王振業(yè)，葉成緒*，王文韜，楊 萍

(1.青海師范大學(xué) 計(jì)算機(jī)學(xué)院，青海 西寧 810008；2.青海師范大學(xué) 地理科學(xué)學(xué)院，青海 西寧 810008)

0 引 言

流行音樂作為當(dāng)下人們文娛消費(fèi)的產(chǎn)品之一，越來越受到人們的關(guān)注。根據(jù)速圖研究院研究報(bào)告指出，2013年到2018年中國(guó)的移動(dòng)音樂市場(chǎng)呈現(xiàn)井噴的模式。在當(dāng)今大數(shù)據(jù)的背景下，眾多的流行音樂聽眾在很大程度上能夠決定流行音樂的發(fā)展趨勢(shì)，這主要體現(xiàn)在眾多聽眾在各大音樂平臺(tái)上的諸如試聽、收藏、下載等行為對(duì)流行音樂的影響，這些影響反映出了聽眾對(duì)相應(yīng)音樂的喜好和偏愛。針對(duì)流行音樂趨勢(shì)的預(yù)測(cè)，可以在海量用戶數(shù)據(jù)的基礎(chǔ)上，對(duì)聽眾的喜好和偏愛進(jìn)行深層次的挖掘和分析來獲得。收集整合各大平臺(tái)的海量曲庫(kù)資源以及用戶行為，從而形成流行音樂大數(shù)據(jù)集，對(duì)該數(shù)據(jù)集進(jìn)行特定屬性的精準(zhǔn)分析，最終可以實(shí)現(xiàn)對(duì)流行音樂趨勢(shì)走向的精準(zhǔn)把控，也實(shí)現(xiàn)了用戶喜好偏愛的聚合決定流行音樂的趨勢(shì)走向。

針對(duì)流行音樂趨勢(shì)走向的預(yù)測(cè)，國(guó)內(nèi)外現(xiàn)在還鮮有研究，2016年阿里舉辦了音樂流行趨勢(shì)預(yù)測(cè)大賽開啟了該研究領(lǐng)域的大門。阿里音樂經(jīng)過將近7年的發(fā)展和沉淀，如今已經(jīng)擁有了將近百萬首的曲庫(kù)資源和數(shù)以億次的用戶試聽、收藏、下載等行為。通過對(duì)歷史用戶行為數(shù)據(jù)的分析，預(yù)測(cè)下一階段某些藝人或歌曲的播放量，從海量的數(shù)據(jù)中挖掘出未來的黑馬歌手，從根本上精準(zhǔn)把控流行音樂的發(fā)展趨勢(shì)，是眾多音樂平臺(tái)的關(guān)注焦點(diǎn)。文中在阿里提供的用戶音樂數(shù)據(jù)2015年3月到2015年8月的歷史播放數(shù)據(jù)上，組合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(long short-term memory，LSTM)和注意力機(jī)制(attention mechanism)方法，構(gòu)建LSTM-Attention預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)2015年9月到2015年10月藝人播放量較為精準(zhǔn)的預(yù)測(cè)。

1 相關(guān)研究

1.1 傳統(tǒng)預(yù)測(cè)方法

對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，傳統(tǒng)的方法包括：支持向量機(jī)(support vector machine，SVM)、BP(back propagation)神經(jīng)網(wǎng)絡(luò)以及循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)等[1]。支持向量機(jī)最早是在20世紀(jì)90年代中期，由Cortes和Vapnik所提出的。當(dāng)樣本規(guī)模較小、維度較高且樣本間呈非線性狀態(tài)時(shí)，SVM能夠充分發(fā)揮其自身優(yōu)勢(shì)來解決這些問題。

以VC(Vapnik-Chervonenkis dimension，VC)維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ)，SVM模型被建立起來[2]。通過有限的數(shù)據(jù)信息，SVM模型以期在模型的復(fù)雜程度和學(xué)習(xí)技巧、方法之間找到最佳平衡點(diǎn)，從而獲得極佳的泛化能力。

SVM的核心思想就是基于訓(xùn)練集在樣本空間中找到一個(gè)超平面將不同類別的樣本分開?；跇颖究臻gE，SVM在尋找超平面時(shí)采用如下的方式來表述：

VTX+a=0

(1)

