基于双层注意力机制的音乐推荐研究
发布时间：2021-04-20 21:37
大数据时代,互联网上飞速增长的信息加重了“信息过载”的现象,推荐系统可以通过分析用户过往的行为特征和兴趣偏好为用户建立个性化的兴趣模型,在此基础上帮助用户快速准确地查找到信息,近些年来正发挥越来越重要的作用。音乐是人类表达情感的一种重要方式,是寄托生活情感的一种艺术。现代社会人们更倾向于将收听音乐作为日常的一种休闲娱乐方式。在音乐领域适合引入推荐系统,精准的音乐推荐既可以提升用户体验,又可以为音乐网站带来流量从而更好地创造商业价值,因此契合用户口味的个性化音乐推荐变得越来越重要。常见的音乐推荐系统主要方法有:基于内容的推荐、基于协同过滤的推荐、基于混合方法的推荐等,虽然现有的推荐算法在实现评分预测和音乐列表预测方面取得了较为不错的成绩,但是还存在着较大的改进空间。例如在基于协同过滤类型的推荐算法中,通过生成用户-评分矩阵构建的用户兴趣模型容易存在数据稀疏的问题;另外只根据用户和歌曲自身的信息无法获取到近期内的用户兴趣偏好,导致推荐结果的实时性较差。针对以往推荐方法存在的数据稀疏和实时性的问题,本文提出一种基于双层注意力机制的音乐推荐模型,分别从特征级和项目级获取用户对音乐特征和音乐项目...
【文章来源】：东北财经大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 引言
1.1 研究背景
1.2 研究意义
1.2.1 理论意义
1.2.2 实践意义
1.3 研究的主要创新点
1.4 研究内容和组织结构
2 文献综述及相关理论知识
2.1 文献综述
2.1.1 音乐推荐研究现状
2.1.2 注意力机制研究现状
2.2 音乐推荐系统相关技术
2.3 自然语言处理相关技术
2.3.1 Word2vec
2.3.2 文本卷积神经网络
2.4 注意力机制相关技术
2.5 本章小结
3 基于双层注意力机制的音乐推荐算法
3.1 音乐文本特征处理
3.2 双层注意力机制
3.2.1 神经网络激活函数
3.2.2 双层注意力机制模型
3.3 音乐推荐列表构建
3.4 本章小结
4 实验设计与结果分析
4.1 本文数据集
4.2 实验环境
4.3 评价指标
4.4 参数设置
4.5 实验流程
4.5.1 数据预处理
4.5.2 实验流程
4.5.3 对比实验
4.6 实验结果及对比分析
5 总结与展望
5.1 本文总结
5.2 研究不足与未来展望
参考文献
后记
【参考文献】：
期刊论文
[1]基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型[J]. 王根生,黄学坚. 小型微型计算机系统. 2019(05)
[2]基于多模态的音乐推荐系统[J]. 龚志,邵曦. 南京信息工程大学学报(自然科学版). 2019(01)
[3]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[4]基于双层注意力机制的深度学习电影推荐系统[J]. 肖青秀,汤鲲. 计算机与现代化. 2018(11)
[5]基于注意力机制的音乐深度推荐算法[J]. 张全贵,张新新,李志强. 计算机应用研究. 2019(08)
[6]大规模隐式反馈的词向量音乐推荐模型[J]. 于帅,林宣雄,邱媛媛. 计算机系统应用. 2017(11)
[7]一种新的基于LDA-MURE模型的音乐个性化推荐算法[J]. 李艳,李葆华,王金环. 吉林大学学报(理学版). 2017(02)
[8]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[9]基于LDA模型的音乐推荐算法[J]. 李博,陈志刚,黄瑞,郑祥云. 计算机工程. 2016(06)
[10]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
硕士论文
[1]基于深度学习与自注意力机制的情感分类方法研究[D]. 祝元勃.西安理工大学 2019
[2]基于深度学习的情感分类系统的研究与实现[D]. 景春臻.北京邮电大学 2019
[3]基于注意力机制和改进型RNN的Web文本情感分析研究[D]. 王治权.兰州大学 2018
[4]个性化音乐推荐系统的研究[D]. 邓腾飞.华南理工大学 2018
