机器学习算法及其应用

吴梅梅（1980—），工学博士，中国传媒大学数据科学与智能媒体学院副教授，硕士生导师。长期致力于大数据分析、机器学习算法及网络新媒体技术研究。近年来主持并参与了多项和省部级研究课题，发表过多篇SCI、EI论文，并拥有多项发明专利。

前言
第１章 机器学习简介１
　１.１ 机器学习的概念１
　１.２ 机器学习的发展２
　１.３ 机器学习的研究现状３
１.３.１ 传统机器学习的研究现状４
１.３.２ 大数据环境下机器学习的研究现状５
　１.４ 机器学习的分类５
　　１.４.１ 有监督学习６
　　１.４.２ 无监督学习７
１.４.３ 半监督学习８
１.４.４ 强化学习９
　１.５ 本章小结１１
第２章 音乐、数字音乐与网络音乐１２
　２.１ 音乐的艺术形式１２
　２.２ 音乐的产生及发展１４
　２.３ 音乐的要素１５
　２.４ 音乐的存储与表示１７
２.４.１ 数字音乐及其特点１７
２.４.２ 数字音乐文件的特点和格式１９
　２.５ 网络音乐的发展２０
　２.６ 网络音乐的特征２２
　２.７ 本章小结 ２３
第３章 网络音乐的分类与推荐基础 ２４
　３.１ 基于内容的音乐信息检索２４
３.１.１ 音高与旋律２５
３.１.２ 音乐节奏２６
　　３.１.３　音乐和声 ２８
　３.２　音乐的分类 ２９
　　３.２.１　按表达方式分类 ３０
　　３.２.２　按旋律风格分类 ３１
　　３.２.３　从音乐的历史角度分类 ３２
　　３.２.４　按音乐流派分类 ３６
　３.３　网络音乐的自动分类 ４０
　３.４　网络音乐推荐算法综述 ４２
　３.５　本章小结 ４４
第４章　机器学习中的分类与推荐算法 ４５
　４.１　朴素贝叶斯 ４５
　４.２　决策树 ４７
　４.３　ｋ￣近邻 ５０
　４.４　支持向量机 ５１
　４.５　人工神经网络 ５３
　４.６　基于内容的推荐 ５７
　４.７　协同过滤推荐 ６０
　４.８　基于马尔可夫模型的推荐 ６２
　４.９　混合推荐６４
　４.１０　推荐算法评价 ６４
　４.１１　本章小结 ６６
第５章　基于支持向量机的音乐流派分类 ６7
　５.１　音乐的数字描述 ６８
　５.２　特征提取 ７０
　　５.２.１　数据预处理 ７１
　　５.２.２　声学特征量 ７２
　５.３　特征选择７７
　　５.３.１　ＲｅｌｉｅｆＦ７８
５.３.２　顺序前进法７９
５.３.３　ＲｅｌｉｅｆＦ与ＳＦＳ相结合的特征选择算法80
　５.４　ＳＶＭ分类器８１
５.４.１　线性可分支持向量机８２
５.４.２　线性支持向量机８３
５.４.３　非线性支持向量机８５
５.４.４　数值求解８７
５.４.５　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类实现８８
　５.５　实验结果与分析８８
　　５.５.１　实验工具８８
　　５.５.２　数据集８９
　　５.５.３　评价标准及验证方法８９
　　５.５.４　实验方法８９
　　５.５.５　实验结果及分析９０
　５.６　可扩展性分析９４
　５.７　本章小结９５
第６章　基于ｋ-近邻的音乐流派自动推荐分类９６
　６.１　ｋ-近邻算法的理论基础９６
　　６.１.１　ｋ-近邻算法９６
６.１.２　ｋ-近邻算法模型９７
　６.２　算法的实现步骤及复杂度分析９９
　６.３　ＤＷ-ＫＮＮ算法９９
６.３.１　ＫＮＮ算法的改进１００
６.３.２　二次加权ＫＮＮ (ＤＷ-ＫＮＮ)分类算法１０２
　６.４　实验结果与分析１０３
　　６.４.１　实验方法１０３
　　６.４.２　实验结果及分析１０４
　６.５　可扩展性分析１０７
　６.６　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ与ＤＷ-ＫＮＮ的对比１０8
　６.７　本章小结１０８
第７章　基于社交网络与协同过滤的音乐推荐１１０
　７.１　协同过滤推荐算法１１０
　　７.１.１　基于用户的协同过滤推荐算法１１１
　　７.１.２　基于项目的协同过滤推荐算法１１１
　　７.１.３　基于用户与基于项目的协同过滤推荐算法比较１１２
　　７.１.４　协同过滤中存在的问题１１３
　７.２　ＳｉｍＲａｎｋ算法１１３
　　７.２.１　ＳｉｍＲａｎｋ算法思想１１４ 　　
　　７.２.２　ＳｉｍＲａｎｋ算法流程１１５ 　
７.３　社交网络的形成机制与表示方法１１６ 　　
７.４　构建用户的信任集合进行推荐１１６
７.５　实验结果及分析１１８ 　
　　７.５.１　数据获取和数据集１１８ 　　
　　７.５.２　评价指标１１９ 　
　　７.５.３　实验结果分析１２０ 　
７.６　本章小结１２１ 　
第８章　基于用户即时兴趣的音乐推荐９６
　８.１　相关研究１２２
　８.２　马尔可夫模型理论基础１２３
　８.３　基于用户即时行为的改进一阶马尔可夫音乐推荐模型１２４
　　８.３.１　问题描述１２４
　　８.３.２　指数衰减１２５
　　８．３．３　指数衰减的马尔可夫模型１２５
　　８.３.４　协同过滤的一阶马尔可夫推荐１２６
　８.４　实验结果与分析１２９
　８.５　可扩展性分析１３１
　８.６　本章小结１３１
附录１３２
　附录Ａ　ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类参考代码１３２
　附录Ｂ　ＤＷ-ＫＮＮ算法参考代码１３４
　附录Ｃ　各分类算法的比较参考代码１４０
参考文献 １４５

