精华内容
下载资源
问答
  • 奥斯蒂 自动化的上下文感知个性化音乐推荐系统-MEng项目
  • 个性化音乐推荐系统 协同过滤推荐算法在在线音乐播放系统中的应用 一、项目开发技术及功能介绍 1、SSH开发框架(spring+struts+hibernate) 2、js、jquery、bootstrap、layer弹窗、webuploader文件上传、发送邮件...

    个性化音乐推荐系统 协同过滤推荐算法在在线音乐播放系统中的应用

    一、项目开发技术及功能介绍

    1、SSH开发框架(spring+struts+hibernate)
    2、js、jquery、bootstrap、layer弹窗、webuploader文件上传、发送邮件验证码组件、jsp页面
    3、前台:用户登录、注册、注销、个人信息管理、音乐播放、音乐收藏、音乐评分、音乐评论、音乐下载、音乐评论、回复评论等功能
    4、后台:管理员登录、个人信息维护、用户管理、音乐类型管理、音乐管理、评论管理、数据统计等
    5、根据用户操作行为(浏览记录、播放记录、收藏记录、评分记录、下载记录等)进行基于用户/项目的协同过滤推荐算法

    二、项目开发主要代码

    1、数据库表
    数据库表
    2、数据库ER图
    数据库ER图
    3、项目WEB-INF配置项目WEB-INF配置
    4、项目工具类
    项目工具类
    5、项目监听器
    项目监听器
    6、项目静态文件
    项目静态文件
    7、项目控制器项目控制器
    8、项目配置文件
    项目配置文件
    9、项目权限拦截器
    项目权限拦截器
    10、项目实体类
    项目实体类
    11、项目数据层
    项目数据层
    12、项目协同过滤推荐算法工具类
    项目协同过滤推荐算法工具类
    13、项目业务层
    项目业务层

    三、项目效果

    1、前台首页
    前台首页
    2、前台音乐列表页面
    前台音乐列表页面
    3、前台音乐详情页面
    前台音乐详情页面
    4、前台音乐评论页面
    前台音乐评论页面
    5、前台用户登录页面
    前台用户登录页面
    6、前台用户注册页面
    前台用户注册页面
    7、前台用户设置页面
    前台用户设置页面
    8、前台个人中心页面
    前台个人中心页面
    9、前台音乐播放页面
    前台音乐播放页面
    10、管理员首页
    管理员首页
    11、管理员音乐管理页面
    管理员音乐管理页面
    12、管理员添加音乐页面
    管理员添加音乐页面
    13、前台用户标签页面
    前台用户标签页面
    14、前台冷启动推荐页面
    前台冷启动推荐页面

    作者专业长期研究各种协同过滤推荐算法,欢迎留言、私信互相交流学习,后续会不断更新不同的协同过滤推荐算法,欢迎关注。

    展开全文
  • 最近没事睡觉睡不着,本业起来为一家公司写了一个音乐网站,用了点推荐算法,这个公司开心的不得了,请我吃麻辣香锅,666,药水哥我的giao!!!双击老铁666 需求分析 1、用户登录 (1) 用户基本信息展示、修改 (2) 用户...

    介绍

    最近没事睡觉睡不着,本业起来为一家公司写了一个音乐网站,用了点推荐算法,这个公司开心的不得了,请我吃麻辣香锅,666,药水哥我的giao!!!双击老铁666

    需求分析

    1、用户登录
    (1) 用户基本信息展示、修改
    (2) 用户收藏列表
    (3) 用户听歌记录
    2、网站主要实现功能
    (1) 热门歌曲推荐
    (2) 用户喜欢歌曲推荐
    (3) 歌曲排行推荐
    ① 人气排行(根据听曲人数总量确定)
    ② 下载排行(根据歌曲下载次数确定)
    ③ 收藏排行(根据歌曲被收藏的次数确定)
    (4) 歌曲搜索
    (5) 歌曲评论及展示
    (6) 歌曲区分类展示(为歌曲定义标签并分标签展示)
    (7) 用户给歌曲打标签(标签是系统推荐的标签,用户只能在其中选择(此标签在整个系统中不起作用,只对于此用户起作用))
    3、管理员功能
    (1) 管理员页面与普通用户页面展示不同
    (2) 上传并管理所有歌曲
    ① 上传歌曲
    ② 为歌曲定义标签
    ③ 删除歌曲
    ④ 修改歌曲基本信息
    (3) 管理用户信息
    (4) 管理评论信息

