基于組合推薦技術(shù)的音樂推薦引擎研究與實現(xiàn).pdf

1、分類號：UDC：密級：學(xué)校代號：11845學(xué)號：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)的音樂推薦引擎研究與實現(xiàn)李恒新指導(dǎo)教師姓名、職稱：鎣堅堡熬援學(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，讓很多人無暇去仔細搜索自己喜愛的音樂，并且大量適合用戶的音樂沒有機會被

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，就是音樂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。本文針對音樂數(shù)據(jù)的獨特性，進行了標(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方法生成音樂文檔向量來進行聚類，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算法計算出物品的指紋特

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

4、樂推薦引擎原型系統(tǒng)，整合離線推薦算法結(jié)果，并加入在線推薦功能，滿足用戶的實時需求，成為一個體驗較佳的個性化推薦系統(tǒng)。本文的主要研究工作總結(jié)如下：1對音樂進行標(biāo)簽化處理，加入權(quán)重，并對歌詞分詞過濾處理，采用Simhash算法生成二進制指紋特征值，而不是用傳統(tǒng)的TFIDF來生成向量表示音樂文檔，在存儲和計算量上都得到了優(yōu)化。接著用Kmeans聚類算法對指紋特征值進行聚類，得出多簇相似的歌曲，實現(xiàn)改進的基于內(nèi)容的推薦算法。2對Mahout中基