基于組合推薦技術(shù)的音樂(lè)推薦引擎研究與實(shí)現(xiàn).pdf

1、分類號(hào)：UDC：密級(jí)：學(xué)校代號(hào)：11845學(xué)號(hào)：2111205052廣東工業(yè)大學(xué)碩士學(xué)位論文(工學(xué)碩士)基于組合推薦技術(shù)的音樂(lè)推薦引擎研究與實(shí)現(xiàn)李恒新指導(dǎo)教師姓名、職稱：鎣堅(jiān)堡熬援學(xué)科(專業(yè))或領(lǐng)域名稱：讓簋扭廑且技苤學(xué)生所屬學(xué)院：讓簋扭堂瞳論文答辯日期：三Q二五生五旦摘要摘要音樂(lè)的獲取多種多樣，從網(wǎng)絡(luò)上獲取已成為大多數(shù)人的首選。而匆忙的現(xiàn)代化生活以及龐大的網(wǎng)絡(luò)資源，讓很多人無(wú)暇去仔細(xì)搜索自己喜愛的音樂(lè)，并且大量適合用戶的音樂(lè)沒(méi)有機(jī)會(huì)被

2、用戶欣賞到。怎么快速挖掘用戶喜好，幫用戶找到自己所喜歡的音樂(lè)，就是音樂(lè)推薦引擎的主要作用。推薦算法是引擎的核一11，算法的優(yōu)劣決定了推薦的質(zhì)量?；趦?nèi)容的推薦研究很早就開始。本文針對(duì)音樂(lè)數(shù)據(jù)的獨(dú)特性，進(jìn)行了標(biāo)簽化處理，使其能應(yīng)用在基于內(nèi)容的推薦上，而基于內(nèi)容的算法主要采用聚類算法。用傳統(tǒng)的TFIDF方法生成音樂(lè)文檔向量來(lái)進(jìn)行聚類，不僅效率低，聚類質(zhì)量也不高。因此，本文采用另一種生成向量的算法，那就是用Simhash算法計(jì)算出物品的指紋特

3、征值，再進(jìn)行聚類。實(shí)驗(yàn)驗(yàn)證了此種方法運(yùn)行效率高，聚類效果也好。另外，在推薦領(lǐng)域，協(xié)同過(guò)濾算法也是El前應(yīng)用比較廣的推薦算法。針對(duì)協(xié)同過(guò)濾推薦算法運(yùn)算量大的特點(diǎn)，本文實(shí)現(xiàn)了在Hadoop平臺(tái)上的基于用戶的分布式協(xié)同過(guò)濾算法，優(yōu)化用戶相似矩陣和去掉熱門和冷門項(xiàng)目偏好向量，并且簡(jiǎn)化整個(gè)流程。在實(shí)驗(yàn)中，和Mahout算法集上的基于項(xiàng)目的分布式協(xié)同過(guò)濾算法比較，在同等數(shù)據(jù)量的前提下，速度更快，推薦質(zhì)量也沒(méi)有降低。最后，本文搭建了一個(gè)B／S結(jié)構(gòu)的音

4、樂(lè)推薦引擎原型系統(tǒng)，整合離線推薦算法結(jié)果，并加入在線推薦功能，滿足用戶的實(shí)時(shí)需求，成為一個(gè)體驗(yàn)較佳的個(gè)性化推薦系統(tǒng)。本文的主要研究工作總結(jié)如下：1對(duì)音樂(lè)進(jìn)行標(biāo)簽化處理，加入權(quán)重，并對(duì)歌詞分詞過(guò)濾處理，采用Simhash算法生成二進(jìn)制指紋特征值，而不是用傳統(tǒng)的TFIDF來(lái)生成向量表示音樂(lè)文檔，在存儲(chǔ)和計(jì)算量上都得到了優(yōu)化。接著用Kmeans聚類算法對(duì)指紋特征值進(jìn)行聚類，得出多簇相似的歌曲，實(shí)現(xiàn)改進(jìn)的基于內(nèi)容的推薦算法。2對(duì)Mahout中基