其中，V=(V1,V2,…,Ve) 為法向量，決定了超平面的方向；a代表位移發(fā)生的程度，SVM所尋求的超平面與(0,0)之間的距離由a所確定。經(jīng)過推導(dǎo)后的SVM基本模型如下：

(2)

s.t.yi(VTX+a)≥1,i=1,2,…,m

SVM本身可以通過決策邊界的邊緣來控制模型的能力[3]，同時(shí)，它在小樣本訓(xùn)練集上能夠得到比其他算法好很多的結(jié)果。相較于其他模型，在對(duì)目標(biāo)進(jìn)行優(yōu)化時(shí)，SVM在確保分類準(zhǔn)確率的基礎(chǔ)上，對(duì)模型的VC維進(jìn)行降維，從而使得模型在整個(gè)樣本數(shù)據(jù)上的期望誤差得到了很好的控制，這種方法使得SVM對(duì)新鮮樣本具有很強(qiáng)的適應(yīng)能力。然而不可忽視的是SVM本身所存在的缺陷：(1)SVM算法無法對(duì)大規(guī)模的樣本進(jìn)行訓(xùn)練；(2)SVM算法對(duì)于解決多分類問題存在困難；(3)SVM算法對(duì)缺失的數(shù)據(jù)敏感，對(duì)參數(shù)和核函數(shù)的選擇也很敏感。近年來有學(xué)者指出，在進(jìn)行大規(guī)模時(shí)間序列預(yù)測(cè)問題上，SVM存在較為嚴(yán)重的過擬合現(xiàn)象。

循環(huán)神經(jīng)網(wǎng)絡(luò)是一類用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。相對(duì)于深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)，RNN的不同之處在于：它不僅考慮前一時(shí)刻的輸入，并且賦予了網(wǎng)絡(luò)對(duì)前面信息的一種“記憶”功能[4]。具體的表現(xiàn)形式為網(wǎng)絡(luò)會(huì)對(duì)前面的信息進(jìn)行記憶并應(yīng)用于當(dāng)前輸出的計(jì)算中，即隱含層之間的節(jié)點(diǎn)不再是無連接的而是有連接，并且包括上一時(shí)刻隱含層的輸出。

RNN結(jié)構(gòu)與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同，其存在記憶效應(yīng)，正是這種記憶使得RNN網(wǎng)絡(luò)可以對(duì)上下文進(jìn)行分析，具體到時(shí)間序列數(shù)據(jù)中，它可以做到對(duì)前后文數(shù)據(jù)的連接。然而，在實(shí)踐中RNN也存在不可避免的缺陷：無法實(shí)現(xiàn)對(duì)較長(zhǎng)序列數(shù)據(jù)的記憶[5]。一個(gè)主要的原因是，RNN在訓(xùn)練中很容易發(fā)生梯度爆炸和梯度消失。文獻(xiàn)[3]指出，利用RNN在進(jìn)行時(shí)間序列數(shù)據(jù)的預(yù)測(cè)時(shí)，極易發(fā)生梯度消失現(xiàn)象，這導(dǎo)致訓(xùn)練時(shí)梯度不能在較長(zhǎng)的序列匯中一直傳遞下去，從而使得RNN無法捕捉到長(zhǎng)距離的影響。

1.2 文中使用的模型

(1)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型。

利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)來進(jìn)行音樂時(shí)序數(shù)據(jù)的相關(guān)預(yù)測(cè)。長(zhǎng)短時(shí)記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)模型是RNN的一種特殊變形，由瑞士人工智能實(shí)驗(yàn)室Hochreiter & Schmidhuber(1997)提出，并在近期由Alex Grave進(jìn)行了改良和推廣[6]。此處主要介紹2000年Gers改進(jìn)后的LSTM算法。在傳統(tǒng)的RNN中，使用反向傳播算法(back propagation through time，BPTT)訓(xùn)練RNN，存在以下問題：(1)網(wǎng)絡(luò)中輸出步長(zhǎng)的梯度計(jì)算不僅取決于當(dāng)前步長(zhǎng)，還依賴于前一或許多步長(zhǎng)的計(jì)算；(2)由于存在長(zhǎng)期的依賴，會(huì)造成梯度消失或梯度爆炸問題[7]。LSTM模型就是在此基礎(chǔ)上被提出的。

