王倩

摘 要： 針對在云計(jì)算環(huán)境下海量音樂資源挖掘的定位檢索準(zhǔn)確性不高的問題，對云計(jì)算環(huán)境下海量音樂資源的定位挖掘方法進(jìn)行改進(jìn)設(shè)計(jì)，提出基于自適應(yīng)級聯(lián)檢索控制的海量音樂資源的高精度定位挖掘方法。首先對海量音樂資源庫的數(shù)據(jù)信息按關(guān)鍵詞和音樂類型進(jìn)行語義特征分割和時(shí)間序列狀態(tài)空間重構(gòu)，然后進(jìn)行云計(jì)算環(huán)境下海量音樂資源的自相關(guān)特征提取，以提取的自相關(guān)特征為信息素導(dǎo)引進(jìn)行高精度定位挖掘，采用自適應(yīng)級聯(lián)檢索控制模型進(jìn)行挖掘精度控制。最后進(jìn)行仿真分析，結(jié)果表明，該方法能提高音樂資源的定位挖掘精度，提高資源利用率和檢索的數(shù)據(jù)查準(zhǔn)率。

關(guān)鍵詞： 云計(jì)算環(huán)境； 海量音樂資源； 定位挖掘； 檢索控制

中圖分類號： TN911?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）12?0019?03

Abstract： As the location retrieval accuracy of mining massive music resources in the cloud big data environment is not high， positioning mining method of massive music resources in cloud computing environment is improved， and a high?precision positioning mining method of massive music resources based on adaptive cascade retrieval control is proposed. The semantic feature segmentation and time series state space reconstruction of data information in massive music resource database are conducted according to the key words and music types， and then the self?correlation feature extraction of massive music resources in cloud computing environment is carried out. The extracted self?correlation features are taken as the pheromone guide to make high?precision positioning mining. The adaptive cascade retrieval control model is used to control the mining accuracy. The simulation analysis results show that this method can improve the positioning mining accuracy of music resources， resource utilization and data precision ratio.

Keywords： cloud computing environment； massive music resources； location mining； retrieval control

隨著大數(shù)據(jù)信息技術(shù)和云計(jì)算技術(shù)的發(fā)展，大量的音樂資源通過Deep Web數(shù)據(jù)庫的形式存儲于網(wǎng)絡(luò)空間中，提供給網(wǎng)絡(luò)用戶進(jìn)行有償或者免費(fèi)的下載[1]。對海量音樂資源的高效優(yōu)化管理能提高音樂欣賞用戶的體驗(yàn)，提高對音樂播放軟件的認(rèn)可度，海量音樂資源信息庫是搜集、整理、收藏音樂資源并供人下載和播放的數(shù)據(jù)庫，結(jié)合音樂播放軟件實(shí)現(xiàn)音樂共享和傳播。在云計(jì)算環(huán)境下，需要對海量音樂資源進(jìn)行高精度定位，對云計(jì)算環(huán)境下海量音樂資源進(jìn)行優(yōu)化配置和訪問控制，提高云計(jì)算環(huán)境下海量音樂資源的管理和檢索效率；因此研究音樂資源在云計(jì)算環(huán)境下的高精度定位挖掘方法具有重要意義。

1 海量音樂資源信息預(yù)處理

1.1 音樂資源信息語義特征分割

為了實(shí)現(xiàn)對云計(jì)算環(huán)境下海量音樂資源的高精度定位挖掘，需要進(jìn)行語義特征分割，降低資源定位挖掘的計(jì)算開銷，采用自適應(yīng)特征分割模型進(jìn)行海量音樂資源庫的存儲音樂信息的數(shù)據(jù)特征重構(gòu)和特征分割，去除冗余的信息特征[2?3]。音樂資源存儲區(qū)域按音樂的歌詞的關(guān)鍵詞和音樂類型進(jìn)行語義特征分割。音樂類型的存儲本體特征通過自適應(yīng)均衡分割方法被分為若干個(gè)（K個(gè)）數(shù)據(jù)子集，為云計(jì)算環(huán)境下海量音樂資源的語義特征并查集，滿足：。根據(jù)音樂的播放環(huán)境和流行程度，進(jìn)行資源分布區(qū)間的網(wǎng)格模型構(gòu)建，使得音樂資源存儲的狀態(tài)分布結(jié)構(gòu)滿足，其中且。由此，采用決策樹模型構(gòu)建音樂資源信息檢索和挖掘的特征訪問控制模型。在進(jìn)行音樂資源信息語義特征分割中需要首先創(chuàng)建一個(gè)空節(jié)點(diǎn)root作為根節(jié)點(diǎn)，在匹配節(jié)點(diǎn)的父節(jié)點(diǎn)處創(chuàng)建語義特征分割的分支結(jié)構(gòu)模型[4]，并通過規(guī)則數(shù)據(jù)集匹配的音樂資源的存儲空間，進(jìn)行節(jié)點(diǎn)匹配，搜索節(jié)點(diǎn)為root節(jié)點(diǎn)，以葉節(jié)點(diǎn)B：0.7為起始節(jié)點(diǎn)進(jìn)行語義特征分割。在匹配節(jié)點(diǎn)的父節(jié)點(diǎn)處得到候選數(shù)據(jù)項(xiàng)為： ，以節(jié)點(diǎn)C：0.8中的BC為搜索節(jié)點(diǎn)，得到語義特征分割的自適應(yīng)概率分布為0.7×0.8=0.56，由此構(gòu)建壓縮的UF?tree決策樹模型，實(shí)現(xiàn)對云計(jì)算環(huán)境下的音樂資源信息存儲空間的語義特征分割如下：

