Random 如何评估人性化的音乐洗牌算法?
假设我们有一个歌曲列表,比如说100首歌曲,我们需要对它们进行洗牌,这样我们就可以得到歌曲的顺序(播放列表),这对人类来说是随机的 激励示例: 现在让我们假设我有一个算法可以进行这种智能洗牌(根据我的说法),现在我想评估我的算法如何评估我的算法? 详细解释我能想到的算法和评估方法。 因此,我们需要评估我们的伪随机(伪随机)算法有多好(因为我的算法不是纯随机的,它形成的播放列表在人类看来是随机的)算法?例如:Random 如何评估人性化的音乐洗牌算法?,random,shuffle,evaluation,playlist,humanize,Random,Shuffle,Evaluation,Playlist,Humanize,假设我们有一个歌曲列表,比如说100首歌曲,我们需要对它们进行洗牌,这样我们就可以得到歌曲的顺序(播放列表),这对人类来说是随机的 激励示例: 现在让我们假设我有一个算法可以进行这种智能洗牌(根据我的说法),现在我想评估我的算法如何评估我的算法? 详细解释我能想到的算法和评估方法。 因此,我们需要评估我们的伪随机(伪随机)算法有多好(因为我的算法不是纯随机的,它形成的播放列表在人类看来是随机的)算法?例如: p1 :- m1 m2 m2 m1 m3 m4
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
我认为我们需要评估的功能
x[i] = ( abs(( o[i] - e[i] )) / e[i]] );
因此,我们将有一个100首歌曲的列表,我们将使用我们的算法对其进行洗牌,然后让用户按1-10的比例进行判断 Imp:-用户将根据他/她感知到的随机性来判断,而不是他/她对播放列表中歌曲的喜爱程度 ex:使用算法-l1洗牌后的列表 我听了所有100首歌,每听10首歌后,我会对前10首歌进行1-10级评分 顺其自然:-5826478589 然后我们可以取它的平均值,得到播放列表的整体评分 所以,如果你们能帮我做质量评估,那将非常有帮助 若你们有更多的特性,我应该尝试评估算法或更好的方法来测试相关性和均匀分布,请告诉我
x[i] = ( abs(( o[i] - e[i] )) / e[i]] );