LSTM跟RNN最大的不同之處在于，為了判斷網(wǎng)絡(luò)信息流中相應(yīng)的信息是否有用[8]，LSTM網(wǎng)絡(luò)中加入了“處理器”，該處理器的作用就是甄別當(dāng)前輸入和上一時(shí)刻的輸出是否對(duì)接下來的信息修整有用，這個(gè)“處理器”通常被稱為“細(xì)胞”[9]。在LSTM中，每個(gè)“細(xì)胞”中又被放入了三個(gè)“門”，分別是：輸入門、遺忘門和輸出門。正是通過這三個(gè)門，LSTM可以處理相應(yīng)的信息。

(2)注意力機(jī)制。

2014年，在人類視覺注意力機(jī)制的基礎(chǔ)上，Bahdanau等人首次將注意力模型應(yīng)用到了自然語言處理領(lǐng)域。同時(shí)，注意力模型被應(yīng)用到基于神經(jīng)網(wǎng)絡(luò)的機(jī)器翻譯中并取得了當(dāng)時(shí)最好的效果。隨著深度學(xué)習(xí)的發(fā)展，注意力機(jī)制因其優(yōu)異的表現(xiàn)而得到廣泛應(yīng)用，以時(shí)序序列為代表的領(lǐng)域也開始引入注意力機(jī)制進(jìn)行相關(guān)的研究[10]。以文中對(duì)阿里音樂平臺(tái)音樂流行預(yù)測(cè)研究為例，由LSTM層得到相應(yīng)的輸出后，可以對(duì)這些輸出信息進(jìn)行計(jì)算，進(jìn)一步得到相關(guān)信息的注意力概率分布，這為掌握時(shí)序序列中每一時(shí)刻LSTM細(xì)胞單元的輸出狀態(tài)對(duì)預(yù)測(cè)未來歌手歌曲流行趨勢(shì)提供了重要依據(jù)。

(3)LSTM-Attention模型。

LSTM-Attention模型就是在LSTM結(jié)構(gòu)后加上注意力層。雖然LSTM與Attention的組合模型早被用于關(guān)系分類中并取得了較好的效果[11]，但是該組合模型在時(shí)序序列數(shù)據(jù)尤其是公共數(shù)據(jù)中的預(yù)測(cè)研究上還處于不斷探討改進(jìn)的地步。文中利用LSTM與Attention相結(jié)合的機(jī)制，對(duì)阿里云音樂平臺(tái)上的相應(yīng)歌手及歌曲進(jìn)行預(yù)測(cè)研究，利用過往歷史數(shù)據(jù)選取組合“日播放量”、“連續(xù)3天播放均值”2個(gè)維度來預(yù)測(cè)未來60天的歌手歌曲播放量。所采用的整體模型結(jié)構(gòu)如圖1所示。

圖1 所采用的LSTM-Attention模型結(jié)構(gòu)

2 相關(guān)實(shí)驗(yàn)及分析

2.1 樣本數(shù)據(jù)描述

2.1.1 樣本數(shù)據(jù)來源

文中所用到的數(shù)據(jù)集來自于阿里云音樂平臺(tái)[12]。阿里云音樂是阿里巴巴旗下的一個(gè)大型音樂平臺(tái)，該平臺(tái)經(jīng)過多年的發(fā)展積累了大量的用戶以及曲庫(kù)資源，不論是歌手?jǐn)?shù)量還是歌曲種類，該平臺(tái)都在同類平臺(tái)中名列前茅。更重要的是，在平臺(tái)下，存在豐富的用戶行為：上傳歌曲、下載專輯等。無論是豐富的資源還是用戶的活躍程度都對(duì)把握音樂流行趨勢(shì)起到了極其重要的指引作用[13]。

針對(duì)該音樂平臺(tái)下的數(shù)據(jù)信息，平臺(tái)給出的樣例數(shù)據(jù)是兩張表，一張是用戶行為表(時(shí)間跨度為2015.03.01～2015.08.31)p2_mars_tianchi_users_action，該表的作用是對(duì)阿里音樂平臺(tái)下用戶的行為進(jìn)行表征；另一張是歌曲信息表p2_mars_tianchi_songs，該表所表述信息包含：歌手以及相應(yīng)歌曲的相關(guān)信息，如所屬專輯、初始熱度等。

