本文關(guān)鍵詞： 音樂推薦 協(xié)同過濾 Spark 列表推薦 空間模型　出處：《山東大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在互聯(lián)網(wǎng)時代,各類的音樂網(wǎng)站提供了成千上萬的歌曲,滿足了人們對音樂的需求,為人們帶來了極大的方便。但是,數(shù)字音樂的迅速發(fā)展造成了音樂信息的過載,面對海量的歌曲人們難以快速找到符合自己興趣的音樂。音樂推薦系統(tǒng)的出現(xiàn)能夠為用戶推薦可能喜歡的音樂,幫助用戶快速的發(fā)現(xiàn)或者找到自己想要的歌曲。這種推薦服務(wù)能夠為用戶提供良好的使用體驗,帶來商業(yè)利益,因此音樂推薦領(lǐng)域也成為工業(yè)界和學(xué)者們重視的研究方向。協(xié)同過濾算法廣泛應(yīng)用于各領(lǐng)域的推薦系統(tǒng)中,但是存在冷啟動和可擴(kuò)展性差的問題;傳統(tǒng)的推薦算法沒有考慮到音樂行為中特有的連續(xù)性行為和環(huán)境的影響,造成了推薦效果不理想。針對這些問題,本文對音樂推薦算法進(jìn)行了深入的研究,對協(xié)同過濾算法進(jìn)行了改進(jìn)及基于大數(shù)據(jù)分析平臺的并行化實(shí)現(xiàn);同時,基于音樂收聽的特點(diǎn),實(shí)現(xiàn)一種音樂列表的推薦算法。首先,本文對于協(xié)同過濾算法進(jìn)行了研究,針對基于ALS模型的方法進(jìn)行了改進(jìn),根據(jù)用戶屬性信息對用戶進(jìn)行聚類分群,提出分群協(xié)同過濾算法。同時,對分布式計算技術(shù)進(jìn)行研究,基于Spark平臺實(shí)現(xiàn)算法的并行化設(shè)計與實(shí)現(xiàn)。基于Spark平臺的分群協(xié)同過濾算法提高了推薦的準(zhǔn)確性和效率,并解決用戶的冷啟動問題。然后,本文對于音樂收聽具有連續(xù)性且與上下文環(huán)境有關(guān)的特點(diǎn),實(shí)現(xiàn)了一種基于空間模型的音樂列表推薦算法。通過將三者之間的概率關(guān)系映射為空間距離,構(gòu)建用戶-歌曲-標(biāo)簽空間模型,實(shí)現(xiàn)對用戶的個性化并且連續(xù)的歌曲推薦,滿足用戶當(dāng)前音樂需求。最后,基于上述兩種推薦技術(shù)本文設(shè)計了一種多功能音樂推薦系統(tǒng)�；赟park分布式平臺,從實(shí)際需求出發(fā),實(shí)現(xiàn)對用戶長期喜好預(yù)測的音樂推薦和當(dāng)前會話期內(nèi)需求偏好的連續(xù)列表推薦功能。
[Abstract]:In the Internet era, all kinds of music websites provide thousands of songs, to meet the needs of people for music, for people to bring great convenience. The rapid development of digital music has resulted in the overload of music information. In the face of massive songs people can not find music that meets their interests quickly. The emergence of music recommendation system can recommend music that users may like. Help users quickly find or find the song they want. This recommendation service can provide users with a good use of experience, bring business benefits. Therefore, the field of music recommendation has become an important research direction in industry and scholars. Collaborative filtering algorithm is widely used in recommendation systems in various fields, but there are some problems such as cold start and poor scalability. The traditional recommendation algorithm does not take into account the unique continuous behavior and the impact of the environment in the music behavior, resulting in unsatisfactory recommendation effect. In view of these problems, this paper makes a deep research on the music recommendation algorithm. The collaborative filtering algorithm is improved and parallelized based on big data analysis platform. At the same time, based on the characteristics of music listening, a music list recommendation algorithm is implemented. Firstly, the collaborative filtering algorithm is studied, and the method based on ALS model is improved. Cluster collaborative filtering algorithm is proposed according to the user attribute information. At the same time, the distributed computing technology is studied. The parallel design and implementation of the algorithm based on Spark platform. The clustering collaborative filtering algorithm based on Spark platform improves the accuracy and efficiency of recommendation and solves the cold start problem of users. In this paper, a music list recommendation algorithm based on spatial model is implemented for music listening which is continuous and context-dependent. By mapping the probabilistic relationship between the three to spatial distance, this paper proposes a new algorithm for music list recommendation based on spatial model. The user-songs-label space model is constructed to realize the personalized and continuous recommendation of songs to meet the current music needs of users. Finally. This paper designs a multi-function music recommendation system based on the above two recommendation technologies. Based on the Spark distributed platform, it starts from the actual requirements. It implements the function of predicting the long-term preferences of the user and the continuous list recommendation of the demand preference in the current session.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李穎基,彭宏,鄭啟倫,曾煒;自動分層推薦算法[J];計算機(jī)應(yīng)用;2002年11期

2 徐義峰;徐云青;劉曉平;;一種基于時間序列性的推薦算法[J];計算機(jī)系統(tǒng)應(yīng)用;2006年10期

3 余小鵬;;一種基于多層關(guān)聯(lián)規(guī)則的推薦算法研究[J];計算機(jī)應(yīng)用;2007年06期

4 張海玉;劉志都;楊彩;賈松浩;;基于頁面聚類的推薦算法的改進(jìn)[J];計算機(jī)應(yīng)用與軟件;2008年09期

5 張立燕;;一種基于用戶事務(wù)模式的推薦算法[J];福建電腦;2009年03期

6 王晗;夏自謙;;基于蟻群算法和瀏覽路徑的推薦算法研究[J];中國科技信息;2009年07期

7 周珊丹;周興社;王海鵬;倪紅波;張桂英;苗強(qiáng);;智能博物館環(huán)境下的個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2010年19期

8 王文;;個性化推薦算法研究[J];電腦知識與技術(shù);2010年16期

9 張愷;秦亮曦;寧朝波;李文閣;;改進(jìn)評價估計的混合推薦算法研究[J];微計算機(jī)信息;2010年36期

10 夏秀峰;代沁;叢麗暉;;用戶顯意識下的多重態(tài)度個性化推薦算法[J];計算機(jī)工程與應(yīng)用;2011年16期

相關(guān)會議論文 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機(jī)應(yīng)用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務(wù)個性化推薦系統(tǒng)[A];社會經(jīng)濟(jì)發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第17屆學(xué)術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡(luò)的含時推薦算法[A];第五屆全國復(fù)雜網(wǎng)絡(luò)學(xué)術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：1448954