隨著人們生活水平的不斷提高,日常的休閑方式也越來越多,聽音樂便是絕大部分人的一項極為重要的娛樂。在現(xiàn)在主流的在線音樂平臺中,音樂的種類和數(shù)量遠(yuǎn)遠(yuǎn)超過個人能處理的極限。因此,在人們聽音樂的時候,就需要一個符合自身需求的音樂推薦系統(tǒng)。由于音樂具有如下特點(diǎn):音樂的時長較短,用戶會反復(fù)收聽同一首歌曲,熱門歌曲更新頻率快等,因此非常適合使用音樂推薦系統(tǒng)從海量的網(wǎng)絡(luò)音樂數(shù)據(jù)中根據(jù)用戶聽音樂的偏好挖掘出用戶喜歡聽的歌曲的特征,這樣系統(tǒng)便可以根據(jù)這些特征向用戶推薦他們喜歡的歌曲。在大數(shù)據(jù)時代,數(shù)據(jù)種類和數(shù)量的增長速度已經(jīng)遠(yuǎn)遠(yuǎn)超過個人能處理的極限,并且還在持續(xù)增長。音樂作為大數(shù)據(jù)的重要構(gòu)成部分,也存在著信息無法被用戶有效處理的問題。對于在線音樂網(wǎng)站而言,歌曲推薦系統(tǒng)便是解決上述問題的方案之一。歌曲推薦系統(tǒng)能依據(jù)用戶的網(wǎng)上行為數(shù)據(jù)來挖掘用戶潛在的目標(biāo)信息,這一過程是被動進(jìn)行的,不需要用戶進(jìn)行主動參與,因此音樂推薦系統(tǒng)在幫助用戶獲取歌曲信息的時候往往能獲得更好的用戶體驗。目前,商業(yè)上所廣泛使用的音樂推薦算法主要是根據(jù)用戶的歷史聽歌記錄來實現(xiàn)歌曲推薦功能,但這種推薦方式往往具有滯后性。例如,用戶在收到推薦歌曲...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖2-2推薦算法分類除了上述三種常用的推薦算法，還有許多較為小眾的推薦算法ǐ例如，基于不同適用場景的推薦算法[31]

融合HMM及歌曲特征標(biāo)簽的混合推薦算法研究容添加許多標(biāo)簽，這些標(biāo)簽是這些物品內(nèi)容的體現(xiàn)，而用戶在注冊系統(tǒng)時候也會提供一些候選標(biāo)簽進(jìn)行選擇，用戶和物品都采用固定數(shù)目的標(biāo)簽進(jìn)行特征描述，這些標(biāo)簽將用戶和物品簡化為用戶檔案和物品檔案，然后再通過計算用戶檔案和物品檔案的相似度來對物品....

圖2-3基于聚類推薦的步驟

時間以及相應(yīng)類別歌曲濾推薦與基于內(nèi)存的協(xié)同過濾集上進(jìn)行建模分析，在推薦方式能夠準(zhǔn)確估計評是這種方法在每次進(jìn)行矩陣以及計算資源和存的時間ǐ通常算法的實時間適中的推薦算法出的物品推薦ǐ基于模型的這個模型給用戶推薦未型有：基于代數(shù)的主成分類等ǐ如下圖2-3所展示

圖3-7Mahout推薦模塊主要組件圖

工程碩士專業(yè)學(xué)位論文用戶登錄時間評分表音樂表用戶表收藏表3.3HTR算法實現(xiàn)我....

圖3-8整合HTR推薦算法之后Mahout推薦模塊主要功能組件圖

25圖3-8整合HTR推薦算法之后Mahout推薦模塊主要功能組件圖從上圖中可以看出，HTR推薦算法θBASEHTRRECι和其它傳統(tǒng)的推薦算法一起作為推薦層的核心模塊向用戶提供推薦歌曲功能ǐ同時，在推薦框架需要進(jìn)行算法評估時，也需要樣本數(shù)據(jù)集和各種推薦算法的參與ǐ....

本文編號：3984510