基于机器学习优化用户音乐喜好个性化推荐的研究
发布时间：2021-07-26 00:27
互联网信息的飞速发展和音频视频压缩等技术的出现,使得数以亿计的用户可以访问各式各样的资源。在信息爆炸的时代,内容提供商需要解决如何有效地向用户推送符合用户喜好信息的问题,推荐系统因此应运而生。推荐系统是一种信息过滤系统,通过从大量数据集中过滤多余信息的方法,利用算法精确定位用户的偏向喜好,向目标用户推荐其可能喜欢的新的相关内容。其中,推荐系统的一个重要应用就是音乐推荐系统。推送的结果好坏不仅决定了用户使用体验度,也是衡量一个音乐资源提供商实力的标准,并且也很大程度地推动了音乐文化的发展。现有的音乐推荐系统方法还过于单一,收集的大量用户行为数据的价值没有被充分挖掘利用,推荐效果还有待提升。另外每个音乐用户都有属于自己的私人歌单,歌单中的歌曲呈顺序排列,如何把这种上下文关系与推荐算法结合起来也是一个有待解决的问题。机器学习是一门近几年来研究的热点,在银行、保险、交通、生物、医学等领域有着十分广泛的应用。而将机器学习算法应用到音乐推荐领域可以充分地挖掘数据价值,更好地为用户提供服务,提升平台实力,推动音乐文化的发展。机器学习算法种类繁多,不同的算法在不同的数据集上的效果不相同,对不同的算法的...
【文章来源】：广东工业大学广东省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
推荐系统的通用模型
当人们想向用户推荐某些音乐时，最合乎逻辑的做法是找到兴趣相似的人，分析他们的行为，并向用户推荐与之兴趣相似的用户喜好其他音乐。或者可以查看用户喜好的歌曲，例如用户之前收藏过的歌曲，如果每两首歌曲之间的受众人群越相似，则把歌曲推荐给各自人群中还未听过其中一首歌曲的人。这种通过寻找相似人群/项目集合的推荐方法，称之为协同过滤推荐算法（Collaborative FilterinRecommendations，CF）。协同过滤是最常用的推荐算法之一，其中的两种基本方法如图 2-2 所示：分别为基于用户的协同过滤（User-based Collaborative Filtering）和基于项目的协同过滤（Item-basedCollaborativeFiltering）[4]。在采用这两种基本方法的时候，此推荐引擎都有两个步骤：（1）找出数据库中有多少用户/项目与给定的用户/项目相似。（2）评估其他用户/项目，以预测您将给该产品的用户提供什么级别，给定与该级别更相似的用户/项目的总权重。
User-Item评分图
【参考文献】：
期刊论文
[1]XGBoost算法在电子商务商品推荐中的应用[J]. 张昊,纪宏超,张红宇. 物联网技术. 2017(02)
[2]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)
[3]音乐个性化推荐系统研究综述[J]. 谭学清,何珊. 现代图书情报技术. 2014(09)
[4]移动推荐系统及其应用[J]. 孟祥武,胡勋,王立才,张玉洁. 软件学报. 2013(01)
[5]音乐推荐系统及相关技术研究[J]. 陈雅茜. 计算机工程与应用. 2012(18)
[6]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[7]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[8]基于机器学习的中文微博情感分类实证研究[J]. 刘志明,刘鲁. 计算机工程与应用. 2012(01)
[9]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁. 软件学报. 2012(01)
[10]推荐算法综述[J]. 杨博,赵鹏飞. 山西大学学报(自然科学版). 2011(03)
博士论文
[1]基于深度神经网络的文本表示及其应用[D]. 户保田.哈尔滨工业大学 2016
[2]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[3]基于Latent SVM的人体目标检测与跟踪方法研究[D]. 胡振邦.中国地质大学 2013
[4]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
硕士论文
[1]基于梯度提升决策树的患者30天再入院预测模型研究[D]. 杜国栋.昆明理工大学 2018
[2]基于深度神经网络的视频个性化推荐系统研究[D]. 高睿.深圳大学 2017
[3]个性化音乐推荐算法的研究与实现[D]. 金蕾.山东大学 2017
[4]基于机器学习的推荐技术研究[D]. 孟晓龙.吉林大学 2016
