论文部分内容阅读
音乐是人们娱乐生活的重要组成部分,也是放松休闲的重要途径。随着互联网的快速发展,音乐制作技术的提高、创作周期的加快以及压缩技术的成熟,人们可以方便的将自己的音乐作品发布到网上,使得网络上出现了越来越多的音乐作品。互联网作为获取资源的重要媒介,能为用户提供多样化的服务,使得人们获取音乐的渠道越来越广,接触到的音乐信息越来越多。但是这也带来了“信息过载”问题,用户要从海量的音乐中找到自己喜欢的音乐,往往需要付出更多的时间和精力。音乐推荐系统可以根据交互记录发现个人偏好,然后从海量的音乐作品中为用户推荐可能喜欢的歌曲,可以有效缓解“信息过载”问题。基于内容的推荐算法和协同过滤推荐算法是推荐系统中两种常用的推荐方法。音乐作品不同于文本信息,很难从音乐本身的内容去做推荐;在使用协同过滤推荐算法时,由于很少有用户对歌曲进行直接评分,因此需要将用户的历史行为进行评分制转换,这往往会丢失许多有用信息。为提高音乐推荐排名的准确性,本文研究了基于排序学习的音乐推荐方法,并设计了一个基于排序学习的音乐推荐系统。系统从用户对音乐下载、收藏、或多次进行收听行为中分析用户对于音乐作品的偏好。根据用户对产品的偏好关系和相关度为用户给出一个排序的产品列表。本文的主要工作包括以下几点内容:(1)研究了常用的几种推荐算法和排序学习算法,比较了基于内容的推荐算法、协同过滤推荐算法和混合推荐算法的优缺点,以及点级、对级和列表级三种排序学习方法的应用场景,探索将排序学习方法应用到推荐系统中的方法和流程。(2)本文使用“时间黑客数据挖掘赛”提供的阿里音乐数据集为实验数据集,对基于排序学习的推荐算法进行了实验,同时以基于用户的协同过滤算法、基于产品的协同过滤算法和没有加权的排序学习方法三种算法作为对比实验,对实验结果进行了评估和比较。(3)设计和实现基于排序学习的音乐推荐系统,本系统基于MVC框架,根据系统的功能分为推荐模块、登录注册模块、记录收集模块和歌曲搜索模块四个模块进行设计,并对系统的运行效果进行了测试。