[5]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
[6]个性化音乐推荐算法的研究与实现[D]. 金蕾.山东大学 2017
[7]基于标签的音乐推荐系统设计与实现[D]. 张嘉威.北京邮电大学 2017
[8]基于动态集成方法的混合推荐系统研究[D]. 杨文龙.山东大学 2015
[9]个性化音乐推荐系统的研究与实现[D]. 刘杨.北京邮电大学 2014
本文编号：3150451
【文章来源】：东北财经大学辽宁省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 引言
1.1 研究背景
1.2 研究意义
1.2.1 理论意义
1.2.2 实践意义
1.3 研究的主要创新点
1.4 研究内容和组织结构
2 文献综述及相关理论知识
2.1 文献综述
2.1.1 音乐推荐研究现状
2.1.2 注意力机制研究现状
2.2 音乐推荐系统相关技术
2.3 自然语言处理相关技术
2.3.1 Word2vec
2.3.2 文本卷积神经网络
2.4 注意力机制相关技术
2.5 本章小结
3 基于双层注意力机制的音乐推荐算法
3.1 音乐文本特征处理
3.2 双层注意力机制
3.2.1 神经网络激活函数
3.2.2 双层注意力机制模型
3.3 音乐推荐列表构建
3.4 本章小结
4 实验设计与结果分析
4.1 本文数据集
4.2 实验环境
4.3 评价指标
4.4 参数设置
4.5 实验流程
4.5.1 数据预处理
4.5.2 实验流程
4.5.3 对比实验
4.6 实验结果及对比分析
5 总结与展望
5.1 本文总结
5.2 研究不足与未来展望
参考文献
后记
【参考文献】：
期刊论文
[1]基于Word2vec和改进型TF-IDF的卷积神经网络文本分类模型[J]. 王根生,黄学坚. 小型微型计算机系统. 2019(05)
[2]基于多模态的音乐推荐系统[J]. 龚志,邵曦. 南京信息工程大学学报(自然科学版). 2019(01)
[3]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[4]基于双层注意力机制的深度学习电影推荐系统[J]. 肖青秀,汤鲲. 计算机与现代化. 2018(11)
[5]基于注意力机制的音乐深度推荐算法[J]. 张全贵,张新新,李志强. 计算机应用研究. 2019(08)
[6]大规模隐式反馈的词向量音乐推荐模型[J]. 于帅,林宣雄,邱媛媛. 计算机系统应用. 2017(11)
[7]一种新的基于LDA-MURE模型的音乐个性化推荐算法[J]. 李艳,李葆华,王金环. 吉林大学学报(理学版). 2017(02)
[8]跨媒体分析与推理:研究进展与发展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO. Frontiers of Information Technology & Electronic Engineering. 2017(01)
[9]基于LDA模型的音乐推荐算法[J]. 李博,陈志刚,黄瑞,郑祥云. 计算机工程. 2016(06)
[10]深度学习研究进展[J]. 郭丽丽,丁世飞. 计算机科学. 2015(05)
硕士论文
[1]基于深度学习与自注意力机制的情感分类方法研究[D]. 祝元勃.西安理工大学 2019
[2]基于深度学习的情感分类系统的研究与实现[D]. 景春臻.北京邮电大学 2019
[3]基于注意力机制和改进型RNN的Web文本情感分析研究[D]. 王治权.兰州大学 2018
[4]个性化音乐推荐系统的研究[D]. 邓腾飞.华南理工大学 2018
[5]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
[6]个性化音乐推荐算法的研究与实现[D]. 金蕾.山东大学 2017
[7]基于标签的音乐推荐系统设计与实现[D]. 张嘉威.北京邮电大学 2017
[8]基于动态集成方法的混合推荐系统研究[D]. 杨文龙.山东大学 2015
[9]个性化音乐推荐系统的研究与实现[D]. 刘杨.北京邮电大学 2014
本文编号：3150451
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3150451.html