文中所用到的數(shù)據(jù)集p2_mars_tianchi_user_actions.csv和p2_mars_tianchi_songs.csv中涵蓋了(2015.03.01～2015.08.30)共計(jì)6個(gè)月的用戶行為信息和歌曲信息，經(jīng)過對(duì)數(shù)據(jù)集的統(tǒng)計(jì)，其中所包含歌曲的初始播放總熱度(即歷史播放人次)為26 107萬。用戶的播放行為記錄為478萬。

2.1.2 數(shù)據(jù)預(yù)分析及預(yù)處理

數(shù)據(jù)分析包括數(shù)據(jù)質(zhì)量分析和數(shù)據(jù)特征分析等。數(shù)據(jù)質(zhì)量分析是數(shù)據(jù)準(zhǔn)備過程中重要的環(huán)節(jié)，是數(shù)據(jù)預(yù)處理的前提。數(shù)據(jù)質(zhì)量分析主要是檢查原始數(shù)據(jù)中是否存在臟數(shù)據(jù)，包括缺失值、異常值(用戶表出現(xiàn)新歌曲或用戶表行為不在20150301～2010831等)、重復(fù)數(shù)據(jù)以及含有特殊符號(hào)的數(shù)據(jù)。由于數(shù)據(jù)集中存在著大量對(duì)進(jìn)行預(yù)測(cè)無意義的數(shù)據(jù)(比如gmt_create即用戶播放時(shí)間)，因此要考慮刪除。對(duì)原始數(shù)據(jù)集p2_tianchi_user_actions.csv進(jìn)行處理，可得到兩個(gè)文件：一個(gè)是song_p_d_c.txt，該文件包含songs_id、每天的播放量、每天的下載量以及每天的收藏量；另一個(gè)是song_fan.txt，包含songs_id以及每天不同用戶的數(shù)目。同理，利用ifNoArtistTXT()對(duì)artist的songs進(jìn)行整理。

(1)相關(guān)屬性選取。

為了提高預(yù)測(cè)模型的準(zhǔn)確率、效率及降低算法的復(fù)雜度，在進(jìn)行實(shí)驗(yàn)之前需對(duì)數(shù)據(jù)集中的若干個(gè)屬性進(jìn)行選擇，挑選組合能夠決定或者影響到未來歌手歌曲播放量的因素。傳統(tǒng)情況下通常采用維度變化、特征轉(zhuǎn)換等處理來達(dá)到目的[14]。文中要對(duì)阿里云音樂平臺(tái)未來60天歌手歌曲播放量進(jìn)行預(yù)測(cè)，通過相關(guān)先驗(yàn)知識(shí)可知，所用到的數(shù)據(jù)集之間很多屬性間不存在相關(guān)性，例如用戶播放時(shí)長(zhǎng)等。因此，為了降低模型的復(fù)雜度，考慮刪除不相關(guān)屬性。文中利用最大信息系數(shù)方法來尋找各個(gè)屬性間的相關(guān)性。

最大信息系數(shù)(也稱互信息方法)是一種具備廣泛性和公平性的標(biāo)準(zhǔn)，該方法的主要作用是權(quán)衡眾多數(shù)據(jù)中相關(guān)兩個(gè)變量X、Y之間存在的依賴關(guān)系。假設(shè)給定兩個(gè)離散型變量X和Y，定義兩者之間的互信息系數(shù)R(X,Y)計(jì)算方法如下：

(3)

其中，p(x)、p(y)分別為變量X、Y的邊緣概率分布，p(x,y)為兩者的聯(lián)合概率分布。

文中利用以上方法，在刪除不相關(guān)屬性后的數(shù)據(jù)集中計(jì)算以下四個(gè)屬性：播放量、播放均值、播放量方差和播放時(shí)長(zhǎng)，最終選取“日播放量”和“連續(xù)3天播放均值”作為未來歌手歌曲播放量預(yù)測(cè)的組合指標(biāo)。

(2)數(shù)據(jù)預(yù)處理。

在獲取的數(shù)據(jù)集中存在諸如數(shù)據(jù)缺失、臟數(shù)據(jù)以及異常數(shù)據(jù)等不符合要求的數(shù)據(jù)，因此在模型構(gòu)建之前需要對(duì)這些異常數(shù)據(jù)進(jìn)行處理，其處理的步驟如下：

