| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目录 | 第7-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 个性化推荐技术与音乐电台 | 第10-17页 |
| 1.2.1 个性化推荐技术 | 第11-15页 |
| 1.2.2 音乐电台 | 第15-16页 |
| 1.2.3 存在的主要问题 | 第16-17页 |
| 1.3 研究内容与方法 | 第17页 |
| 1.4 论文组织 | 第17-18页 |
| 第2章 音乐推荐技术概述 | 第18-32页 |
| 2.1 用户的行为数据类型 | 第18-20页 |
| 2.1.1 显式反馈行为 | 第18-19页 |
| 2.1.2 隐式反馈行为 | 第19-20页 |
| 2.2 音乐标注的来源分类 | 第20-22页 |
| 2.2.1 基于专家的标注 | 第20-21页 |
| 2.2.2 基于用户的标注 | 第21-22页 |
| 2.2.3 基于机器的标注 | 第22页 |
| 2.3 个性化推荐的两项策略 | 第22-28页 |
| 2.3.1 基于内容过滤的推荐 | 第23-25页 |
| 2.3.2 基于协同过滤的推荐 | 第25-28页 |
| 2.4 经典文本分类算法 | 第28-31页 |
| 2.4.1 Rocchio 分类 | 第29页 |
| 2.4.2 Na ve Bayes 分类 | 第29-30页 |
| 2.4.3 TF-IDF 分类 | 第30-31页 |
| 2.5 小结 | 第31-32页 |
| 第3章 基于带权重社会化标签的改进内容过滤音乐推荐方法 | 第32-46页 |
| 3.1 社会化标签的特征 | 第32-33页 |
| 3.2 社会化标签的获取 | 第33-35页 |
| 3.2.1 MBID概念 | 第33-34页 |
| 3.2.2 Last.FM 中获取标签的API介绍 | 第34-35页 |
| 3.3 音乐推荐方法 | 第35-41页 |
| 3.3.1 隐式反馈信息组织形式 | 第36页 |
| 3.3.2 用户行为分析 | 第36-39页 |
| 3.3.3 带权重标签的用户兴趣建模 | 第39-41页 |
| 3.3.4 基于内容过滤的推荐方法 | 第41页 |
| 3.4 评估实验 | 第41-45页 |
| 3.4.1 实验设计与实现 | 第41-42页 |
| 3.4.2 评估指标 | 第42页 |
| 3.4.3 音乐推荐方法评估与比较 | 第42-45页 |
| 3.5 小结 | 第45-46页 |
| 第4章 基于社会化标签与用户属性混合的音乐推荐方法 | 第46-62页 |
| 4.1 用户属性分析 | 第46-47页 |
| 4.2 基于隐式反馈的用户属性预测方法 | 第47-51页 |
| 4.2.1 用户隐式反馈信息的特征提取 | 第48-50页 |
| 4.2.2 属性分类模型的建立 | 第50-51页 |
| 4.3 混合音乐推荐方法 | 第51-54页 |
| 4.3.1 用户属性信息的获取 | 第52-53页 |
| 4.3.2 基于用户属性过滤的方法 | 第53-54页 |
| 4.3.3 混合推荐模型 | 第54页 |
| 4.4 评估实验 | 第54-60页 |
| 4.4.1 实验设计与实现 | 第55-56页 |
| 4.4.2 评估指标 | 第56-57页 |
| 4.4.3 用户属性预测方法评估 | 第57-59页 |
| 4.4.4 混合推荐方法评估 | 第59-60页 |
| 4.5 小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 附录 | 第72-73页 |
| 详细摘要 | 第73-76页 |
