音樂(lè)推薦系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn).pdf

1、隨著互聯(lián)網(wǎng)的飛速發(fā)展，網(wǎng)上信息大量增加，面對(duì)海量信息，用戶要從網(wǎng)上查找到感興趣的內(nèi)容變得越來(lái)越困難。傳統(tǒng)搜索引擎能為人們過(guò)濾一部分無(wú)關(guān)信息，但網(wǎng)上具有相同關(guān)鍵字的信息太多，從搜索結(jié)果中發(fā)現(xiàn)感興趣的內(nèi)容仍是一件費(fèi)時(shí)費(fèi)力的事情，在百度搜索“推薦系統(tǒng)”，找到的相關(guān)結(jié)果有1億個(gè)。而且，傳統(tǒng)搜索方式只會(huì)找到具有搜索關(guān)鍵字的內(nèi)容，卻不能發(fā)現(xiàn)與之關(guān)系緊密，又沒(méi)有類(lèi)似關(guān)鍵字的信息。
　　音樂(lè)是人們生活中不可或缺的一項(xiàng)娛樂(lè)內(nèi)容，網(wǎng)絡(luò)的便捷性讓在線音

2、樂(lè)快速發(fā)展，音樂(lè)推薦成了個(gè)性化推薦系統(tǒng)中一個(gè)重要組成部分，國(guó)內(nèi)外各式各樣的在線音樂(lè)服務(wù)不斷涌現(xiàn)，國(guó)內(nèi)近年來(lái)興起的YY語(yǔ)音、網(wǎng)易云音樂(lè)、Jing.fm等都是此類(lèi)代表。網(wǎng)絡(luò)狀況的改善，讓用戶越來(lái)越習(xí)慣于隨聽(tīng)隨播的收聽(tīng)方式，主動(dòng)發(fā)現(xiàn)音樂(lè)的動(dòng)力在減弱。個(gè)性化音樂(lè)推薦是現(xiàn)今在線音樂(lè)服務(wù)必備的內(nèi)容，也是實(shí)現(xiàn)音樂(lè)長(zhǎng)尾推薦的方法。用戶收聽(tīng)音樂(lè)的行為，如反復(fù)收聽(tīng)、收聽(tīng)過(guò)程中跳過(guò)一首歌曲、收藏一個(gè)專(zhuān)輯等行為，都反映了用戶對(duì)音樂(lè)的喜好傾向。因此，本文根據(jù)用戶

3、收聽(tīng)音樂(lè)產(chǎn)生的日志數(shù)據(jù)，統(tǒng)計(jì)每個(gè)用戶收聽(tīng)了哪些歌手，分別收聽(tīng)的次數(shù)，把次數(shù)轉(zhuǎn)換成評(píng)分，利用個(gè)性化推薦指紋給用戶推薦可能感興趣的歌手。
　　協(xié)同過(guò)濾推薦方法是最早提出的推薦方法，能夠?qū)C(jī)器難以進(jìn)行內(nèi)容過(guò)濾的信息進(jìn)行過(guò)濾，在推薦系統(tǒng)中得到了大量應(yīng)用，在商業(yè)應(yīng)用上取得了不錯(cuò)的成績(jī)。隨著研究的深入和實(shí)際應(yīng)用的需要，協(xié)同過(guò)濾與其它方法相結(jié)合，衍生出許多不同的具體算法，Slope One算法和SVD算法便是近些年興起的著名算法。本文的研究也主