Step1：數(shù)據(jù)缺失值處理。

在獲取的470多萬條數(shù)據(jù)中存在數(shù)據(jù)缺失現(xiàn)象，文中采用均值填補(bǔ)法進(jìn)行數(shù)據(jù)缺失值的填充，具體方法如下：

(4)

其中，Xt代表當(dāng)前時(shí)刻缺失的信息，Xt-1代表前一時(shí)刻的信息，Xt+1代表后一時(shí)刻的信息。

Step2：數(shù)據(jù)平滑。

數(shù)據(jù)平滑的目的是將數(shù)據(jù)集相關(guān)屬性中存在的偏度較大的數(shù)據(jù)進(jìn)行轉(zhuǎn)化，使其更加服從高斯分布，為取得較好的后續(xù)分類結(jié)果奠定基礎(chǔ)。文中利用最小二乘法對(duì)數(shù)據(jù)進(jìn)行平滑；

Step3：數(shù)據(jù)歸一化。

在利用深度學(xué)習(xí)方法尤其是神經(jīng)網(wǎng)絡(luò)進(jìn)行模型構(gòu)建時(shí)，數(shù)據(jù)集中數(shù)值越大的數(shù)據(jù)對(duì)模型的影響比重越高，這就導(dǎo)致無形中可能丟失那些數(shù)值較小的數(shù)值屬性。因此要對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行歸一化處理，文中利用最小最大標(biāo)準(zhǔn)化(Min-Max標(biāo)準(zhǔn)化)方法將數(shù)據(jù)歸一化到[0,1]：

(5)

其中，X'表示歸一化完成后的數(shù)據(jù)，X表示原始數(shù)據(jù)，Xmax和Xmin分別表示原始數(shù)據(jù)中的最大值和最小值。

經(jīng)過上述數(shù)據(jù)預(yù)處理后，數(shù)據(jù)集大致的格式如表1所示。

表1 經(jīng)預(yù)處理后的數(shù)據(jù)內(nèi)容

2.1.3 數(shù)據(jù)預(yù)分析及預(yù)處理

文中的最終目標(biāo)是預(yù)測(cè)相應(yīng)歌手歌曲的播放量，因此在進(jìn)行數(shù)據(jù)集的處理時(shí)應(yīng)定位到歌手歌曲播放量這一屬性。針對(duì)數(shù)據(jù)集給出的2015.03.01～2015.08.30這六個(gè)月數(shù)據(jù)，統(tǒng)計(jì)并制作歌手歌曲播放量的變化趨勢(shì)圖，選取組合日播放量、連續(xù)3天播放均值，作為某一時(shí)間點(diǎn)的樣本值，“滑動(dòng)”構(gòu)建神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。其模型參數(shù)設(shè)置如下：

(1)輸入節(jié)點(diǎn)數(shù)=2；

(2)輸出節(jié)點(diǎn)數(shù)=1；

(3)傳播步長(zhǎng)=64；

(4)隱含層節(jié)點(diǎn)個(gè)數(shù)=128；

(5)激活函數(shù)=ReLU；

(6)正則優(yōu)化(Dropout丟棄比例)=0.3；

(7)學(xué)習(xí)率=0.001。

2.2 實(shí)驗(yàn)結(jié)果

圖2所示為任意一名歌手過去六個(gè)月內(nèi)歌曲的平均播放、下載和收藏量。從中可以看出，某位歌手的歌曲播放量、收藏量及下載量三者中，最適合用來預(yù)測(cè)未來某段時(shí)間內(nèi)某位歌手是否能流行起來的是播放量。

圖2 歌手歌曲的平均播放、下載和收藏量

針對(duì)所有歌手的歌曲播放數(shù)據(jù)，進(jìn)行去均值、方差歸一以及縮放到[-1,1]，同時(shí)設(shè)置均值濾波的長(zhǎng)度為aveFilter=4。利用原始的播放量進(jìn)行預(yù)測(cè)，能夠得到如圖3所示的預(yù)測(cè)曲線。從圖3可以看出，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)測(cè)所得的結(jié)果中，在某些歌手的預(yù)測(cè)上存在偏差。

圖3 歌手歌曲預(yù)測(cè)播放量和真實(shí)播放量比對(duì)