式中：表示待匹配本體的關(guān)系模型；為到當(dāng)前數(shù)據(jù)項(xiàng)在TID集的概率分布。云計(jì)算環(huán)境下海量音樂資源庫中的特征空間采樣數(shù)據(jù)集，根據(jù)音樂資源信息語義特征分割結(jié)果，進(jìn)行了分布式特征重構(gòu)分析。

式中，為云計(jì)算環(huán)境下的音樂資源檢索的統(tǒng)計(jì)頻次參量。通過自適應(yīng)級聯(lián)檢索控制，挖掘音樂資源的候選項(xiàng)集和產(chǎn)生頻繁項(xiàng)集，提高對音樂的準(zhǔn)確檢索和定位挖掘能力。具體算法描述如下：

輸入： 音樂資源搜索節(jié)點(diǎn)初始化參數(shù)，音樂資源定位挖掘的概率向量，候選集AllCandidate

輸出：音樂資源挖掘的繁項(xiàng)集和規(guī)則集FrequentItems

（1） group?dependen=new MapReduce framework （Null）；

（2） parallel closed frequent T in DBgid

（3） LocalFPtree.insert_tree（T，LocalFPtree.root，G?List）；

（4） file management item in nowGroup

//閉頻繁項(xiàng)集特征分解

{ Heap HP= Parallel FP?Growth （）；

LocalFPtree.FPGrowth（mining large data.，item， HP）；

//遍歷每條事務(wù)數(shù)據(jù)

Support=0.0f；

Add（candidateItem，F(xiàn)requentItems）

End}

3 實(shí)驗(yàn)測試分析

對海量音樂資源的定位挖掘仿真實(shí)驗(yàn)建立在Hadoop云計(jì)算平臺上。仿真的硬件CPU為Intel? CoreTM i7?2600。采用Matlab仿真工具進(jìn)行數(shù)學(xué)仿真，結(jié)合酷狗、QQ音樂軟件進(jìn)行音樂資源的嵌入式訪問接口設(shè)計(jì)和兼容性數(shù)據(jù)庫存儲，音樂軟件通過100 MB以太網(wǎng)相連在互聯(lián)網(wǎng)中。對音樂資源進(jìn)行語義特征分割的尺度為1.45，音樂資源的數(shù)據(jù)信息流采樣樣本長度為1 024，頻帶2～30 kHz、時(shí)寬3.6 ms，對DeepWeb數(shù)據(jù)庫中的海量音樂資源進(jìn)行信息采樣和挖掘定位仿真。根據(jù)上述實(shí)驗(yàn)環(huán)境設(shè)定，進(jìn)行音樂資源的定位挖掘，以挖掘精度為測試評價(jià)指標(biāo)，進(jìn)行10 000次挖掘?qū)嶒?yàn)，采用不同方法進(jìn)行對比，得到挖掘精度對比結(jié)果如圖2所示。圖3為數(shù)據(jù)查準(zhǔn)率對比。

據(jù)查準(zhǔn)率對比

圖3給出了以酷狗音樂軟件為訪問接口，采用本文設(shè)計(jì)的音樂資源定位挖掘方法和傳統(tǒng)的挖掘方法進(jìn)行音樂資源檢索的查準(zhǔn)率對比。分析上述仿真實(shí)驗(yàn)結(jié)果得知，采用本文方法進(jìn)行云計(jì)算環(huán)境下海量音樂資源的定位挖掘的精度較高，信息檢索的查準(zhǔn)率高于傳統(tǒng)方法，實(shí)現(xiàn)高精度的定位挖掘。

4 結(jié) 語

本文研究了在云計(jì)算環(huán)境下的音樂資源定位挖掘和優(yōu)化檢索問題，提出基于自適應(yīng)級聯(lián)檢索控制的海量音樂資源的高精度定位挖掘方法。并進(jìn)行了實(shí)驗(yàn)對比分析，從結(jié)果可知，采用本文方法對音樂資源進(jìn)行挖掘時(shí)，器挖掘精度較高、檢索性能較好。

參考文獻(xiàn)

[1] 南洋，陳琳.基于客觀權(quán)重確定的數(shù)據(jù)中心網(wǎng)絡(luò)性能評估方法[J].計(jì)算機(jī)應(yīng)用，2015，35（11）：3055?3058.

[2] 汪中才，黎永碧.基于數(shù)據(jù)挖掘的入侵檢測系統(tǒng)研究[J].科技通報(bào)，2012，28（8）：150?152.

[3] KARLSSON J， ROWE W， XU L， et al. Fast missing?data IAA with application to notched spectrum SAR [J]. IEEE transactions on aerospace electronic systems， 2014， 50（2）： 959?971.

[4] BARNICH O， VAN D M. ViBe： a universal background subtraction algorithm for video sequences [J]. IEEE transactions on image processing， 2011， 20（6）： 1709?1724.

[5] MOGHADAM A A， KUMAR M， RADHA H. Common and Innovative visuals： a sparsity modeling framework for video [J]. IEEE transactions on image processing， 2014， 23（9）： 4055?4069.

[6] 曹玖新，陳高君，吳江林，等.基于多維特征分析的社交網(wǎng)絡(luò)意見領(lǐng)袖挖掘[J].電子學(xué)報(bào)，2016，44（4）：898?905.

[7] 劉經(jīng)南，方媛，郭遲，等.位置大數(shù)據(jù)的分析處理研究進(jìn)展[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（4）：379?385.