大數(shù)據(jù)時(shí)代,互聯(lián)網(wǎng)上飛速增長(zhǎng)的信息加重了“信息過載”的現(xiàn)象,推薦系統(tǒng)可以通過分析用戶過往的行為特征和興趣偏好為用戶建立個(gè)性化的興趣模型,在此基礎(chǔ)上幫助用戶快速準(zhǔn)確地查找到信息,近些年來正發(fā)揮越來越重要的作用。音樂是人類表達(dá)情感的一種重要方式,是寄托生活情感的一種藝術(shù)�，F(xiàn)代社會(huì)人們更傾向于將收聽音樂作為日常的一種休閑娛樂方式。在音樂領(lǐng)域適合引入推薦系統(tǒng),精準(zhǔn)的音樂推薦既可以提升用戶體驗(yàn),又可以為音樂網(wǎng)站帶來流量從而更好地創(chuàng)造商業(yè)價(jià)值,因此契合用戶口味的個(gè)性化音樂推薦變得越來越重要。常見的音樂推薦系統(tǒng)主要方法有:基于內(nèi)容的推薦、基于協(xié)同過濾的推薦、基于混合方法的推薦等,雖然現(xiàn)有的推薦算法在實(shí)現(xiàn)評(píng)分預(yù)測(cè)和音樂列表預(yù)測(cè)方面取得了較為不錯(cuò)的成績(jī),但是還存在著較大的改進(jìn)空間。例如在基于協(xié)同過濾類型的推薦算法中,通過生成用戶-評(píng)分矩陣構(gòu)建的用戶興趣模型容易存在數(shù)據(jù)稀疏的問題;另外只根據(jù)用戶和歌曲自身的信息無法獲取到近期內(nèi)的用戶興趣偏好,導(dǎo)致推薦結(jié)果的實(shí)時(shí)性較差。針對(duì)以往推薦方法存在的數(shù)據(jù)稀疏和實(shí)時(shí)性的問題,本文提出一種基于雙層注意力機(jī)制的音樂推薦模型,分別從特征級(jí)和項(xiàng)目級(jí)獲取用戶對(duì)音樂特征和音樂項(xiàng)目... 

【文章來源】：東北財(cái)經(jīng)大學(xué)遼寧省

【文章頁數(shù)】：62 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 引言
    1.1 研究背景
    1.2 研究意義
        1.2.1 理論意義
        1.2.2 實(shí)踐意義
    1.3 研究的主要?jiǎng)?chuàng)新點(diǎn)
    1.4 研究?jī)?nèi)容和組織結(jié)構(gòu)
2 文獻(xiàn)綜述及相關(guān)理論知識(shí)
    2.1 文獻(xiàn)綜述
        2.1.1 音樂推薦研究現(xiàn)狀
        2.1.2 注意力機(jī)制研究現(xiàn)狀
    2.2 音樂推薦系統(tǒng)相關(guān)技術(shù)
    2.3 自然語言處理相關(guān)技術(shù)
        2.3.1 Word2vec
        2.3.2 文本卷積神經(jīng)網(wǎng)絡(luò)
    2.4 注意力機(jī)制相關(guān)技術(shù)
    2.5 本章小結(jié)
3 基于雙層注意力機(jī)制的音樂推薦算法
    3.1 音樂文本特征處理
    3.2 雙層注意力機(jī)制
        3.2.1 神經(jīng)網(wǎng)絡(luò)激活函數(shù)
        3.2.2 雙層注意力機(jī)制模型
    3.3 音樂推薦列表構(gòu)建
    3.4 本章小結(jié)
4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    4.1 本文數(shù)據(jù)集
    4.2 實(shí)驗(yàn)環(huán)境
    4.3 評(píng)價(jià)指標(biāo)
    4.4 參數(shù)設(shè)置
    4.5 實(shí)驗(yàn)流程
        4.5.1 數(shù)據(jù)預(yù)處理
        4.5.2 實(shí)驗(yàn)流程
        4.5.3 對(duì)比實(shí)驗(yàn)
    4.6 實(shí)驗(yàn)結(jié)果及對(duì)比分析
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 研究不足與未來展望
參考文獻(xiàn)
后記


【參考文獻(xiàn)】：
期刊論文
[1]基于Word2vec和改進(jìn)型TF-IDF的卷積神經(jīng)網(wǎng)絡(luò)文本分類模型[J]. 王根生,黃學(xué)堅(jiān).  小型微型計(jì)算機(jī)系統(tǒng). 2019(05)
[2]基于多模態(tài)的音樂推薦系統(tǒng)[J]. 龔志,邵曦.  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于深度學(xué)習(xí)的推薦算法研究綜述[J]. 王俊淑,張國明,胡斌.  南京師范大學(xué)學(xué)報(bào)(工程技術(shù)版). 2018(04)
[4]基于雙層注意力機(jī)制的深度學(xué)習(xí)電影推薦系統(tǒng)[J]. 肖青秀,湯鯤.  計(jì)算機(jī)與現(xiàn)代化. 2018(11)
[5]基于注意力機(jī)制的音樂深度推薦算法[J]. 張全貴,張新新,李志強(qiáng).  計(jì)算機(jī)應(yīng)用研究. 2019(08)
[6]大規(guī)模隱式反饋的詞向量音樂推薦模型[J]. 于帥,林宣雄,邱媛媛.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(11)
[7]一種新的基于LDA-MURE模型的音樂個(gè)性化推薦算法[J]. 李艷,李葆華,王金環(huán).  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(02)
[8]跨媒體分析與推理:研究進(jìn)展與發(fā)展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[9]基于LDA模型的音樂推薦算法[J]. 李博,陳志剛,黃瑞,鄭祥云.  計(jì)算機(jī)工程. 2016(06)
[10]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計(jì)算機(jī)科學(xué). 2015(05)

碩士論文
[1]基于深度學(xué)習(xí)與自注意力機(jī)制的情感分類方法研究[D]. 祝元勃.西安理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的情感分類系統(tǒng)的研究與實(shí)現(xiàn)[D]. 景春臻.北京郵電大學(xué) 2019
[3]基于注意力機(jī)制和改進(jìn)型RNN的Web文本情感分析研究[D]. 王治權(quán).蘭州大學(xué) 2018
[4]個(gè)性化音樂推薦系統(tǒng)的研究[D]. 鄧騰飛.華南理工大學(xué) 2018
[5]音樂推薦系統(tǒng)的混合推薦方法研究[D]. 吳遠(yuǎn)安.電子科技大學(xué) 2018
[6]個(gè)性化音樂推薦算法的研究與實(shí)現(xiàn)[D]. 金蕾.山東大學(xué) 2017
[7]基于標(biāo)簽的音樂推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 張嘉威.北京郵電大學(xué) 2017
[8]基于動(dòng)態(tài)集成方法的混合推薦系統(tǒng)研究[D]. 楊文龍.山東大學(xué) 2015
[9]個(gè)性化音樂推薦系統(tǒng)的研究與實(shí)現(xiàn)[D]. 劉楊.北京郵電大學(xué) 2014



本文編號(hào)：3150451