基于改进的协同过滤个性化音乐推荐系统研究
发布时间：2022-01-01 20:00
随着互联网和数字音乐的迅速发展,各类音乐平台提供了大量歌曲给用户收听。然而,随着歌曲数量的增加,用户很难在面对大量歌曲信息时快速找到感兴趣的音乐。为了提升行业竞争力,越来越多的音乐平台使用推荐系统来为用户提供优质的个性化推荐服务。它能帮助用户快速的找到自己喜欢的歌曲,给用户提供良好的使用体验,同时增加用户对音乐平台的满意度和忠诚度。因此,个性化音乐推荐系统已成为学者和业界关注的研究方向。协同过滤算法因其实现简单、通用性强等特点被广泛运用于推荐系统中,然而协同过滤推荐算法在应用过程中面临着许多问题,最典型的问题包括冷启动、数据稀疏以及灰羊用户问题。本文针对传统的协同过滤算法在音乐推荐系统中存在的问题进行了一些改进和创新探索。首先,针对音乐推荐系统中用户和项目冷启动以及数据稀疏等问题,提出了基于改进协同过滤的个性化音乐推荐算法。该算法在使用传统协同过滤算法的基础上融合了用户画像、用户评分以及音乐标签数据,采用用户画像计算用户相似度,解决用户冷启动问题;使用音乐标签评分初始化未知评分,解决音乐冷启动问题以及数据稀疏性问题。在评分数据得到充实的基础上,使用基于项目的协同过滤方法挖掘用户偏好。其...
【文章来源】：广东工业大学广东省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 主要研究内容和贡献点
1.4 论文结构
第二章 推荐系统相关技术研究
2.1 推荐系统概述
2.1.1 推荐系统的基础理论
2.1.2 推荐系统的评价指标
2.2 推荐算法
2.2.1 基于内容的推荐算法
2.2.2 基于协同过滤的推荐算法
2.2.3 混合推荐算法
2.3 推荐算法总结
2.4 本章小结
第三章 基于改进协同过滤的音乐推荐算法
3.1 问题定义
3.1.1 基于评分相似度的推荐系统
3.1.2 基于评分学习的推荐系统
3.1.3 基于内容过滤的推荐系统
3.2 基于改进协同过滤的音乐推荐算法
3.2.1 算法概述
3.2.2 离线预处理过程
3.2.3 在线推荐过程
3.3 实验设置与结果分析
3.3.1 实验设置
3.3.2 评估指标分析
3.3.3 实验结果分析
3.4 本章小结
第四章 基于协同过滤和播放系数的音乐推荐算法
4.1 算法整体框架
4.2 从用户播放数据中获取评分
4.3 基于协同过滤和播放系数的推荐算法实现
4.4 实验设置与结果分析
4.4.1 实验设置
4.4.2 评估标准分析
4.4.3 对比方法描述
4.4.4 评分预测过程的实验分析
4.4.5 项目推荐过程的实验分析
4.5 本章小结
总结与展望
参考文献
攻读学位期间发表的成果
攻读学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]基于视频内容检测的协同过滤视频推荐系统[J]. 梁建胜,黄隆胜,徐淑琼. 控制工程. 2018(02)
[2]基于动态标签偏好信任概率矩阵分解模型的推荐算法[J]. 杨亚东,熊庆国. 计算机工程. 2017(10)
[3]一种基于贝叶斯网络的个性化协同过滤推荐方法研究[J]. 付永平,邱玉辉. 计算机科学. 2016(09)
[4]基于贝叶斯信念网络的协同过滤算法的研究[J]. 王丹,贺钱琛. 现代工业经济和信息化. 2016(08)
[5]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华. 软件学报. 2015(06)
[6]分步填充缓解数据稀疏性的协同过滤算法[J]. 张玉芳,代金龙,熊忠阳. 计算机应用研究. 2013(09)
[7]用户信息需求的马太效应及实证分析[J]. 袁红,吴明明. 情报科学. 2011(05)
[8]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏. 复杂系统与复杂性科学. 2009(03)
[9]一种有效缓解数据稀疏性的混合协同过滤算法[J]. 郁雪,李敏强. 计算机应用. 2009(06)
[10]推荐技术在电子商务中的运用综述[J]. 周惠宏,柳益君,张尉青,谢俊元. 计算机应用研究. 2004(01)
