發(fā)布時(shí)間：2024-07-09 04:30

　　隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展,互聯(lián)網(wǎng)上可供用戶挑選的物品呈現(xiàn)指數(shù)型增長(zhǎng),這導(dǎo)致了用戶很難選擇到自己真正感興趣的物品,即產(chǎn)生了信息過(guò)載問(wèn)題。推薦系統(tǒng)因此應(yīng)運(yùn)而生,推薦系統(tǒng)建模用戶的偏好,主動(dòng)為用戶提供個(gè)性化推薦服務(wù)。音樂(lè)推薦旨在從用戶與音樂(lè)的交互數(shù)據(jù)中進(jìn)行有效的信息挖掘,根據(jù)用戶的興趣、行為、社交關(guān)系等多方面的因素為用戶提供個(gè)性化音樂(lè)推薦。然而,現(xiàn)有的音樂(lè)推薦方法大多只在簡(jiǎn)單的層次上考慮用戶的偏好,缺乏對(duì)用戶偏好的充分挖掘。在已有的音樂(lè)推薦中,大多數(shù)基于協(xié)同過(guò)濾的音樂(lè)推薦算法直接將用戶聽(tīng)取歌曲的頻數(shù)作為用戶對(duì)于歌曲的評(píng)分,而忽略了這些頻數(shù)之間的分布情況。除此之外,音樂(lè)本身的特征,如音色、音調(diào)等內(nèi)容難以提取和處理,導(dǎo)致音樂(lè)的本質(zhì)特征不能有效的應(yīng)用在音樂(lè)推薦中,不能給用戶提供較為滿意的個(gè)性化音樂(lè)推薦�；�于以上問(wèn)題,本文重點(diǎn)研究加入標(biāo)簽對(duì)于用戶特征提取的影響,在此基礎(chǔ)上提出了融合用戶多方面的特征的個(gè)性化音樂(lè)推薦方法,本文主要的研究成果如下:(1)考慮用戶聽(tīng)取歌曲頻數(shù)的分布,建立了合理的評(píng)分機(jī)制,將用戶聽(tīng)取歌曲的頻數(shù)轉(zhuǎn)換為一定范圍內(nèi)的評(píng)分。此外,針對(duì)音樂(lè)自身的特征難以提取和處理的問(wèn)題,本文使用標(biāo)簽代替...

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1中國(guó)網(wǎng)民規(guī)模及互聯(lián)網(wǎng)普及率

第一章緒論研究背景及意義在互聯(lián)網(wǎng)蓬勃發(fā)展的當(dāng)今社會(huì)，海量的信息和數(shù)量呈指數(shù)式增長(zhǎng)的物品分布在平臺(tái)上，人們可以有更多的選擇去瀏覽感興趣的信息。如圖1-1所示，根據(jù)中信息中心的調(diào)查[1]，到2018年6月為止，我國(guó)的網(wǎng)民人數(shù)達(dá)到8.02億，上半民2968萬(wàn)人，....

圖1-3影響音樂(lè)感知的四種不同類型的因素[13]

電影MovieLens,Netflix,Moviefinder視頻youtobe,aiqiyi,bilibili閱讀GoogleReader,dangdang,zite生活中，人們通常為了阻擋噪音或者放松心情而選擇聽(tīng)TIDAL，Spotify等在線音樂(lè)流媒體....

圖2-4Zipf定律[55]

11/rrrdrNN(2-8)成立：rrrdNN庫(kù)中出現(xiàn)的詞的數(shù)量存在著一定的規(guī)律，我們稱之為Zi現(xiàn)三次的詞的數(shù)量超過(guò)出現(xiàn)兩次的，且出現(xiàn)兩次的詞的數(shù)量的詞的數(shù)量。從圖2-4可以看出當(dāng)越大的時(shí)候詞的數(shù)量中得出rdr，而0d....

;圖3-2listenedTracksCount和Cunt(listenedCount)的分析;

圖3-2listenedTracksCount和Cunt(listenedCount)的分析可以看出，用戶的聽(tīng)歌次數(shù)及其頻數(shù)同樣呈現(xiàn)了嚴(yán)重的和其他物品有所不同，用戶對(duì)于大多數(shù)的音樂(lè)存在著重別喜歡的音樂(lè)或者歌手，聽(tīng)歌的次數(shù)會(huì)呈現(xiàn)更大的值，悉且不感興趣的歌曲都只是聽(tīng)取了一次，....

本文編號(hào)：4004398