基于SVD与LightGBM的音乐推荐算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第10-18页 |
| 第一节 研究背景与意义 | 第10-11页 |
| 一、研究背景 | 第10-11页 |
| 二、研究意义 | 第11页 |
| 第二节 研究现状 | 第11-15页 |
| 一、国外研究现状 | 第12-13页 |
| 二、国内研究现状 | 第13-14页 |
| 三、国内外文献评述 | 第14-15页 |
| 第三节 研究内容及框架 | 第15-17页 |
| 一、研究内容 | 第15-16页 |
| 二、研究框架 | 第16-17页 |
| 第四节 本文研究创新之处 | 第17-18页 |
| 第二章 推荐系统及主要推荐算法概述 | 第18-32页 |
| 第一节 推荐系统的相关算法 | 第18-26页 |
| 一、协同过滤推荐算法 | 第19-22页 |
| 二、基于内容的推荐算法 | 第22-23页 |
| 三、基于关联规则的推荐算法 | 第23-24页 |
| 四、混合推荐算法 | 第24-26页 |
| 第二节 国内外音乐推荐系统的发展现状 | 第26-28页 |
| 一、国外音乐推荐系统的发展现状 | 第26-27页 |
| 二、国内音乐推荐系统的发展现状 | 第27-28页 |
| 第三节 推荐系统性能的评估方法 | 第28-30页 |
| 一、预测准确度 | 第28-29页 |
| 二、分类准确度 | 第29-30页 |
| 第四节 推荐系统中存在的几大问题 | 第30-31页 |
| 一、数据稀疏性 | 第30-31页 |
| 二、算法可扩展性 | 第31页 |
| 第五节 本章小结 | 第31-32页 |
| 第三章 基于SVD的音乐评分预测 | 第32-41页 |
| 第一节 SVD基本原理 | 第32-33页 |
| 第二节 利用SVD计算音乐评分 | 第33-35页 |
| 第三节 基于SVD的音乐推荐系统构建 | 第35-40页 |
| 一、建立用户与音乐评分哈希表 | 第36-37页 |
| 二、迭代计算用户与音乐特征矩阵 | 第37-39页 |
| 三、使用特征矩阵预测歌曲评分 | 第39-40页 |
| 第四节 本章小结 | 第40-41页 |
| 第四章 基于LightGBM的音乐评分预测 | 第41-56页 |
| 第一节 LightGBM算法的基本原理 | 第41-51页 |
| 一、集成学习思想概述 | 第41-42页 |
| 二、梯度提升决策树算法原理 | 第42-47页 |
| 三、LightGBM对XGBoost的改进优化 | 第47-51页 |
| 第二节 基于SVD-LGBM的音乐推荐系统构建 | 第51-55页 |
| 一、引入用户偏好的时间指数修正模型 | 第51-52页 |
| 二、基于SVD-LGBM的歌曲评分预测 | 第52-55页 |
| 第三节 本章小结 | 第55-56页 |
| 第五章 实证分析 | 第56-70页 |
| 第一节 实验数据与环境 | 第56-57页 |
| 第二 KKBOX数据集特征分析 | 第57-61页 |
| 一、数据预处理 | 第57-59页 |
| 二、特征工程建设 | 第59-61页 |
| 第三节 实验结果与分析 | 第61-68页 |
| 一、模型评价标准 | 第61页 |
| 二、基于SVD-LGBM的歌曲推荐预测 | 第61-68页 |
| 第四节 SVD-LGBM算法的应用 | 第68-69页 |
| 第五节 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 第一节 全文总结 | 第70-71页 |
| 第二节 未来展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 附录 | 第77-80页 |
| 致谢 | 第80-81页 |