机器学习(ＭａｃｈｉｎｅＬｅａｒｎｉｎｇＭＬ)是一门多领域交叉学科，涉及概率论、统计学、逼近论凸分析和算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。
网络音乐现在已成为仅次于即时通信、搜索引擎的第三大互联网应用。随着数字音乐内容的迅速增长以及人们对音乐鉴赏需求的增强，音乐信息的分类检索受到了越来越多的关注，人工分类标注已经远远跟不上网络数据的更新速度，无法满足互联网对海量音乐数据存储、传输、欣赏、研究的新要求，越来越庞大的数字音乐数据库需要智能化的分类管理和存储，音乐分类系统受到了广大网民和有关从业人员越来越广泛的关注。面对网络音乐资源的爆炸式增长，如何从海量数字音乐资源中准确、高效地为用户推送其感兴趣的高质量音乐内容，并为其构建满足个人喜好的播放列表已成为国内外学术界关注的热点问题。音乐分类系统和个性化音乐推荐系统已经逐渐成为理论研究和实际应用的一个新热点。
将机器学习算法应用于网络音乐自动分类，不仅可以节省大量的人力和物力，而且不会由于人的主观因素造成分类不准确的情况，从而提高分类的准确率。将机器学习算法应用于音乐推荐，可以使用户从海量的网络音乐中快速找到自己感兴趣的音乐，并且有着不错的准确率和召回率。
本书主要可以分为两大部分：第１部分( 第1～4章)为基础部分，第2部分(第５～８章)为应用部分，各章主要内容如下：
第1章机器学习简介。介绍了机器学习的概念、机器学习的发展及研究现状；机器学习的分类，并从学习方式的维度将机器学习分为有监督学习、无监督学习、半监督学习和强化学习４类，介绍了各类的特点、适用问题以及学习过程；最后列举了常用的机器学习算法。
第２章音乐、数字音乐与网络音乐。介绍了音乐的艺术形式、产生、发展及音乐的要素，数字音乐的存储与表示，网络音乐的发展与特征。
第３章网络音乐的分类与推荐基础。介绍了音乐信息检索的几大要素，音乐不同维度的分类方式，网络音乐自动分类与推荐的研究现状。
第４章机器学习中的分类与推荐算法。介绍了机器学习中的分类算法，主要包括朴素贝叶斯、决策树、K-近邻、支持向量机和人工神经网络，具体介绍了每种算法的概念、原理及学习过程，介绍了机器学习中的推荐方法，包括基于内容的推荐、协同过滤推荐、基于马尔可夫模型的推荐和混合推荐，具体介绍了每种推荐方法的原理及优缺点，以及推荐算法评价指标。
第５章基于支持向量机的音乐流派分类，提出了一种基于ＳＶＭ分类器的音乐流派自动分类方法。该方法在特征选择的过程中将过滤式特征选择(Relif F) 法和封装式特征选择(ＳＦＳ) 算法两种算法结合在一起，结合ＳＶＭ分类器进行音乐流派分类，可以获得较高的分类准确率以及计算效率。
第６章基于K-近邻的音乐流派自动分类，提出了一种DW-KNN算法进行音乐流派自动分类。该算法在传统ＫＮＮ算法上进行了两方面的改进，可以有效地解决传统ＫＮＮ算法在分类过程中忽略属性与类别的相关程度的问题，以及在类别判断过程中只考虑近邻样本的个数而忽略了近邻样本与待分类样本之间存在的相似性差异的问题。
第７章基于社交网络与协同过滤的推荐算法，提出了一种将社交网络与协同过滤相结合的音乐推荐算法，该算法将社交网络中社交关系属性融入了推荐系统中，弥补了传统的协同过滤中没有考虑社交属性的缺陷，可以有效缓解无历史行为数据用户的冷启动问题。
第８章基于用户即时兴趣的推荐算法，提出了一种基于用户即时兴趣的歌曲推荐算法，该算法基于用户的即时行为进行在线推荐，将一阶马尔可夫模型与协同过滤推荐思想相结合，构造歌曲间的转移概率矩阵用于生成推荐，同时考虑了时间因素对推荐结果的影响。
最后，值此书稿完成之际谨向所有给予我帮助的朋友和家人表示衷心的感谢!感谢机械工业出版社为本书付出不懈努力的工作人员和相关人士，是你们的专业使得本书顺利出版!感谢朋友们提供无私的支持和帮助，与你们的探讨与交流总是不断地给我启发和激励!感谢家人对我的支持、理解、包容和鼓励，你们无私的爱给予我最大的支持和动力!最后特别感谢我的女儿暄暄，感谢你在妈妈整天埋头写书没有太多时间陪伴你的情况下，仍然最爱妈妈。宝贝，妈妈也最爱你!
吴梅梅