    开源地址

    https://gitee.com/bysj2021/music

    开发样例图

    个性化音乐推荐系统
    个性化音乐推荐系统

    核心推荐算法代码实现如下:

    package com.controller;
    
    import java.io.IOException;
    import java.io.PrintWriter;
    import java.util.ArrayList;
    import java.util.HashMap;
    import java.util.Map;
    
    import javax.servlet.ServletException;
    import javax.servlet.http.HttpServlet;
    import javax.servlet.http.HttpServletRequest;
    import javax.servlet.http.HttpServletResponse;
    
    import net.sf.json.JSONObject;
    
    import com.entity.SongList;
    import com.entity.SongListWithSong;
    import com.service.SongListServiceImpl;
    import com.service.SongListServiceInter;
    import com.service.SongListWithSongServiceImpl;
    import com.service.SongListWithSongServiceInter;
    
    /**
     * 标签推荐
     * @author 29207
     *
     */
    public class TagsRecommendServlet extends HttpServlet {
    	@Override
    	protected void doPost(HttpServletRequest request, HttpServletResponse response)
    			throws ServletException, IOException {
    		doGet(request, response);
    	}
    	
    	@Override
    	protected void doGet(HttpServletRequest request, HttpServletResponse response)
    			throws ServletException, IOException {
    		Map<String, Integer> songListTagsNameMap = new HashMap<String, Integer>();//存储歌单标签名字和出现次数
    		java.util.List<Map.Entry<String, Integer>> songListTagsNameListClassement = new ArrayList<Map.Entry<String,Integer>>();//存储排序后歌单标签名字和出现次数
    		
    		PrintWriter out = response.getWriter();
    		//获取歌单编号
    		String songListIdString = request.getParameter("songListId");
    		int songListId = Integer.parseInt(songListIdString);//歌单编号
    		
    		//声明查询歌单的服务
    		SongListServiceInter songListService = new SongListServiceImpl();
    		
    		//用于存放所有歌曲存在的所有歌单
    		ArrayList<SongList> allSongLists = new ArrayList<SongList>();
    		
    		//查询该歌单中存在的歌曲
    		//声明songListWithSong(歌曲歌单表服务对象)
    		SongListWithSongServiceInter songListWithSongService = new SongListWithSongServiceImpl();
    		//调用方法
    		ArrayList<SongListWithSong> songListWithSongs = songListWithSongService.selectSongListWithSongOfSongLIstId(songListId);
    		//遍历,获取其中的歌曲编号
    		for (SongListWithSong songListWithSong : songListWithSongs) {
    			int songId = songListWithSong.getSongId();//获取每一个歌曲编号
    			//根据歌曲编号,查询该歌曲存在在哪些歌单中
    			ArrayList<SongListWithSong> songFromSongLists = songListWithSongService.selectSongListIdFromSongListWithSongOfSongId(songId);
    			//遍历,取出每个歌单的歌单编号,根据歌单编号查找歌单
    			for (SongListWithSong songListWithSong2 : songFromSongLists) {
    				int oneSongFromsongListId = songListWithSong2.getSongListId();
    				//根据歌单编号查询歌单信息
    				SongList oneSongList = songListService.selectSongListOfSongListId(oneSongFromsongListId);
    				//把该歌单存入allSongLists
    				allSongLists.add(oneSongList);
    			}
    		}
    		System.out.println("==========我是标签推荐服务=========");
    		//一个歌单中所有歌曲涉及到的所有歌单为allSongLists
    		int allSongListsLen = allSongLists.size();
    		UserSongListRecommendServlet userSongListRecommendServlet = new UserSongListRecommendServlet();
    		songListTagsNameMap = userSongListRecommendServlet.getSongListTagsNameMap(allSongListsLen, allSongLists, songListTagsNameMap);
    		songListTagsNameListClassement = userSongListRecommendServlet.songListTagsNameComm(songListTagsNameMap);//标签排序后
    		int songListTagsNameListClassementLen =  songListTagsNameListClassement.size();
    		JSONObject tagsRecommJsonObject = new JSONObject();
    		System.out.println("排序后长度:" + songListTagsNameListClassementLen);
    		if (songListTagsNameListClassementLen == 0) {
    			out.print("null");
    		}else {
    			if (songListTagsNameListClassementLen <= 5) {
    				for (int i = 0; i < songListTagsNameListClassementLen; i++) {
    					String tagsRecomm = songListTagsNameListClassement.get(i).getKey();
    					tagsRecommJsonObject.put(i, tagsRecomm);
    				}
    			}else {
    				for (int i = 0; i < 5; i++) {
    					String tagsRecomm = songListTagsNameListClassement.get(i).getKey();
    					tagsRecommJsonObject.put(i, tagsRecomm);
    				}
    			}
    			System.out.println("推荐标签JSON===" + tagsRecommJsonObject);
    			out.print(tagsRecommJsonObject);
    		}
    	}
    }
    
