LSTM-RPA：一种简单而有效的音乐流行度长序列预测算法
信息检索
2021-11-01 v1 人工智能
多媒体
声音
社会与信息网络
音频与语音处理
摘要
关于音乐历史的大数据包含时间和用户行为的信息。研究人员可通过分析这些数据准确预测热门歌曲的趋势。传统的趋势预测模型在短期趋势预测上优于长期趋势预测。本文提出改进的 LSTM 滚动预测算法（LSTM-RPA），其将 LSTM 历史输入与当前预测结果结合作为下一时刻预测的模型输入。同时，该算法将长期趋势预测任务转化为多个短期趋势预测任务。评估结果表明，与 LSTM、BiLSTM、GRU 和 RNN 相比，LSTM-RPA 模型的 F 值分别提升了 13.03%、16.74%、11.91%、18.52%。并且我们的方法在 F 值上优于传统序列模型 ARIMA 和 SMA，分别提升 10.67% 和 3.43%。代码：https://github.com/maliaosaide/lstm-rpa
引用
@article{arxiv.2110.15790,
title = {LSTM-RPA: A Simple but Effective Long Sequence Prediction Algorithm for Music Popularity Prediction},
author = {Kun Li and Meng Li and Yanling Li and Min Lin},
journal= {arXiv preprint arXiv:2110.15790},
year = {2021}
}