基于偏正有向图的个性化音乐推荐算法的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 个性化音乐推荐研究现状 | 第12-13页 |
| 1.2.2 推荐新颖性研究现状 | 第13-14页 |
| 1.2.3 基于图的推荐研究现状 | 第14页 |
| 1.3 当前挑战 | 第14-15页 |
| 1.3.1 数据稀疏性问题 | 第14页 |
| 1.3.2 推荐新颖性问题 | 第14-15页 |
| 1.3.3 系统冷启动问题 | 第15页 |
| 1.4 论文的创新点 | 第15页 |
| 1.5 论文的主要工作 | 第15-16页 |
| 1.6 论文结构 | 第16-18页 |
| 第二章 音乐推荐系统技术与应用介绍 | 第18-34页 |
| 2.1 个性化推荐系统简介 | 第18-21页 |
| 2.1.1 个性化推荐系统的基本概念 | 第18-20页 |
| 2.1.2 个性化音乐推荐系统的特点 | 第20-21页 |
| 2.2 音乐推荐的相关技术 | 第21-25页 |
| 2.2.1 基于内容的音乐推荐 | 第21-23页 |
| 2.2.2 基于协同过滤的音乐推荐 | 第23-25页 |
| 2.2.3 组合音乐推荐 | 第25页 |
| 2.3 基于图的学习算法 | 第25-29页 |
| 2.3.1 PageRank算法 | 第26-27页 |
| 2.3.2 超链接主题搜索算法(HITS) | 第27-28页 |
| 2.3.3 二部图推荐算法 | 第28-29页 |
| 2.4 个性化音乐推荐平台 | 第29-32页 |
| 2.4.1 豆瓣音乐 | 第29-30页 |
| 2.4.2 网易云音乐 | 第30-31页 |
| 2.4.3 Last.fm | 第31-32页 |
| 2.4.4 音乐推荐平台综合比较 | 第32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于偏正有向图的音乐推荐算法 | 第34-48页 |
| 3.1 偏好有向连接图的构建 | 第35-41页 |
| 3.1.1 歌曲偏好关系 | 第35-36页 |
| 3.1.2 衡量歌曲偏好关系 | 第36-40页 |
| 3.1.3 生成偏好有向连接图 | 第40-41页 |
| 3.2 正相关加权邻接图的构建 | 第41-44页 |
| 3.2.1 生成正相关加权邻接矩阵 | 第41-43页 |
| 3.2.2 新颖熵 | 第43页 |
| 3.2.3 生成正相关加权邻接图 | 第43-44页 |
| 3.3 偏正有向图的构建 | 第44-47页 |
| 3.3.1 生成偏正有向图 | 第44-45页 |
| 3.3.2 生成用户有向子图 | 第45-46页 |
| 3.3.3 生成推荐结果 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 算法验证与结果评估 | 第48-68页 |
| 4.1 实验数据 | 第48-51页 |
| 4.2 实验设计 | 第51-53页 |
| 4.2.1 实验环境 | 第51-52页 |
| 4.2.2 实验抽样方法 | 第52-53页 |
| 4.3 算法测评平台的选取 | 第53-55页 |
| 4.4 对比推荐算法的选取 | 第55-58页 |
| 4.5 数据稀疏性测评 | 第58-60页 |
| 4.6 推荐新颖性测评 | 第60-63页 |
| 4.6.1 准确度F1 | 第60-61页 |
| 4.6.2 平均自信息U(L) | 第61-62页 |
| 4.6.3 新颖平均度N(L) | 第62-63页 |
| 4.7 用户冷启动测评 | 第63-64页 |
| 4.8 推荐结果展示 | 第64-67页 |
| 4.9 本章小结 | 第67-68页 |
| 第五章 总结与展望 | 第68-72页 |
| 5.1 本文工作总结 | 第68-69页 |
| 5.2 未来工作展望 | 第69-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的学术论文目录 | 第78页 |
