论文部分内容阅读
我国有巨大的网络音乐市场,音乐平台仅仅通过检索功能远远不能满足用户的需求。用户和音乐之间的不对称问题一直困扰着我们,为用户提供一种精准发现用户喜好的推荐算法是我们急需解决的问题。推荐系统是继主动搜索之后一种信息过滤的常用方式,通过对用户的画像和行为分析用户的喜好来给用户推荐,增加用户的粘滞性,提高付费率。在音乐推荐领域,最主流的算法主要是协同过滤和基于内容这两种推荐方式,本文根据这两种方式的启发,通过这两种简单的策略和基于关联规则的策略对音乐库中歌曲进行初步筛选,然后利用混合推荐策略进行推荐。本文在通过合理的需求分析的基础上设计并实现了一个基于混合策略的音乐推荐系统。我们首先对音乐推荐的研究背景和意义以及国内外的发展现状进行了描述,对现有的业界常用的推荐算法进行了研究并选定了相应的评价指标。接着对本系统进行了总体、模块和非功能性需求分析,然后实现了个性化音乐推荐系统的基本功能和推荐功能,最后对系统进行了测试展示出良好的效果。本文主要研究如下:(1)在设计基于混合策略的个性化推荐系统时,本系统在基于用户的协同过滤推荐方式的基础上,结合基于标签的内容推荐、基于关联规则的推荐,利用三种较为简单的推荐策略得到的推荐序列,然后与乐库热度排名前200的歌曲结合得到初始化推荐序列。由此完成歌曲的初步筛选。接下来我们组合推荐序列对应的用户行为特征、歌曲标签特征和用户播放序列特征并将其送入统一的打分的集成学习模型XGBoost中,对初筛推荐序列统一打分,按照TOP N的规则推荐给用户,这样做既能让推荐方式多样化,又能让音乐推荐列表更符合用户的个性化音乐需求。实验证明,基于策略的混合推荐方式相对于基于用户的协同过滤、基于标签的内容推荐和基于关联规则的推荐来讲精准度更高,推荐效果更好,其AUC可以达到0.783。(2)本系统设计并采用B/S模式、前后端分离、SSM框架等Java Web开发技术完成了音乐推荐系统的后台管理部分,主要实现了包括音乐系统的基础功能和音乐推荐功能等模块。在XGBoost模型训练中我们还使用了 Spark大数据技术进行分布式训练和分析,展示出了良好的运行效率。此外在音乐推荐方式中,本系统不仅实现了个性化推荐算法,还新增了热门推荐和新歌上架两种推荐方式来满足用户的多样化音乐需求。