具有多样性的在线KTV音乐推荐算法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·引言 | 第10页 |
| ·研究背景 | 第10-13页 |
| ·在线KTV | 第11页 |
| ·推荐系统 | 第11-12页 |
| ·推荐多样性问题 | 第12-13页 |
| ·研究动机 | 第13-14页 |
| ·研究内容 | 第14页 |
| ·本文组织结构 | 第14-16页 |
| 第2章 相关工作概述 | 第16-26页 |
| ·引言 | 第16页 |
| ·传统推荐算法 | 第16-20页 |
| ·协同过滤 | 第16-17页 |
| ·基于内容的推荐 | 第17-19页 |
| ·混合式推荐系统 | 第19-20页 |
| ·歌曲推荐算法 | 第20-22页 |
| ·特征提取 | 第20-21页 |
| ·结果推荐 | 第21-22页 |
| ·潜在马尔可夫映射模型 | 第22-24页 |
| ·多样性推荐研究 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 个性化马尔可夫映射模型 | 第26-34页 |
| ·引言 | 第26页 |
| ·形式化表示 | 第26页 |
| ·个性化马尔可夫映射模型 | 第26-30页 |
| ·优化目标 | 第27-28页 |
| ·优化方法 | 第28-29页 |
| ·模型复杂度分析 | 第29-30页 |
| ·PME模型计算优化 | 第30-32页 |
| ·解耦 | 第31页 |
| ·算法流程及复杂度分析 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第4章 具有多样性的个性化马尔可夫映射模型 | 第34-40页 |
| ·引言 | 第34页 |
| ·形式化表示 | 第34-35页 |
| ·目标函数 | 第35-36页 |
| ·计算方法 | 第36-38页 |
| ·本章小结 | 第38-40页 |
| 第5章 实验分析 | 第40-54页 |
| ·引言 | 第40页 |
| ·数据概览和预处理 | 第40-42页 |
| ·评价指标 | 第42页 |
| ·基准方法 | 第42-43页 |
| ·实验结果比较 | 第43-45页 |
| ·优势分析 | 第45-46页 |
| ·案例分析 | 第46-48页 |
| ·多样性分析 | 第48-50页 |
| ·基于歌曲空间分布的多样性分析 | 第48-49页 |
| ·基于歌手的熵的多样性分析 | 第49页 |
| ·基于歌曲的熵的多样性分析 | 第49-50页 |
| ·多样性对预测准确性的影响 | 第50-51页 |
| ·本章小结 | 第51-54页 |
| 第6章 工作总结及展望 | 第54-56页 |
| ·本文总结 | 第54页 |
| ·研究展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第62页 |
