声明
摘要
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本文主要研究内容
1.4 论文的组织结构
第二章 相关理论介绍
2.1 现有的音乐推荐系统
2.1.1 Pandora音乐电台
2.1.2 Last.fm音乐电台
2.1.3 豆瓣FM
2.2 个性化音乐推荐算法
2.2.1 协同过滤算法
2.2.2 聚类算法
2.2.3 文本建模
2.3 评价标准
2.4 本章小结
第三章 音乐推荐算法阐述
3.1 影响个性化音乐推荐主要因素
3.2 基于用户的协同过滤推荐算法
3.2.1 生成用户-音乐矩阵
3.2.2 用户相似度计算
3.2.3 Top-N推荐
3.2.4 基于用户的协同过滤算法的特点分析
3.3 基于二部图的推荐
3.3.1 用户-音乐二部图和音乐的关联矩阵
3.3.2 用户相关的top-N音乐推荐
3.4 基于LDA主题模型的推荐
3.4.1 音乐的主题概率分布表示
3.4.2 音乐主题概率分布相似度计算
3.4.3 用户对音乐的评分预测
3.5 本章小结
第四章 一种改进的个性化音乐推荐算法
4.1 基于用户的协同过滤算法的改进
4.1.1 K-means聚类算法
4.1.2 改进后的基于用户的协同过滤算法
4.2 基于二部图的推荐算法的改进
4.2.1 用户-标签二部图和标签的关联矩阵
4.2.2 用户相关top-N音乐标签
4.2.3 用户关联音乐集合
4.3 三种算法的比较
4.4 个性化音乐推荐算法的改进
4.5 改进的个性化音乐推荐算法特点分析
4.6 本章小结
第五章 实验设计与结果分析
5.1 实验数据集介绍
5.2 实验环境及实验算法标识介绍
5.2.1 实验环境
5.2.2 实验算法标识介绍
5.3 标准实验
5.3.1 数据集的划分
5.3.2 参数调节
5.3.3 实验对比分析
5.4 特殊环境实验
5.4.1 冷启动环境
5.4.2 数据稀疏环境
5.5 本章小结
第六章 总结与展望
6.1 总结
6.2 展望
参考文献
攻读硕士期间的研究成果
致谢