基于在线协同主题模型的音乐推荐系统的设计与实现

发布时间：2021-03-12 10:14

　　在大数据时代,面对在线音乐种类丰富、曲库更新很快而用户经常难以用具体的关键词描述自己对音乐的需求的情况,音乐门户网站的用户对音乐推荐系统的依赖越来越大。一个好的音乐推荐系统能够极大的提高用户的忠实度,有助于音乐网站和APP占领市场。由于算法原理所限,传统的离线推荐系统大多数从静态数据构建初始模型,然后随着新的数据块到来必须每隔一段时间在所有历史数据上重新训练模型,导致巨大计算资源消耗的同时也无法捕捉用户最近的兴趣变化,让其无法得到最新的推荐结果。随着音乐平台交互数据的产生速度越来越快,离线推荐算法的问题越来越突出,它们的效果已经比不上简单的在线算法。本文设计并实现了一个能够推荐与播放音乐、实时统计与监控音乐流行趋势的系统,利用Flume与Kafka实时收集用户行为日志,用Spark Streaming与Redis实时维护统计音乐在时间窗口内播放量、音乐日播放用户数与用户个人听歌次数等重要统计量,能够高效支持查询,可以监控音乐流行趋势变化。本文的推荐引擎模块用Spark Streaming实现了数据流上的增量矩阵分解算法、在线协同主题建模推荐算法和改进的基于物品协同过滤并应用于系统中,以... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

基于物品（左）与基于用户（右）的的协同过滤（2）直接混合：多个模型的推荐结果分别单独展示，用户根据自己的喜好选择

隐狄利克雷分配的生成模型

协同主题模型的生成模型

【参考文献】：
期刊论文
[1]基于Spark的推荐系统的设计与实现[J]. 李星,李涛.  计算机技术与发展. 2018(10)

硕士论文
[1]基于Spark的实时推荐系统的研究与设计[D]. 陈恩杰.西安科技大学 2018
[2]音乐推荐系统的混合推荐方法研究[D]. 吴远安.电子科技大学 2018
[3]个性化音乐推荐系统的设计与实现[D]. 艾笔.电子科技大学 2018
[4]面向推荐的大数据计算与存储平台设计与实现[D]. 李琛轩.哈尔滨工业大学 2016



本文编号：3078138