博士论文
[1]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]推荐系统中用户冷启动问题研究[D]. 刘坤.兰州大学 2017
[2]基于用户偏好的协同过滤推荐方法研究[D]. 徐静静.湖南大学 2016
[3]基于协同过滤和QoS预测的Web服务推荐方法研究[D]. 黎懋靓.重庆大学 2015
[4]协同过滤推荐算法及其改进研究[D]. 王均波.重庆大学 2010
本文编号：3562746
【文章来源】：广东工业大学广东省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 主要研究内容和贡献点
1.4 论文结构
第二章 推荐系统相关技术研究
2.1 推荐系统概述
2.1.1 推荐系统的基础理论
2.1.2 推荐系统的评价指标
2.2 推荐算法
2.2.1 基于内容的推荐算法
2.2.2 基于协同过滤的推荐算法
2.2.3 混合推荐算法
2.3 推荐算法总结
2.4 本章小结
第三章 基于改进协同过滤的音乐推荐算法
3.1 问题定义
3.1.1 基于评分相似度的推荐系统
3.1.2 基于评分学习的推荐系统
3.1.3 基于内容过滤的推荐系统
3.2 基于改进协同过滤的音乐推荐算法
3.2.1 算法概述
3.2.2 离线预处理过程
3.2.3 在线推荐过程
3.3 实验设置与结果分析
3.3.1 实验设置
3.3.2 评估指标分析
3.3.3 实验结果分析
3.4 本章小结
第四章 基于协同过滤和播放系数的音乐推荐算法
4.1 算法整体框架
4.2 从用户播放数据中获取评分
4.3 基于协同过滤和播放系数的推荐算法实现
4.4 实验设置与结果分析
4.4.1 实验设置
4.4.2 评估标准分析
4.4.3 对比方法描述
4.4.4 评分预测过程的实验分析
4.4.5 项目推荐过程的实验分析
4.5 本章小结
总结与展望
参考文献
攻读学位期间发表的成果
攻读学位期间参加的科研项目
致谢
【参考文献】：
期刊论文
[1]基于视频内容检测的协同过滤视频推荐系统[J]. 梁建胜,黄隆胜,徐淑琼. 控制工程. 2018(02)
[2]基于动态标签偏好信任概率矩阵分解模型的推荐算法[J]. 杨亚东,熊庆国. 计算机工程. 2017(10)
[3]一种基于贝叶斯网络的个性化协同过滤推荐方法研究[J]. 付永平,邱玉辉. 计算机科学. 2016(09)
[4]基于贝叶斯信念网络的协同过滤算法的研究[J]. 王丹,贺钱琛. 现代工业经济和信息化. 2016(08)
[5]一种解决新项目冷启动问题的推荐算法[J]. 于洪,李俊华. 软件学报. 2015(06)
[6]分步填充缓解数据稀疏性的协同过滤算法[J]. 张玉芳,代金龙,熊忠阳. 计算机应用研究. 2013(09)
[7]用户信息需求的马太效应及实证分析[J]. 袁红,吴明明. 情报科学. 2011(05)
[8]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏. 复杂系统与复杂性科学. 2009(03)
[9]一种有效缓解数据稀疏性的混合协同过滤算法[J]. 郁雪,李敏强. 计算机应用. 2009(06)
[10]推荐技术在电子商务中的运用综述[J]. 周惠宏,柳益君,张尉青,谢俊元. 计算机应用研究. 2004(01)
博士论文
[1]推荐系统的协同过滤算法与应用研究[D]. 郭艳红.大连理工大学 2008
[2]协同过滤系统的稀疏性与冷启动问题研究[D]. 孙小华.浙江大学 2005
硕士论文
[1]推荐系统中用户冷启动问题研究[D]. 刘坤.兰州大学 2017
[2]基于用户偏好的协同过滤推荐方法研究[D]. 徐静静.湖南大学 2016
[3]基于协同过滤和QoS预测的Web服务推荐方法研究[D]. 黎懋靓.重庆大学 2015
[4]协同过滤推荐算法及其改进研究[D]. 王均波.重庆大学 2010
本文编号：3562746
本文链接：https://www.wllwen.com/wenyilunwen/qiyueyz/3562746.html
