| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作背景和意义 | 第10-11页 |
| 1.2 国内外相关研究进展 | 第11-12页 |
| 1.3 本文研究内容 | 第12-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第二章 相关理论与技术 | 第15-29页 |
| 2.1 大数据分析技术 | 第15-16页 |
| 2.2 上下文感知技术 | 第16-18页 |
| 2.2.1 上下文信息特点 | 第16-17页 |
| 2.2.2 上下文感知技术 | 第17-18页 |
| 2.3 个性化推荐技术 | 第18-27页 |
| 2.3.1 传统个性化推荐技术 | 第18-23页 |
| 2.3.2 音乐个性化推荐技术 | 第23-27页 |
| 2.3.3 推荐系统常见问题 | 第27页 |
| 2.4 Hadoop大数据平台 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于大数据分析的音乐个性化推荐关键技术研究 | 第29-61页 |
| 3.1 关键技术分析 | 第29-30页 |
| 3.2 大数据处理研究 | 第30-39页 |
| 3.2.1 MIDI音频特征提取 | 第31-33页 |
| 3.2.2 数据分析 | 第33-36页 |
| 3.2.3 数据预处理研究 | 第36-39页 |
| 3.3 用户动态兴趣模型建立 | 第39-49页 |
| 3.3.1 用户数据聚类研究 | 第39-40页 |
| 3.3.2 K-Means++用户数据聚类算法 | 第40-43页 |
| 3.3.3 用户动态兴趣模型建立研究 | 第43-44页 |
| 3.3.4 基于因子分解机的模型建立算法 | 第44-49页 |
| 3.4 推荐候选集筛选 | 第49-54页 |
| 3.4.1 基于UserBased筛选推荐候选集 | 第50-51页 |
| 3.4.2 基于ItemBased筛选推荐候选集 | 第51-52页 |
| 3.4.3 音乐作品聚类算法 | 第52-54页 |
| 3.5 生成推荐结果 | 第54-56页 |
| 3.6 推荐方法实验 | 第56-60页 |
| 3.6.1 测评指标 | 第56页 |
| 3.6.2 实验方案 | 第56-57页 |
| 3.6.3 实验数据集 | 第57-58页 |
| 3.6.4 实验结果与分析 | 第58-60页 |
| 3.7 本章小结 | 第60-61页 |
| 第四章 基于大数据分析的音乐个性化推荐系统分析与设计 | 第61-83页 |
| 4.1 音乐个性化推荐系统流程 | 第61-62页 |
| 4.2 音乐个性化推荐系统需求分析 | 第62-70页 |
| 4.2.1 系统功能性需求 | 第62-69页 |
| 4.2.2 系统非功能性需求 | 第69-70页 |
| 4.3 音乐个性化推荐系统架构设计 | 第70-71页 |
| 4.4 音乐个性化推荐系统功能模块设计 | 第71-80页 |
| 4.5 音乐个性化推荐系统数据库设计 | 第80-82页 |
| 4.6 本章小结 | 第82-83页 |
| 第五章 基于大数据分析的音乐个性化推荐系统实现与测试 | 第83-93页 |
| 5.1 系统运行环境 | 第83页 |
| 5.2 系统核心功能实现 | 第83-89页 |
| 5.3 系统测试 | 第89-92页 |
| 5.3.1 测试环境 | 第89-90页 |
| 5.3.2 系统功能测试及分析 | 第90页 |
| 5.3.3 系统性能测试及分析 | 第90-92页 |
| 5.4 本章小结 | 第92-93页 |
| 第六章 全文总结与展望 | 第93-95页 |
| 6.1 全文总结 | 第93-94页 |
| 6.2 后续工作展望 | 第94-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-100页 |
| 攻读硕士学位期间取得的成果 | 第100页 |
