个性化音乐推荐算法的研究与实现
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究的背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 推荐系统的现状 | 第12-14页 |
| 1.2.2 分布式计算的现状 | 第14-15页 |
| 1.3 研究的主要内容及创新性 | 第15-16页 |
| 1.4 本文章节安排 | 第16-17页 |
| 第二章 相关技术 | 第17-27页 |
| 2.1 推荐算法 | 第17-21页 |
| 2.1.1 基于内容的推荐算法 | 第17-18页 |
| 2.1.2 基于近邻的协同过滤算法 | 第18-20页 |
| 2.1.3 基于模型的协同过滤算法 | 第20-21页 |
| 2.2 音乐列表推荐技术 | 第21-22页 |
| 2.3 大数据相关技术 | 第22-26页 |
| 2.3.1 Spark概念及特点 | 第22-24页 |
| 2.3.2 Spark原理机制 | 第24-25页 |
| 2.3.3 分布式存储HDFS | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于Spark的分群协同过滤推荐算法 | 第27-40页 |
| 3.1 分群协同过滤算法 | 第27-30页 |
| 3.1.1 基于ALS模型的推荐算法 | 第27-28页 |
| 3.1.2 算法改进—用户分群 | 第28-30页 |
| 3.2 基于Spark的算法并行化实现 | 第30-33页 |
| 3.2.1 k-means算法并行化实现 | 第30-31页 |
| 3.2.2 ALS模型算法并行化实现 | 第31-33页 |
| 3.3 实验 | 第33-38页 |
| 3.3.1 实验环境 | 第33-36页 |
| 3.3.2 实验数据和评价标准 | 第36-37页 |
| 3.3.3 实验及分析 | 第37-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 音乐列表推荐 | 第40-50页 |
| 4.1 问题描述 | 第40-41页 |
| 4.2 空间嵌入模型 | 第41-46页 |
| 4.2.1 用户-歌曲-标签空间关系 | 第41-45页 |
| 4.2.2 空间模型 | 第45-46页 |
| 4.3 实验设计及结果 | 第46-49页 |
| 4.3.1 Last.fm API和数据集 | 第46-48页 |
| 4.3.2 实验及结果分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 多功能个性化音乐推荐系统设计 | 第50-64页 |
| 5.1 系统需求分析 | 第50-51页 |
| 5.2 系统设计 | 第51-61页 |
| 5.2.1 系统结构设计 | 第52-55页 |
| 5.2.2 推荐引擎设计 | 第55-56页 |
| 5.2.3 数据存储设计 | 第56-60页 |
| 5.2.4 系统工作流程 | 第60-61页 |
| 5.3 系统实现效果 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读硕士期间取得的成果和参与的项目 | 第70-71页 |
| 学位论文评阅及答辩情况表 | 第71页 |
