推荐想听的音乐]。协同过滤，内容等技术基于推荐和混合方法的结合

两种方法被认为是主流推荐系统。很长一段时间[10-12]。在[13]中，考虑到音乐推荐系统

在家庭网络上的情况。在论文中，a用户想要的音乐可以反映出来基于XML的用户趋势和情境信息，从而形成基于内容的推荐技术。 Korpipaa等提出了一种基于推荐算法模糊贝叶斯网络[14]。音乐重播设备可以感知人体热量，但这个设备不是音乐推荐者，因为它只有感知到某人的时候，它才会播放音乐 [15]。如上所述，以前的音乐推荐常常基于互联网上的个人倾向和个人电脑环境。主要因素是用户个人倾向的听音乐频率，除了这一项，周围环境、性别，年龄，天气，季节等信息都需要考虑在内。存在某种音乐设备，仅检测到传感器时进行播放和重放操作，但是这些设备不能被视为音乐的推荐设备。我们研究音乐推荐系统是针对在短时间内许多人来的公共场所，我们的音乐推荐系统使用传感器网络的概念。据我们所知，推荐系统是被认为是公众地方的第一个音乐推荐者。

3.提出的音乐推荐系统

3.1架构

本节介绍自适应的体系结构，基于传感器网络的音乐推荐系统。拟议的架构如图1所示，如图所示，建议的系统由传感器模块，接收器模块，主机模块推荐和播放音乐，音乐数据库管理模块和远程控制模块。一个传感器节点将感测到的信息发送到汇聚节点使用RF通信作为人的运动检测。汇聚节点收集信息，从传感器节点发送，并将其发送到主机电脑。主计算机从接收器收到的信息计算人们总数，然后选择最符合音乐的音乐数据库，这考虑到人数，季节，时间和天气。

稍后将解释算法的细节。该算法每个模块的定义如下。

传感器模块：传感器安装在人们经常来来往往的位置；这个模块是用于感应人，并且每个都附有RF设备传感器。

◦接收器模块：接收器模块是a之间的接口传感器和主机。也就是说，接收器模块收集从传感器节点收到的信息，并将其传输到主机。

◦主机：此模块从传感器节点收到的信息计算人们的数量。并从最适合的音乐数据库中选择音乐，这就要考虑到人数的现状，季节，天气和时间。

◦音乐数据库：此模块包含a的音乐各种类型，音乐具有以下属性：人数，季节，天气和时间。

◦远程控制：此模块监视状态主机，使用PDA等手持设备，具有操纵主计算机的各种操作。

该模块使用RF通信等接口和无线网络。图2简要地显示了关于该操作的操作流程，提出音乐推荐系统。如果没有安装传感器的地方不要播放音乐。在这个系统中，根据传感器可以部署多个地方应用领域。从中感受到的人的信息传感器使用RF传输到汇聚节点通信，然后汇聚节点发送收集到主机的信息。主人计算机计算公众的人口密度，根据每个传感器收集的人数来确定。人的密度由值表示在0和1之间，它表示密度约为单位时间给定的地方来来往往的人数总和。值越接近1，密度越大人更多。

提出系统使用单位时间密度，季节，时间和天气作为参数，为了从音乐数据库中选择最好的音乐，从而满足当前的情况。我们将一个时期定义为m和单位时间为t。为了增加人数的准确性，拟议的系统收以单位时间间隔内收集m / t次信息。它还使用平均值计算人口密度在一段时间内收集的数据的标准差。每个音乐数据库中的音乐项目如下：属性：音乐的文件名和标题，季节，时间，和人的密度。在本文中，我们假设音乐系统中每个音乐项目属性的数据库已由专业音乐艺术家提供。

图2显示了播放a的流程图拟议系统中的音乐。如图所示，目前的人口密度与之前相比。如果两个值彼此相等，则为当前值的音乐是连续播放的，否则就是根据当前的情况等参数选择音乐。播放音乐时，音乐播放必须保持一定的时间，以尽量减少由于人的密度而检索数据库的频度。

3.2算法

3.2.1人的密度

有效地计算人们密度是非常重要，因为推荐系统是使用在一个人们经常来来往往的地方。这篇报告考虑两种情况来计算人的密度。首先，我们考虑所有传感器的情况，彼此独立部署。在这种情况下，从每个人收集的人数的总和，传感器是传感器的总人数，独立于另一个传感器。其次，我们考虑一个存在依赖关系的情况传感器。例如，如果有两个带有a的传感器

依赖性和已经通过传感器检测到的人数，通过另一个传感器，总人数将被计算两次。

设S是关于收集人数的集合，其数据来自每个传感器节点。如果我们有n个传感器，那么集合S就是表示为{s1，s2，...，sn}。其中，si表示人们从第i个传感器接收了一个单位时间的人数。我们首先考虑一下所有传感器的情况，彼此独立。然后，总人数可以通过等式1来计算，等式1除以总数总和，因为传感器无法识别出一个人是正在来还是正在去。

