基于深度学习的个性化音乐推荐方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 研究目标与内容 | 第11页 |
| 1.4 论文的体系结构 | 第11-13页 |
| 第二章 推荐系统及其核心算法 | 第13-21页 |
| 2.1 基于内容的推荐算法 | 第13-15页 |
| 2.1.1 基于标注内容推荐算法 | 第13页 |
| 2.1.2 基于音乐特征的推荐算法 | 第13-14页 |
| 2.1.3 基于内容推荐算法的优缺点 | 第14-15页 |
| 2.2 协同过滤推荐算法 | 第15-18页 |
| 2.2.1 基于用户的协同过滤算法 | 第15-17页 |
| 2.2.2 基于物品的协同过滤算法 | 第17页 |
| 2.2.3 协同过滤算法优缺点 | 第17-18页 |
| 2.3 混合推荐算法 | 第18-19页 |
| 2.4 音乐推荐系统评价标准 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 深度学习 | 第21-27页 |
| 3.1 深度学习原理和训练过程 | 第21-22页 |
| 3.1.1 深度学习原理 | 第21页 |
| 3.1.2 深度学习训练过程 | 第21-22页 |
| 3.2 深度学习常用方法 | 第22-24页 |
| 3.2.1 自编码器 | 第22-23页 |
| 3.2.2 卷积神经网络 | 第23-24页 |
| 3.3 深度置信网络 | 第24-26页 |
| 3.3.1 限制玻尔兹曼机 | 第24-25页 |
| 3.3.2 深度置信网络 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 基于深度置信网络的音乐信息预测 | 第27-43页 |
| 4.1 相关算法研究 | 第27页 |
| 4.2 音频混合特征集的构建 | 第27-31页 |
| 4.2.1 底层特征选取 | 第28-29页 |
| 4.2.2 中层特征选取 | 第29-30页 |
| 4.2.3 构建音乐推荐特征集 | 第30-31页 |
| 4.3 深度置信网络预测模型的构建 | 第31-36页 |
| 4.3.1 网络结构设计 | 第32-33页 |
| 4.3.2 受限玻尔兹曼机学习模型 | 第33-35页 |
| 4.3.3 Softmax分类回归器 | 第35-36页 |
| 4.4 音乐信息预测流程 | 第36-37页 |
| 4.5 音乐信息预测实验 | 第37-42页 |
| 4.5.1 音乐库 | 第37页 |
| 4.5.2 实验环境 | 第37-38页 |
| 4.5.3 实验步骤 | 第38-39页 |
| 4.5.4 实验结果 | 第39-41页 |
| 4.5.5 方法验证 | 第41-42页 |
| 4.5.6 结果分析 | 第42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 基于深度学习的音乐推荐方法 | 第43-55页 |
| 5.1 改进的Apriori算法 | 第43-46页 |
| 5.1.1 Apriori算法概述 | 第43-44页 |
| 5.1.2 Apriori算法的改进 | 第44-46页 |
| 5.2 音乐标签信息处理 | 第46-48页 |
| 5.2.1 基于用户音乐标签信息 | 第46-47页 |
| 5.2.2 音乐标签处理 | 第47-48页 |
| 5.3 音乐推荐方法 | 第48-50页 |
| 5.3.1 用户兴趣度信息 | 第49-50页 |
| 5.3.2 音乐推荐流程 | 第50页 |
| 5.4 实验评估 | 第50-54页 |
| 5.4.1 Last.fm数据集 | 第50-51页 |
| 5.4.2 实验评价标准 | 第51页 |
| 5.4.3 实验结果 | 第51-54页 |
| 5.5 本章小结 | 第54-55页 |
| 总结与展望 | 第55-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士期间取得的学术成果 | 第63-64页 |
| 致谢 | 第64页 |
