發(fā)布時間：2021-03-12 10:14

　　在大數(shù)據(jù)時代,面對在線音樂種類豐富、曲庫更新很快而用戶經(jīng)常難以用具體的關(guān)鍵詞描述自己對音樂的需求的情況,音樂門戶網(wǎng)站的用戶對音樂推薦系統(tǒng)的依賴越來越大。一個好的音樂推薦系統(tǒng)能夠極大的提高用戶的忠實度,有助于音樂網(wǎng)站和APP占領(lǐng)市場。由于算法原理所限,傳統(tǒng)的離線推薦系統(tǒng)大多數(shù)從靜態(tài)數(shù)據(jù)構(gòu)建初始模型,然后隨著新的數(shù)據(jù)塊到來必須每隔一段時間在所有歷史數(shù)據(jù)上重新訓(xùn)練模型,導(dǎo)致巨大計算資源消耗的同時也無法捕捉用戶最近的興趣變化,讓其無法得到最新的推薦結(jié)果。隨著音樂平臺交互數(shù)據(jù)的產(chǎn)生速度越來越快,離線推薦算法的問題越來越突出,它們的效果已經(jīng)比不上簡單的在線算法。本文設(shè)計并實現(xiàn)了一個能夠推薦與播放音樂、實時統(tǒng)計與監(jiān)控音樂流行趨勢的系統(tǒng),利用Flume與Kafka實時收集用戶行為日志,用Spark Streaming與Redis實時維護(hù)統(tǒng)計音樂在時間窗口內(nèi)播放量、音樂日播放用戶數(shù)與用戶個人聽歌次數(shù)等重要統(tǒng)計量,能夠高效支持查詢,可以監(jiān)控音樂流行趨勢變化。本文的推薦引擎模塊用Spark Streaming實現(xiàn)了數(shù)據(jù)流上的增量矩陣分解算法、在線協(xié)同主題建模推薦算法和改進(jìn)的基于物品協(xié)同過濾并應(yīng)用于系統(tǒng)中,以... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于物品（左）與基于用戶（右）的的協(xié)同過濾（2）直接混合：多個模型的推薦結(jié)果分別單獨展示，用戶根據(jù)自己的喜好選擇

隱狄利克雷分配的生成模型

協(xié)同主題模型的生成模型

【參考文獻(xiàn)】：
期刊論文
[1]基于Spark的推薦系統(tǒng)的設(shè)計與實現(xiàn)[J]. 李星,李濤.  計算機(jī)技術(shù)與發(fā)展. 2018(10)

碩士論文
[1]基于Spark的實時推薦系統(tǒng)的研究與設(shè)計[D]. 陳恩杰.西安科技大學(xué) 2018
[2]音樂推薦系統(tǒng)的混合推薦方法研究[D]. 吳遠(yuǎn)安.電子科技大學(xué) 2018
[3]個性化音樂推薦系統(tǒng)的設(shè)計與實現(xiàn)[D]. 艾筆.電子科技大學(xué) 2018
[4]面向推薦的大數(shù)據(jù)計算與存儲平臺設(shè)計與實現(xiàn)[D]. 李琛軒.哈爾濱工業(yè)大學(xué) 2016



本文編號：3078138