如何评估人性化的音乐混排算法？

问题描述

假设我们有一个歌曲列表，比如说100首歌曲，我们需要对其进行随机播放，以便获得对人类来说随机的歌曲（播放列表）的顺序。>

动机示例：-https://engineering.atspotify.com/2014/02/28/how-to-shuffle-songs/

        Basically we want more humanized random shuffling algorithm

现在，假设我有一个算法可以执行此智能混洗（根据我的想法），现在我要评估我的算法。 如何评估我的算法？

我可以想到的算法和评估方法的详细说明。

所以我们需要评估我们的伪随机（伪，因为我的算法不是纯随机的，它构成对人类看起来随机的播放列表）算法的性能如何？因此，例如：

                    p1 :- m1 m2 m2 m1 m3 m4 m5 m6 m6 
                    p2 :- m1 m2 m3 m4 m2 m5 m6 m1 m2
                    
                    so p1 is bad (should have low score on our evalutaion matrix) because it 
                    does not look random to human
                        and
                    p2 is relatively better

我认为需要评估的功能

最好是均匀分布的（http://www.randomwalking.com/cms/cmsfiles/mp3_shuffle.pdf）：因此，如果我们不允许重复播放，那么我们就不需要它，这意味着我们将拥有n首歌曲，而播放列表恰好包含n首歌曲，每首歌曲恰好包含一次但是我们允许播放列表的大小为m（> n），那么我们需要解决播放列表中同一首歌曲的位置之间的平均差应接近n / m;
自相关测试（http://www.randomwalking.com/cms/cmsfiles/mp3_shuffle.pdf）：播放列表不应该相互关联，这意味着后50首歌曲是否与前50首歌曲相关那么我们的算法就不理想了，因为它应该是随机的。
质量评估（最重要）：-您的算法有多少随机性（根据人类而定）？

我可以提出的解决方案：-

均匀分布（https://www.eg.bucknell.edu/~xmeng/Course/CS6337/Note/master/node43.html）：-我们可以使用卡方检验的变化形式
```
             x[i] = (  abs(( o[i] - e[i] )) / e[i]] );
```
自相关（https://machinelearningmastery.com/gentle-introduction-autocorrelation-partial-autocorrelation/）测试：-我们可以使用自相关和部分自相关
质量评估：-到现在为止我还不知道该怎么做？而我主要需要对此的建议。

我能想到的最佳解决方案是：-
因此我们将列出100首歌曲，并使用算法对其进行洗牌，然后要求用户以1-10的比例对其进行判断

Imp：-用户将根据他/她感知的随机性，而不是根据他/她对播放列表中的歌曲的喜欢程度来判断

ex：使用算法改组后的列表-l1

我听了全部100首歌，每10首歌后，我会以1-10的评分对之前的10首歌进行评分

设为：-5 8 2 6 4 7 8 5 8 9

然后我们可以取其平均值并获得播放列表的总体评分

所以，如果你们可以帮助我进行质量评估的方法，那将非常有帮助。

如果您有更多的功能可以尝试评估算法，或者可以使用更好的方法进行相关性和均匀分布测试，请告诉我们。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

evaluation humanize playlist random shuffle

如何评估人性化的音乐混排算法？

问题描述

解决方法

相关问答