大數(shù)據(jù)時代,互聯(lián)網(wǎng)上飛速增長的信息加重了“信息過載”的現(xiàn)象,推薦系統(tǒng)可以通過分析用戶過往的行為特征和興趣偏好為用戶建立個性化的興趣模型,在此基礎(chǔ)上幫助用戶快速準(zhǔn)確地查找到信息,近些年來正發(fā)揮越來越重要的作用。音樂是人類表達(dá)情感的一種重要方式,是寄托生活情感的一種藝術(shù)�，F(xiàn)代社會人們更傾向于將收聽音樂作為日常的一種休閑娛樂方式。在音樂領(lǐng)域適合引入推薦系統(tǒng),精準(zhǔn)的音樂推薦既可以提升用戶體驗,又可以為音樂網(wǎng)站帶來流量從而更好地創(chuàng)造商業(yè)價值,因此契合用戶口味的個性化音樂推薦變得越來越重要。常見的音樂推薦系統(tǒng)主要方法有:基于內(nèi)容的推薦、基于協(xié)同過濾的推薦、基于混合方法的推薦等,雖然現(xiàn)有的推薦算法在實現(xiàn)評分預(yù)測和音樂列表預(yù)測方面取得了較為不錯的成績,但是還存在著較大的改進(jìn)空間。例如在基于協(xié)同過濾類型的推薦算法中,通過生成用戶-評分矩陣構(gòu)建的用戶興趣模型容易存在數(shù)據(jù)稀疏的問題;另外只根據(jù)用戶和歌曲自身的信息無法獲取到近期內(nèi)的用戶興趣偏好,導(dǎo)致推薦結(jié)果的實時性較差。針對以往推薦方法存在的數(shù)據(jù)稀疏和實時性的問題,本文提出一種基于雙層注意力機(jī)制的音樂推薦模型,分別從特征級和項目級獲取用戶對音樂特征和音樂項目... 

【文章來源】：東北財經(jīng)大學(xué)遼寧省

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 引言
    1.1 研究背景
    1.2 研究意義
        1.2.1 理論意義
        1.2.2 實踐意義
    1.3 研究的主要創(chuàng)新點
    1.4 研究內(nèi)容和組織結(jié)構(gòu)
2 文獻(xiàn)綜述及相關(guān)理論知識
    2.1 文獻(xiàn)綜述
        2.1.1 音樂推薦研究現(xiàn)狀
        2.1.2 注意力機(jī)制研究現(xiàn)狀
    2.2 音樂推薦系統(tǒng)相關(guān)技術(shù)
    2.3 自然語言處理相關(guān)技術(shù)
        2.3.1 Word2vec
        2.3.2 文本卷積神經(jīng)網(wǎng)絡(luò)
    2.4 注意力機(jī)制相關(guān)技術(shù)
    2.5 本章小結(jié)
3 基于雙層注意力機(jī)制的音樂推薦算法
    3.1 音樂文本特征處理
    3.2 雙層注意力機(jī)制
        3.2.1 神經(jīng)網(wǎng)絡(luò)激活函數(shù)
        3.2.2 雙層注意力機(jī)制模型
    3.3 音樂推薦列表構(gòu)建
    3.4 本章小結(jié)
4 實驗設(shè)計與結(jié)果分析
    4.1 本文數(shù)據(jù)集
    4.2 實驗環(huán)境
    4.3 評價指標(biāo)
    4.4 參數(shù)設(shè)置
    4.5 實驗流程
        4.5.1 數(shù)據(jù)預(yù)處理
        4.5.2 實驗流程
        4.5.3 對比實驗
    4.6 實驗結(jié)果及對比分析
5 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 研究不足與未來展望
參考文獻(xiàn)
后記


【參考文獻(xiàn)】：
期刊論文
[1]基于Word2vec和改進(jìn)型TF-IDF的卷積神經(jīng)網(wǎng)絡(luò)文本分類模型[J]. 王根生,黃學(xué)堅.  小型微型計算機(jī)系統(tǒng). 2019(05)
[2]基于多模態(tài)的音樂推薦系統(tǒng)[J]. 龔志,邵曦.  南京信息工程大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[3]基于深度學(xué)習(xí)的推薦算法研究綜述[J]. 王俊淑,張國明,胡斌.  南京師范大學(xué)學(xué)報(工程技術(shù)版). 2018(04)
[4]基于雙層注意力機(jī)制的深度學(xué)習(xí)電影推薦系統(tǒng)[J]. 肖青秀,湯鯤.  計算機(jī)與現(xiàn)代化. 2018(11)
[5]基于注意力機(jī)制的音樂深度推薦算法[J]. 張全貴,張新新,李志強.  計算機(jī)應(yīng)用研究. 2019(08)
[6]大規(guī)模隱式反饋的詞向量音樂推薦模型[J]. 于帥,林宣雄,邱媛媛.  計算機(jī)系統(tǒng)應(yīng)用. 2017(11)
[7]一種新的基于LDA-MURE模型的音樂個性化推薦算法[J]. 李艷,李葆華,王金環(huán).  吉林大學(xué)學(xué)報(理學(xué)版). 2017(02)
[8]跨媒體分析與推理:研究進(jìn)展與發(fā)展方向（英文）[J]. Yu-xin PENG,Wen-wu ZHU,Yao ZHAO,Chang-sheng XU,Qing-ming HUANG,Han-qing LU,Qing-hua ZHENG,Tie-jun HUANG,Wen GAO.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[9]基于LDA模型的音樂推薦算法[J]. 李博,陳志剛,黃瑞,鄭祥云.  計算機(jī)工程. 2016(06)
[10]深度學(xué)習(xí)研究進(jìn)展[J]. 郭麗麗,丁世飛.  計算機(jī)科學(xué). 2015(05)

碩士論文
[1]基于深度學(xué)習(xí)與自注意力機(jī)制的情感分類方法研究[D]. 祝元勃.西安理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的情感分類系統(tǒng)的研究與實現(xiàn)[D]. 景春臻.北京郵電大學(xué) 2019
[3]基于注意力機(jī)制和改進(jìn)型RNN的Web文本情感分析研究[D]. 王治權(quán).蘭州大學(xué) 2018
[4]個性化音樂推薦系統(tǒng)的研究[D]. 鄧騰飛.華南理工大學(xué) 2018
[5]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
[6]個性化音樂推薦算法的研究與實現(xiàn)[D]. 金蕾.山東大學(xué) 2017
[7]基于標(biāo)簽的音樂推薦系統(tǒng)設(shè)計與實現(xiàn)[D]. 張嘉威.北京郵電大學(xué) 2017
[8]基于動態(tài)集成方法的混合推薦系統(tǒng)研究[D]. 楊文龍.山東大學(xué) 2015
[9]個性化音樂推薦系統(tǒng)的研究與實現(xiàn)[D]. 劉楊.北京郵電大學(xué) 2014



本文編號：3150451