个性化音乐推荐系统的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 推荐系统的研究背景 | 第9页 |
| 1.2 个性化音乐推荐系统的研究意义 | 第9-10页 |
| 1.3 个性化音乐推荐系统研究现状 | 第10-12页 |
| 1.4 本文研究的主要内容和创新性 | 第12-13页 |
| 1.5 本文结构安排 | 第13-15页 |
| 第二章 音乐推荐相关技术 | 第15-26页 |
| 2.1 音乐推荐的特点 | 第15-16页 |
| 2.2 基于内容的推荐算法 | 第16-17页 |
| 2.3 协同过滤推荐算法 | 第17-24页 |
| 2.3.1 基于用户的协同过滤推荐 | 第17-20页 |
| 2.3.2 基于物品的协同过滤推荐 | 第20-24页 |
| 2.4 混合推荐算法 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于物品协同过滤与兴趣标签混合的推荐算法 | 第26-41页 |
| 3.1 基于物品协同过滤推荐 | 第26-36页 |
| 3.1.1 物品相似度分析 | 第26-27页 |
| 3.1.2 用户行为偏好评分设计 | 第27-28页 |
| 3.1.3 根据偏好评分计算歌曲相似度 | 第28-31页 |
| 3.1.4 物品相似度分析实验 | 第31-36页 |
| 3.2 获取用户兴趣标签 | 第36-37页 |
| 3.3 混合推荐算法 | 第37-40页 |
| 3.3.1 基于兴趣标签改进物品协同过滤推荐算法 | 第38-39页 |
| 3.3.2 实验评测 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于深度神经网络模型的推荐算法 | 第41-63页 |
| 4.1 深度神经网络模型 | 第41-48页 |
| 4.1.1 人工神经元模型 | 第41-42页 |
| 4.1.2 深度神经网络模型 | 第42-43页 |
| 4.1.3 深度神经网络前向传播算法 | 第43-45页 |
| 4.1.4 深度神经网络反向传播算法 | 第45-48页 |
| 4.2 面向歌曲切歌率预测的深度神经网络模型 | 第48-59页 |
| 4.2.1 深度神经网络切歌率预测模型构建 | 第48-49页 |
| 4.2.2 隐藏层设计 | 第49-52页 |
| 4.2.3 输出层设计 | 第52页 |
| 4.2.4 输入层特征的提取与预处理 | 第52-55页 |
| 4.2.5 实验评测 | 第55-59页 |
| 4.3 基于深度神经网络切歌率过滤的推荐算法 | 第59-61页 |
| 4.3.1 算法框架 | 第59-60页 |
| 4.3.2 实验评测 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-66页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 攻读硕士学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 附件 | 第73页 |
