面向冷启动用户的音乐热评混合推荐系统的研究与实现

发布时间：2024-03-22 06:04

　　推荐系统是人们从海量信息中获取所需信息的重要手段。它的目标是连接用户和信息。然而,目前多数推荐系统的推荐依据是用户实时行为数据和用户历史行为数据。当推荐系统内的用户数据量不能达到推荐要求时,就会出现推荐系统的用户冷启动现象。因此推荐系统需要对用户冷启动情景做区分推荐处理,缓解用户冷启动现象导致的推荐效果下降问题。用户冷启动现象也是当前推荐领域普遍面临的问题。为了缓解冷启动用户因缺少历史行为数据造成的推荐效果大幅下降现象,本论文基于音乐热评混合推荐平台的构建,针对服务用户冷启动环境的混合推荐系统进行了研究。使用异步网络爬虫获取当前网络平台上存在的音乐热门评论及相关数据,使用多种推荐算法构建混合推荐引擎,使音乐热评混合推荐平台的冷启动用户也可以获得个性化的音乐热门评论推荐,满足冷启动用户对音乐热门评论的获取需求,提升冷启动用户对整个推荐系统的推荐满意度。本文的主要工作包括以下方面。首先,本论文研究了用户冷启动问题的解决机制和用户对音乐热门评论的获取需求,分析了各种网络爬虫框架各自擅长的业务场景和功能,结合分布式数据库MongoDB和关系型数据库SQLite,构建了一套基于Scrapy爬虫框...

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图３－１平台需求用例图??３．２平台架构??

山东大学硕士学位论文??的耦合性，使各功能模块更容易扩展是非常重要的。如信息获取模块的扩展，平??台用户可能对某一数据比较感兴趣，则需要对数据获取模块获取的字段进行扩展，??增添用户需要的字段；另外随着推荐技术的发展，推荐算法也在不断的更新，为??了提升推荐效果，需要对推荐模块进....

图３－３平台流程图??３．４本章小结??

山东大学硕士学位论文??（开始）?？麵麵?？?ｍｍｍ?？评论召回??Ｉ￣￣｜?结果』謝滤??是?否??Ｉ??ＦＭ算法?Ｂａｎｄｉｔ算法??Ｔ??????鋪錯？崠?？纖展示—＜?额）??图３－３平台流程图??３．４本章小结??本章主要介绍了音乐热评混合推荐平台的需求分析、平台的整体....

图４－３推荐模块流程图??４．３．１评论热度召回??大多数的个性化推荐算法需要充足的数据才能学习出能够进行个性化推荐??

山东大学硕士学位论文??使用因子分解机（Ｆａｃｔｏｒｉｚａｔｉｏｎ?Ｍａｃｈｉｎｅ）或引入上下文信息的Ｂａｎｄｉｔ算法对召??回结果进行排序，完成推荐服务。??包含召回及排序模块的推荐模块如图４－３所示：??获取召回的苜评论???］?［???评论去重、过濾已看??ｆ?判断打标轰交....

图４－４评论内容相似召回流程图??召回过程首先需要对原始数据进行处理，提取出评论ＩＤ和评论的字段，需??

??ＰＶ－ＤＭ是通过上下文环境预测当前值，原理类似于Ｗｏｒｄ２Ｖｅｃ算法中的ＣＢＯＷ??模型。而ＰＶ－ＤＢＯＷ忽略输入的上下文，预测段落中的随机一个单词。类似于??Ｗｏｒｄ２ｖｅｃ中的ｓｋｉｐ－ｇｒａｍ模型。本论文采用了?ＰＶ－ＤＢＯＷ模型。??当用户向音乐热评混合推荐平台提交推....

本文编号：3934742