| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究发展与现状 | 第13-17页 |
| 1.2.1 基于内存的协同过滤 | 第13-14页 |
| 1.2.2 基于模型的协同过滤推荐算法 | 第14-15页 |
| 1.2.3 词的分布式表示与语言模型 | 第15-16页 |
| 1.2.4 基于深度学习的推荐模型 | 第16-17页 |
| 1.3 论文主要研究工作 | 第17-18页 |
| 1.4 论文结构安排 | 第18-19页 |
| 第二章 基于word2vec的音乐向量模型 | 第19-27页 |
| 2.1 word2vec | 第19-23页 |
| 2.1.1 CBOW模型 | 第19-21页 |
| 2.1.2 Skip-gram模型 | 第21-23页 |
| 2.2 负采样 | 第23-24页 |
| 2.3 基于word2vec的音乐向量模型 | 第24-26页 |
| 2.3.1 音乐向量模型 | 第24-25页 |
| 2.3.2 相似用户向量模型 | 第25页 |
| 2.3.3 标签向量模型 | 第25-26页 |
| 2.4 音乐向量模型的复杂度 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于音乐向量模型的用户偏好聚类方法 | 第27-38页 |
| 3.1 音乐标签模型 | 第27-28页 |
| 3.2 聚类算法 | 第28-33页 |
| 3.2.1 k均值聚类 | 第29-30页 |
| 3.2.2 学习向量量化LVQ | 第30-31页 |
| 3.2.3 高斯混合聚类 | 第31-32页 |
| 3.2.4 DBSCAN算法 | 第32页 |
| 3.2.5 AGNES层次聚类算法 | 第32-33页 |
| 3.3 降维算法 | 第33-35页 |
| 3.3.1 主成分分析PCA | 第33-34页 |
| 3.3.2 随机近邻嵌入SNE | 第34-35页 |
| 3.3.3 t-SNE | 第35页 |
| 3.4 基于音乐向量模型的用户偏好聚类方法 | 第35-37页 |
| 3.4.1 实现流程 | 第35-36页 |
| 3.4.2 可视化分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于CNN自动标注用户偏好的音乐推荐方法 | 第38-48页 |
| 4.1 音乐信号处理 | 第38-40页 |
| 4.1.1 MP3音乐格式 | 第38-39页 |
| 4.1.2 短时傅里叶变换STFT | 第39页 |
| 4.1.3 声谱与梅尔声谱 | 第39-40页 |
| 4.2 卷积神经网络 | 第40-45页 |
| 4.2.1 神经网络 | 第40-42页 |
| 4.2.2 卷积神经网络 | 第42-44页 |
| 4.2.3 卷积神经网络典型结构 | 第44-45页 |
| 4.3 基于CNN自动标注用户偏好的音乐推荐方法 | 第45-47页 |
| 4.3.1 音乐文件预处理 | 第45-46页 |
| 4.3.2 网络结构实现 | 第46-47页 |
| 4.3.3 自动标注用户偏好及推荐 | 第47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 音乐推荐结果与分析 | 第48-57页 |
| 5.1 推荐系统指标与数据集 | 第48-50页 |
| 5.1.1 常用推荐系统指标 | 第48-49页 |
| 5.1.2 数据集 | 第49-50页 |
| 5.2 实验效果与分析 | 第50-55页 |
| 5.2.1 基于word2vec音乐向量推荐结果 | 第50-51页 |
| 5.2.2 基于音乐向量模型的用户偏好聚类结果 | 第51-52页 |
| 5.2.3 基于CNN的用户偏好分类结果 | 第52-54页 |
| 5.2.4 基于CNN的自动标注用户偏好的音乐推荐结果 | 第54-55页 |
| 5.3 本章小结 | 第55-57页 |
| 总结 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 附件 | 第64页 |