在大數(shù)據(jù)時(shí)代,面對(duì)在線音樂(lè)種類豐富、曲庫(kù)更新很快而用戶經(jīng)常難以用具體的關(guān)鍵詞描述自己對(duì)音樂(lè)的需求的情況,音樂(lè)門戶網(wǎng)站的用戶對(duì)音樂(lè)推薦系統(tǒng)的依賴越來(lái)越大。一個(gè)好的音樂(lè)推薦系統(tǒng)能夠極大的提高用戶的忠實(shí)度,有助于音樂(lè)網(wǎng)站和APP占領(lǐng)市場(chǎng)。由于算法原理所限,傳統(tǒng)的離線推薦系統(tǒng)大多數(shù)從靜態(tài)數(shù)據(jù)構(gòu)建初始模型,然后隨著新的數(shù)據(jù)塊到來(lái)必須每隔一段時(shí)間在所有歷史數(shù)據(jù)上重新訓(xùn)練模型,導(dǎo)致巨大計(jì)算資源消耗的同時(shí)也無(wú)法捕捉用戶最近的興趣變化,讓其無(wú)法得到最新的推薦結(jié)果。隨著音樂(lè)平臺(tái)交互數(shù)據(jù)的產(chǎn)生速度越來(lái)越快,離線推薦算法的問(wèn)題越來(lái)越突出,它們的效果已經(jīng)比不上簡(jiǎn)單的在線算法。本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)能夠推薦與播放音樂(lè)、實(shí)時(shí)統(tǒng)計(jì)與監(jiān)控音樂(lè)流行趨勢(shì)的系統(tǒng),利用Flume與Kafka實(shí)時(shí)收集用戶行為日志,用Spark Streaming與Redis實(shí)時(shí)維護(hù)統(tǒng)計(jì)音樂(lè)在時(shí)間窗口內(nèi)播放量、音樂(lè)日播放用戶數(shù)與用戶個(gè)人聽歌次數(shù)等重要統(tǒng)計(jì)量,能夠高效支持查詢,可以監(jiān)控音樂(lè)流行趨勢(shì)變化。本文的推薦引擎模塊用Spark Streaming實(shí)現(xiàn)了數(shù)據(jù)流上的增量矩陣分解算法、在線協(xié)同主題建模推薦算法和改進(jìn)的基于物品協(xié)同過(guò)濾并應(yīng)用于系統(tǒng)中,以... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于物品（左）與基于用戶（右）的的協(xié)同過(guò)濾（2）直接混合：多個(gè)模型的推薦結(jié)果分別單獨(dú)展示，用戶根據(jù)自己的喜好選擇

隱狄利克雷分配的生成模型

協(xié)同主題模型的生成模型

【參考文獻(xiàn)】：
期刊論文
[1]基于Spark的推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 李星,李濤.  計(jì)算機(jī)技術(shù)與發(fā)展. 2018(10)

碩士論文
[1]基于Spark的實(shí)時(shí)推薦系統(tǒng)的研究與設(shè)計(jì)[D]. 陳恩杰.西安科技大學(xué) 2018
[2]音樂(lè)推薦系統(tǒng)的混合推薦方法研究[D]. 吳遠(yuǎn)安.電子科技大學(xué) 2018
[3]個(gè)性化音樂(lè)推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 艾筆.電子科技大學(xué) 2018
[4]面向推薦的大數(shù)據(jù)計(jì)算與存儲(chǔ)平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[D]. 李琛軒.哈爾濱工業(yè)大學(xué) 2016



本文編號(hào)：3078138