互聯(lián)網(wǎng)技術(shù)和電子信息技術(shù)的迅速發(fā)展為整個時代提供了巨大的計算能力,個性化推薦系統(tǒng)成為時代產(chǎn)物的縮影。結(jié)合常用的推薦系統(tǒng)核心算法,設(shè)計了一種針對個性化音樂的Apriori改進(jìn)算法,此算法通過用戶信息進(jìn)行深度學(xué)習(xí),利用候選矩陣壓縮的方法進(jìn)行推薦優(yōu)化,采用準(zhǔn)確性、召回率等參數(shù)作為評價標(biāo)準(zhǔn)。以Last.fm音樂網(wǎng)站的部分?jǐn)?shù)據(jù)作為分析樣本,對選定音樂按個性化音樂推薦方式進(jìn)行試驗,Apriori改進(jìn)算法在準(zhǔn)確率和召回率方面均得到優(yōu)化,推薦效果更優(yōu)。在考慮推薦數(shù)量的前提下,Apriori改進(jìn)算法的準(zhǔn)確率和召回率均高于Plaucount算法,而相似度方面低于Plaucount算法。 

【文章來源】：微型電腦應(yīng)用. 2020,36(10)

【文章頁數(shù)】：4 頁

【部分圖文】：

基于內(nèi)容的推薦示意圖

以基于用戶的協(xié)同過濾推薦算法為例,用戶A、C在歌曲偏好的相似程度更高,如圖2所示。推薦系統(tǒng)首先了解到兩位用戶對歌曲偏好的歷史數(shù)據(jù),再利用數(shù)據(jù)挖掘或深度學(xué)習(xí)的方式建立預(yù)測模型,雖然用戶A沒有關(guān)注歌曲d,但推薦系統(tǒng)仍可將歌曲d向用戶A實行預(yù)測推薦。

為了減小數(shù)據(jù)采集對試驗結(jié)果造成的誤差,必須選用一個含有足夠數(shù)據(jù)量的數(shù)據(jù)庫,且各類算法的數(shù)據(jù)采集均出自于相同數(shù)據(jù)庫。因此本文選用了公開的Last.fm音樂網(wǎng)站數(shù)據(jù),目前該數(shù)據(jù)庫已包含近40萬條用戶記錄,且該數(shù)據(jù)庫能夠支持用戶進(jìn)行自定義標(biāo)簽,方便對數(shù)據(jù)進(jìn)行標(biāo)定。本次試驗隨機(jī)選取4 281條用戶記錄,其中包含音樂信息245 314條和音樂標(biāo)簽14 263個,利用數(shù)據(jù)處理軟件TRIFACTA軟件對數(shù)據(jù)庫進(jìn)行信息統(tǒng)計分析后得到標(biāo)簽分布情況如圖4所示。圖4 標(biāo)簽分布圖

【參考文獻(xiàn)】：
期刊論文
[1]基于內(nèi)容和協(xié)同過濾的科技文獻(xiàn)個性化推薦[J]. 楊凱,王利,周志平,趙衛(wèi)東.  信息技術(shù). 2019(12)
[2]應(yīng)用于音樂節(jié)目分類的Apriori挖掘算法設(shè)計[J]. 李臻.  現(xiàn)代電子技術(shù). 2019(19)
[3]大數(shù)據(jù)環(huán)境下改進(jìn)的Aprior算法研究[J]. 王彩強(qiáng),趙憲中,劉涌,侯梓浪,顏恒生,袁秋實.  科技通報. 2019(07)
[4]大數(shù)據(jù)環(huán)境下基于用戶位置的個性化音樂推薦系統(tǒng)設(shè)計[J]. 朱志慧,田婧,林捷.  無線互聯(lián)科技. 2019(02)
[5]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機(jī)學(xué)報. 2018(07)
[6]深度學(xué)習(xí)理論視角下的移動學(xué)習(xí)推薦系統(tǒng)的設(shè)計和研究[J]. 徐正巧,趙德偉.  智能計算機(jī)與應(yīng)用. 2014(02)

碩士論文
[1]個性化音樂推薦系統(tǒng)的研究[D]. 鄧騰飛.華南理工大學(xué) 2018
[2]個性化音樂推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 艾筆.電子科技大學(xué) 2018



本文編號：3088309