海量社会化音乐高效混合推荐算法研究

发布时间：2024-12-21 02:31

　　随着计算机科学和Web2.0技术的不断发展,互联网在我们的生活中扮演了越来越重要的角色,极大地丰富了人们的生活。然而互联网的不断发展产生了带有“噪声”和冗余信息的海量多媒体数据,使得用户对网络多媒体资源的选择和浏览变得愈发困难。本论文以社会化音乐(Social music)为例,面对网络音乐资源的爆炸式增长,如何从海量社会化音乐资源中为用户高效地推送其感兴趣的高质量音乐内容已成为国内外学术界关注的热点课题,具有较高理论研究价值和实际应用背景。本论文采用协同过滤为基础构建推荐系统,作为传统的推荐算法之一,协同过滤算法存在以下不足:1)协同过滤传统的二部图模型过于简单,计算精度不够;2)未能有效地利用社交网络把社交属性与推荐算法相结合,存在严重的冷启动问题;3)无法有效地平衡准确率和覆盖率之间的关系,两者其中之一过高或过低都会影响用户体验。针对这三个问题,本论文分别提出了三个算法:提出了基于标签的三部图推荐算法。传统的协同过滤所使用的二部图(用户-项目)模型仅依靠用户和项目之间的关系,精度不够且缺乏解释性,所以本文引入了标签元素,将二部图模型改进为三部图(用户-项目-标签)模型,以提高推荐系...

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

图2-1基于用户的协同过滤

第２章相关工作??滤推荐算法??滤［１１）雅荐算法（Ｃｏｌｌａｂｏｒａｔｉｖｅ?Ｆｉｌｔｅｒｉｎｇ）的核心思想ｉｎｎ１２】是通过分为用户进行决策和判断。当协同过滤推荐算法要为某个用户进行内，会首先在用户群中搜索与其具有相似兴趣点的用户，然后将这些的项目和内容推荐给目标用户。协同过....

图2一2基于项目的协同过滤

项目的协同过滤推荐算法与基于用户的协同过滤推荐算法具有相同，随着公司业务的不断发展，用户的数量也不断膨胀，要在用户之间的比较计算代价越来越大，推荐系统的效率会越来越低，己经无法满要。基于项目的协同过滤的核心思想是将用户之间的比较转换到项目，如果两个项目夕间具有比较高的相仙萝那么喜....

图２－５将二维数据降维后的可视化图??２０??

标轴才是最具有重要信息的部分，只要保留住了这部分信息，而忽略坐标系中方??差几乎趋近于０的维度特征，就成功的实现了对数据特征的去噪和降维。??如图２－５所示，我们可以看出图中数据点的分布并不是均匀的，而是集中在??坐标系的某个部位，数据集的可视化图像为长方形状，并呈现出一条线性的....

图２－６原矩阵４经过ＳＶＤ分解??

标轴才是最具有重要信息的部分，只要保留住了这部分信息，而忽略坐标系中方??差几乎趋近于０的维度特征，就成功的实现了对数据特征的去噪和降维。??如图２－５所示，我们可以看出图中数据点的分布并不是均匀的，而是集中在??坐标系的某个部位，数据集的可视化图像为长方形状，并呈现出一条线性的....

本文编号：4018253