[5]基于混合模式的个性化音乐推荐系统的研究与实现[D]. 孔云.华中师范大学 2016
[6]移动用户行为感知的音乐推荐系统研究与实现[D]. 王然.北京工业大学 2016
[7]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
[8]基于音乐基因的混合音乐推荐系统的设计与实现[D]. 钟伟.安徽大学 2014
[9]一种基于多维时间序列分析的音乐推荐系统研究与实现[D]. 王守涛.南京大学 2014
[10]基于协同过滤算法的音乐推荐系统[D]. 隋占丽.华侨大学 2013
本文编号：3303072
【文章来源】：广东工业大学广东省
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
推荐系统的通用模型
当人们想向用户推荐某些音乐时，最合乎逻辑的做法是找到兴趣相似的人，分析他们的行为，并向用户推荐与之兴趣相似的用户喜好其他音乐。或者可以查看用户喜好的歌曲，例如用户之前收藏过的歌曲，如果每两首歌曲之间的受众人群越相似，则把歌曲推荐给各自人群中还未听过其中一首歌曲的人。这种通过寻找相似人群/项目集合的推荐方法，称之为协同过滤推荐算法（Collaborative FilterinRecommendations，CF）。协同过滤是最常用的推荐算法之一，其中的两种基本方法如图 2-2 所示：分别为基于用户的协同过滤（User-based Collaborative Filtering）和基于项目的协同过滤（Item-basedCollaborativeFiltering）[4]。在采用这两种基本方法的时候，此推荐引擎都有两个步骤：（1）找出数据库中有多少用户/项目与给定的用户/项目相似。（2）评估其他用户/项目，以预测您将给该产品的用户提供什么级别，给定与该级别更相似的用户/项目的总权重。
User-Item评分图
【参考文献】：
期刊论文
[1]XGBoost算法在电子商务商品推荐中的应用[J]. 张昊,纪宏超,张红宇. 物联网技术. 2017(02)
[2]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)
[3]音乐个性化推荐系统研究综述[J]. 谭学清,何珊. 现代图书情报技术. 2014(09)
[4]移动推荐系统及其应用[J]. 孟祥武,胡勋,王立才,张玉洁. 软件学报. 2013(01)
[5]音乐推荐系统及相关技术研究[J]. 陈雅茜. 计算机工程与应用. 2012(18)
[6]个性化推荐系统综述[J]. 王国霞,刘贺平. 计算机工程与应用. 2012(07)
[7]基于矩阵分解与用户近邻模型的协同过滤推荐算法[J]. 杨阳,向阳,熊磊. 计算机应用. 2012(02)
[8]基于机器学习的中文微博情感分类实证研究[J]. 刘志明,刘鲁. 计算机工程与应用. 2012(01)
[9]上下文感知推荐系统[J]. 王立才,孟祥武,张玉洁. 软件学报. 2012(01)
[10]推荐算法综述[J]. 杨博,赵鹏飞. 山西大学学报(自然科学版). 2011(03)
博士论文
[1]基于深度神经网络的文本表示及其应用[D]. 户保田.哈尔滨工业大学 2016
[2]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[3]基于Latent SVM的人体目标检测与跟踪方法研究[D]. 胡振邦.中国地质大学 2013
[4]推荐系统关键技术研究[D]. 任磊.华东师范大学 2012
硕士论文
[1]基于梯度提升决策树的患者30天再入院预测模型研究[D]. 杜国栋.昆明理工大学 2018
[2]基于深度神经网络的视频个性化推荐系统研究[D]. 高睿.深圳大学 2017
[3]个性化音乐推荐算法的研究与实现[D]. 金蕾.山东大学 2017
[4]基于机器学习的推荐技术研究[D]. 孟晓龙.吉林大学 2016
[5]基于混合模式的个性化音乐推荐系统的研究与实现[D]. 孔云.华中师范大学 2016
[6]移动用户行为感知的音乐推荐系统研究与实现[D]. 王然.北京工业大学 2016
[7]基于Word2Vec主题提取的微博推荐[D]. 朱雪梅.北京理工大学 2014
[8]基于音乐基因的混合音乐推荐系统的设计与实现[D]. 钟伟.安徽大学 2014
[9]一种基于多维时间序列分析的音乐推荐系统研究与实现[D]. 王守涛.南京大学 2014
[10]基于协同过滤算法的音乐推荐系统[D]. 隋占丽.华侨大学 2013
本文编号：3303072
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3303072.html
最近更新
教材专著
