基于标签的个性化音乐推荐系统设计与原型实现

摘要

互联网时代为人们提供了多元化的网络服务，音乐服务是其中之一，各大音乐网站提供了海量的歌曲满足人们的音乐需求。随着追求个性化的90后成为互联网的消费主力，音乐服务的个性化将打开更加广阔的市场。国内外各种流派的音乐数以亿记，用户和音乐之间存在严重的信息不对称问题。推荐系统作为信息过滤系统的一个分支，可以预测用户的喜好，增加流量并带动消费，个性化的音乐推荐系统能够有效的发掘长尾，主动为人们提供喜爱的音乐列表。在音乐领域，主流的推荐系统算法又以基于内容的推荐算法和基于协同过滤的算法作为代表，他们各有优劣，形成互补，为本文的设计提供了良好的思路。 本文设计并实现了一个基于标签的个性化音乐推荐系统，旨在为用户提供符合其兴趣爱好的个性化音乐列表。首先对音乐推荐的国内外现状发展进行了总结，对现有的推荐算法进行了研究和分析，研究了基于标签的协同过滤算法并在此基础上进行了改进，设计了基于有向标签的协同过滤算法，然后设计了相关实验验证了该算法具有良好的性能。接着对个性化音乐推荐系统进行了详细的需求分析并据此设计出了系统的整体架构，对各功能模块进行了详细的设计，最后实现了个性化音乐推荐系统，本文主要研究如下： （1）改进了基于标签的协同过滤算法，在用户、音乐、标签三元关系上增加了认知序这一元素，根据音乐和用户与标签的序列关系来建立用户兴趣特征有向图和音乐特征有向图，这样可以体现用户分类的偏好，从而更加准确的模拟用户兴趣，让推荐结果更符合用户的个性化需求。 （2）将音乐特征有向图集划分为了若干个最大限度异构的聚类簇，使得每个聚类簇中的音乐特征有向图最大程度同构，而不同聚类簇的音乐特征有向图具备差异性。在匹配相似度时，只需在与目标用户相似度最高的聚类簇中进行查询就可以匹配到足量的适用音乐，从而提升了对用户进行音乐推荐的效率。 （3）设计并实现了个性化音乐推荐系统，主要包括系统的基础功能和推荐功能。系统能够爬取用户和音乐数据，并完成数据的去重、分词、关键词提取等预处理。推荐引擎包含两种算法，除了DTSCF算法之外，还引入了基于LDA-MURE模型的推荐算法，系统可以根据用户和音乐的数据信息的实际情况判断合适的推荐算法，实现对用户连续的个性化音乐列表推荐，满足用户的音乐需求。

目录

声明

第一章 绪论

1.1 选题背景与意义

1.2 国内外发展现状

1.3 论文主要研究内容

1.4 论文组织结构

第二章 相关理论与技术

2.1 推荐系统

2.1.1 长尾理论

2.1.2 评测指标

2.2 主题模型

2.2.1 参数贝叶斯模型

2.2.2 非参数贝叶斯模型

2.3 基于内容的推荐算法

2.3.1 算法流程

2.3.2 朴素贝叶斯分类器

2.4 基于协同过滤的推荐算法

2.4.1 基于领域知识的协同过滤算法

2.4.2 基于领域的协同过滤算法三要素

2.5 本章小结

第三章 基于标签的个性化音乐推荐算法研究

3.1 基于标签的协同过滤算法简介

3.2 基于有向标签的协同过滤算法设计

3.3.1 获取标签

3.3.2 将标签与用户、音乐关联

3.3.3 特征建模

3.3.4 音乐聚类

3.3.5 音乐推荐

3.4 基于有向标签的协同过滤算法总结

3.5 基于LDA-MURE模型的推荐算法

3.6 算法实验

3.6.1 实验数据

3.6.2 实验设计

3.6.3 结果与分析

3.7 本章小结

第四章 系统需求分析

4.1 系统总体概述

4.1.1 系统整体需求描述

4.1.2 系统功能需求描述

4.1.3 系统用户需求描述

4.2 系统模块需求分析

4.2.1 数据层需求分析

4.2.2 显示层需求分析

4.2.3 算法实体需求分析

4.2.4 音乐检索模块需求分析

4.3 系统非功能性需求

4.4 本章小结

第五章 系统的设计与实现

5.1 系统整体架构设计

5.2 数据模块设计

5.2.1 网络爬虫设计

5.2.2 数据存储设计

5.3 推荐引擎的设计

5.4 系统基础功能的实现

5.4.1 用户登录

5.4.2 音乐播放控制

5.4.3 音乐播放列表

5.4.4 音乐检索

5.4.5 音乐评论

5.5 系统推荐功能的实现

5.5.1 音乐标签的获取

5.5.2 生成特征有向图

5.5.3 音乐聚类划分

5.5.4 计算音乐与用户兴趣的相似度

5.5.5 生成音乐推荐列表

5.6本章小节

第六章 系统测试

6.1 系统功能性测试

6.2 系统非功能性测试

6.3 本章小结

第七章 总结与展望

7.1 全文总结

7.2 后续工作展望

致谢

参考文献