圖4為利用歌手平均歌曲播放量預(yù)測(cè)未來60天歌手歌曲播放量的實(shí)驗(yàn)結(jié)果(為縮放后的結(jié)果)。由圖4可以看出，使用平均歌曲播放量進(jìn)行預(yù)測(cè)的結(jié)果要比使用原始歌曲播放量進(jìn)行預(yù)測(cè)的效果好，預(yù)測(cè)結(jié)果基本和未來60天歌手的真實(shí)歌曲播放量吻合。

圖4 利用平均播放數(shù)據(jù)進(jìn)行預(yù)測(cè)后歌手歌曲預(yù)測(cè)播放量和真實(shí)播放量比對(duì)

對(duì)比其他預(yù)測(cè)方法時(shí)，利用了RMSE、MAE，其具體的計(jì)算方法如下：

(6)

(7)

文中實(shí)驗(yàn)在數(shù)據(jù)集中任意選取10名藝人，分別利用SVM、LSTM以及文中用到的LSTM-Attention算法預(yù)測(cè)2015年8月1日到2015年8月31日藝人歌曲播放量，預(yù)測(cè)結(jié)果—均方根誤差、平均絕對(duì)誤差如圖5和圖6所示。

圖5 三種模型在RMSE指標(biāo)上的比對(duì)

圖6 三種模型在MAE指標(biāo)上的比對(duì)

由圖5和圖6可以看出，在對(duì)10名藝人的歌曲播放量預(yù)測(cè)中，文中提出的預(yù)測(cè)模型在預(yù)測(cè)效果(RMSE、MAE指標(biāo))上，相比于傳統(tǒng)方法中的LSTM以及SVM，分別由原來的0.073、0.046降低到0.046、0.033，誤差率分別降低了36.8%和28.3%。證明文中所提出的模型更適合對(duì)音樂流行趨勢(shì)進(jìn)行預(yù)測(cè)。圖7顯示的是不同的模型參數(shù)的RMSE、MAE兩個(gè)指標(biāo)的影響程度，不難發(fā)現(xiàn)，在一定范圍內(nèi)隨著模型層數(shù)的增加，兩個(gè)指標(biāo)都在下降，但是超過一定的范圍后，又呈上升趨勢(shì)。文中模型所采用的層數(shù)為5層。

圖7 不同預(yù)測(cè)模型層數(shù)對(duì)RMSE和MAE的影響

表2為模型中隱層單元個(gè)數(shù)以及學(xué)習(xí)率兩個(gè)參數(shù)對(duì)結(jié)果的影響，主要體現(xiàn)在訓(xùn)練集以及測(cè)試集的均方根誤差和平均絕對(duì)誤差兩個(gè)指標(biāo)中。可以看出，隱層單元個(gè)數(shù)為64，學(xué)習(xí)率為0.001時(shí)，所得實(shí)驗(yàn)結(jié)果優(yōu)于其他參數(shù)組合。

表2 不同參數(shù)對(duì)模型結(jié)果的影響

3 結(jié)束語

提出了一種基于LSTM-Attention的音樂流行趨勢(shì)預(yù)測(cè)模型，即根據(jù)過往歌手歌曲的均值播放量來預(yù)測(cè)未來一段時(shí)間內(nèi)某位歌手的歌曲能否流行起來。利用阿里云音樂上的音樂數(shù)據(jù)評(píng)估了該模型，預(yù)測(cè)結(jié)果超過了利用傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行的預(yù)測(cè)，證實(shí)了LSTM-Attention模型更適合于處理時(shí)間序列數(shù)據(jù)。

未來，在該研究的基礎(chǔ)上還可以進(jìn)行以下工作：文中采用的是基于LSTM-Attention模型的預(yù)測(cè)方法，接下來可以嘗試采用CNN-LSTM-ResNet的方法進(jìn)行相關(guān)數(shù)據(jù)的預(yù)測(cè)，因此后續(xù)工作中也可以嘗試單模型組合，以期提升預(yù)測(cè)效果；文中在進(jìn)行相應(yīng)特征選擇時(shí)，影響藝人歌曲播放量的因素考慮略有不足，使得預(yù)測(cè)結(jié)果略差，因此后期可進(jìn)一步挖掘出對(duì)藝人歌曲播放量有影響的其他特征。