基于机器学习的音乐流行趋势预测
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 在线音乐面临的机遇和挑战 | 第9页 |
| 1.1.2 音乐流行趋势预测的意义 | 第9-11页 |
| 1.1.3 趋势预测简介 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 音乐大数据研究现状 | 第12-13页 |
| 1.2.2 人工神经网络预测研究现状 | 第13页 |
| 1.2.3 支持向量机预测研究现状 | 第13-14页 |
| 1.2.4 信息粒化研究现状 | 第14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 小结 | 第16-17页 |
| 第二章 相关理论知识介绍 | 第17-29页 |
| 2.1 数据挖掘流程 | 第17-18页 |
| 2.2 数据挖掘中机器学习算法的应用 | 第18-19页 |
| 2.3 人工神经网络算法 | 第19-22页 |
| 2.3.1 人工神经网络发展历史 | 第19-20页 |
| 2.3.2 人工神经网络模型 | 第20-22页 |
| 2.4 支持向量机算法 | 第22-26页 |
| 2.4.1 支持向量机分类理论 | 第23-24页 |
| 2.4.2 支持向量机回归理论 | 第24-26页 |
| 2.5 K-means聚类算法 | 第26-27页 |
| 2.5.1 聚类算法应用场景 | 第26页 |
| 2.5.2 K-means算法模型 | 第26-27页 |
| 2.6 信息粒化算法 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 样本描述和数据准备 | 第29-37页 |
| 3.1 样本数据描述 | 第29-31页 |
| 3.1.1 数据集来源 | 第29-30页 |
| 3.1.2 用户行为分析 | 第30页 |
| 3.1.3 歌曲信息分析 | 第30-31页 |
| 3.2 数据探索 | 第31-34页 |
| 3.2.1 数据质量分析 | 第31-32页 |
| 3.2.2 数据特征分析 | 第32-34页 |
| 3.3 数据预处理 | 第34-36页 |
| 3.3.1 数据清洗 | 第34-35页 |
| 3.3.2 数据集成 | 第35页 |
| 3.3.3 数据变换 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 数值预测模型的构建与分析 | 第37-54页 |
| 4.1 实验工具选择 | 第37页 |
| 4.2 基于ANN的音乐流行趋势预测 | 第37-44页 |
| 4.2.1 人工神经网络模型 | 第37-38页 |
| 4.2.2 预测未来一月播放量 | 第38-40页 |
| 4.2.3 预测未来一周播放量 | 第40-42页 |
| 4.2.4 预测未来一天播放量 | 第42-44页 |
| 4.2.5 小结 | 第44页 |
| 4.3 基于SVM的音乐流行趋势预测 | 第44-49页 |
| 4.3.1 支持向量机模型 | 第44-45页 |
| 4.3.2 预测未来一月播放量 | 第45-47页 |
| 4.3.3 预测未来一周播放量 | 第47-48页 |
| 4.3.4 预测未来一天播放量 | 第48-49页 |
| 4.3.5 小结 | 第49页 |
| 4.4 基于组合模型的音乐流行趋势预测 | 第49-52页 |
| 4.4.1 ANN+SVM组合预测 | 第49-50页 |
| 4.4.2 比较预测结果 | 第50-51页 |
| 4.4.3 分析比较结果 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 变化预测模型的构建与分析 | 第54-60页 |
| 5.1 艺人分组聚类 | 第54-55页 |
| 5.2 基于SVM的模糊粒化模型 | 第55-56页 |
| 5.2.1 模糊粒化 | 第55-56页 |
| 5.2.2 SVM预测 | 第56页 |
| 5.3 预测变化趋势和变化空间 | 第56-58页 |
| 5.4 预测结果分析 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 研究生期间参与的项目 | 第65-66页 |
| 致谢 | 第66页 |