我们接下来考虑存在的传感器之间的依赖情况，例如，我们假高速公路休息处设有休息室和餐厅有两个传感器。 在这种情况下，有些人可以停下来先访问休息室后的餐厅，还有一些

人们可以用另一种方式做到这一点。 因为一个人是在这种情况下由两个传感器感测到，等式1不能直接申请。 本文使用贝叶斯算法解决这个问题的网络推理依赖。 贝叶斯网络由具有多个节点的非循环图（DAG）定向组成[16]。 在DAG中node表示事件的状态，link表示a依赖关系。 如果存在从节点x到的链接节点y，x称为y的父节点，y取决于x。

贝叶斯网络基于概率。 要是我们将随机变量定义为{x1，x2，...，xn}，关节，概率可以通过等式2 [17]计算。

如果传感器之间存在依赖关系，则等式1应用2来计算总人数。传感器之间的依赖关系取决于拟议系统的应用领域。如上所述，让S成为人数的集合，从位于不同位置的传感器收集，并且让E成为表示依赖关系的链接集之间的节点。 以下示例显示了一种情况，其中有五个传感器，有两个传感器之间的依赖关系 S中的元素对应到一个节点。

在示例中，s4和s5依赖于s2和s3，分别和其他人相互独立。 如果传感器之间没有依赖关系，总人数可以通过等式1计算。但是，因为这个例子有两个依赖，lt;s2，s4gt;和lt;s3，s5gt;，

必须考虑总人数，两个条件概率如下：lt;s2的P（s4 | s2），对于lt;s3，s5gt;，s4gt;和P（s5 | s3）。在这种情况下 等式3显示了一个表达式以计算总人数。

本文中使用的传感器仅检测到几个同时将它传递到一起的时间。而且，因为考虑到每单位时间感测到的信息，而忽略前后信息。我们现在将解释如何计算总数。

人们考虑这个问题。推荐系统收集的人数来自所有传感器的人每天重复m / t次所得到的结果。 m可以选择为可被t整除的整数。以下算法计算总数，人们考虑上面解释的所有情况。

设T_person是一段时间在上述算法中计算的总人数。 本文使用的人口密度而不是人数。 为了计算人的密度，我们将max_person定义为最大人数。 max_person取决于应用程序区域，可以由系统管理员设置。 设P_density为人的密度。 该值可以通过以下方式计算。

表1显示了人数密度分布。 这张表可以根据应用领域而变化。 人的密度值介于0和1之间，且越多值越接近1，人数增加的越多。

3.2.2场景信息和音乐数据库

在本文中，人的密度是非常重要的向用户推荐音乐的参数，以及几个季节，天气和时间等参数。季节和时间可以由主人直接获得没有其他设备帮助的计算机。该季节分为春季（3月〜5月），夏季（6月〜8月），秋季（9月〜11月），冬季（12月〜次年2月）。时间分为上午（6：00~12：00），下午（12：00~18：00），晚上（18：00~24：00），和午夜（24：00~6：00）。时间可以分为根据周围环境细节更多细节。该天气可以通过天气预报直接获得。我们的音乐数据库的结构包括音乐文件名，季节，时间，天气和等字段人的密度。 “音乐文件名”字段表示包含真实音乐的文件名的存储路径，尤其是MP3文件。 “季节”领域包括适合这种音乐的信息，如春天，夏天，秋天和冬天。以同样的方式， “时间”和“天气”包括适合这种音乐的当前时间和天气的信息。人的密度由0到1之间的值表示。如果是这样，值为1，表示最大密度。我们认为我们音乐数据库中的已经存在的相关数据由音乐艺术家提供。

音乐数据库使用这些参数，并播放最符合他们的音乐。 例如，让我们考虑一下以下情况：人口密度（0.4），日期和时间（21/05 / 2006,18：30）和天气。 然后，我们的音乐推荐器基于以下参数的集合搜索音乐数据库，（密度，季节，时间，天气）=（0.4，五月，18：30，罚款），并用这些参数选择具有类似信息的音乐项目。 最后，最好的匹配音乐了，然后选择播放这些音乐项目。

3.2.3播放音乐的算法

程序Music_Paly_Based_on_Sensor

// m表示句点，t表示单位时间。

1.初始化主机之间的通信环境和汇集节点。

2.根据当前情况选择并播放音乐。

3.等到传感器运转。

4. while（1）{

5.单位= 0;

6.初始化计时器。

7.做{

8.如果（感觉到一个人）{

9. if（音乐播放器未被操作）{

10.防止音乐播放器播放音乐。

11.播放最符合当前情况的音乐。 }

12.其他{

13. if（计时器的值等于单位时间）{

14.节省感知的人数。

15.初始化计时器。 }

16.单位=单位 1; }

17.其他{

18.如果没有感应值，请减少计时器

资料编号：[3993]