基于LSTM

深度学习处理文本数据：BERT和LSTM的区别 #生活技巧# #学习技巧# #深度学习技巧#

317会员权益

下载PDF

作者

摘要

大数据背景下的音乐历史数据蕴含丰富的时间信息和用户行为信息，通过分析音乐艺人和听众行为数据，可以较为精准地预测音乐播放量走势，进而预测音乐流行趋势。传统的时间序列预测模型可以准确预测短趋势，但在长趋势预测中受历史信息衰减的影响，难以获得较好的效果。针对LSTM在音乐长趋势预测中历史信息衰减的问题，提出改进的LSTM滚动预测模型，该模型在预测阶段将前一次输入与当前预测结果相结合，使得历史信息可以沿预测趋势方向流动，从而缓解模型在长趋势预测中的历史信息衰减。实验采用“2016中国高校计算机大赛——大数据挑战赛：阿里音乐流行趋势预测”的比赛数据集，并使用比赛主办方提供的F值进行评估。实验结果显示：在相同条件下预测艺人未来30天的每日音乐播放量，最优LSTM滚动预测模型与LSTM、BiLSTM、GRU、RNN相比F值提高13.03%、16.74%、11.91%、18.52%，平均误差减少39.02%、48.55%、36.02%、52.88%；与传统的时间序列预测模型差分整合滑动平均自回归模型相比F值提高10.67%，平均误差降低32.64%。

显示全部

来源

计算机工程与应用
2022年第24期

关键词

1、长趋势预测

2、长短期记忆网络（LSTM）

3、音乐流行趋势预测

4、时间序列

网址：基于LSTM https://klqsh.com/news/view/319452

相关内容

深入解析：NLP实战(5)：基于LSTM的电影评论情感分析模型研究
CNN 与 LSTM 携手赋能服装搭配生成
基于深度学习的中文影评情感分析
基于深度学习的影视影评情感分析
基于注意力机制和混合专家策略的地震初至拾取深度学习方法
传递快乐申请一种基于2D图像的光影渲染方法等专利，彻底解决带宽、延迟、误差、能耗问题
基于NLP的影评情感分析
一种基于知识图谱的税务知识库系统的制作方法
基于情感状态的AI音乐疗愈App设计：舒缓与激励
基于用户个性化生活模式的POI推荐方法

随便看看