    

    个性化音乐推荐系统
    个性化音乐推荐系统
    个性化音乐推荐系统
    个性化音乐推荐系统
    个性化音乐推荐系统
    个性化音乐推荐系统
    个性化音乐推荐系统

    演示样例

    JavaWeb前后端分离音乐推荐系统 音乐推荐网站 音乐播放系统 标签推荐算法

    开发经验总结

    我能抽象出整个世界...
      但是我不能抽象出你...
      因为你在我心中是那么的具体...
      所以我的世界并不完整...
      我可以重载甚至覆盖这个世界里的任何一种方法...
      但是我却不能重载对你的思念...
      也许命中注定了 你在我的世界里永远的烙上了静态的属性...
      而我不慎调用了爱你这个方法...
      当我义无返顾的把自己作为参数传进这个方法时...
      我才发现爱上你是一个死循环...
      它不停的返回对你的思念压入我心里的堆栈...
      在这无尽的黑夜中...

    我的内存里已经再也装不下别人...

    展开全文
  • 这是我本科毕业做的毕设系统,其中包含了所有的文档,从开题报告、中期检查报告、三稿论文、知网查重、毕设答辩等。虽然水平一般般,但都是我辛辛苦苦自己敲打出来的。
  • 个性化音乐推荐

    2015-07-07 14:09:50
    音乐,人类的灵魂,只有懂得音乐的人才懂得生活。 每个人都离不开音乐这个东西,你可能不喜欢唱歌,但一定不会不喜欢听歌,尤其是那些美妙的音乐。...答曰:推荐系统。在这里,可能会用到下面的几种思路
    音乐,人类的灵魂,只有懂得音乐的人才懂得生活。 
    每个人都离不开音乐这个东西,你可能不喜欢唱歌,但一定不会不喜欢听歌,尤其是那些美妙的音乐。
    如今,有非常非常多的音乐流派和音乐人,不同音乐流派的音乐风格自然很不相同,而同一种音乐流派中不同的音乐人因为对音乐的理解不同也会有不同的音乐风格。
    那么,如何准确地找到你所喜欢的音乐,准确地挖掘你可能会喜欢的音乐呢?
    答曰:推荐系统。
    在这里,可能会用到下面的几种思路:
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">协同过滤。</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">如果我们只是提供音乐服务,而不是像社交网络那样提供交友服务的话,用item-based cf是个明智的方法。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">对于听歌,用1-5分来评价感觉不如用“喜欢”或者“不喜欢”这种方式的用户体验好。尽管喜欢或者不喜欢有点非黑即白的意思,但对于用户来说操作将会非常的简单。当然这是一种显式地反馈方式,往往我们得不到太多的这方面的反馈。那么要做好推荐,必须好好地挖掘用户的隐式反馈,比如,用户收听了这首歌的百分之多少之后点击了下一首,用户是否将歌曲进行分享等等。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">通过将分析用户行为得到的信息转换为对评分矩阵的一种填充,当然这种填充是在一定的confidence level上进行的。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">将用户的行为转换成具体的分数是一个比较主观的事情,需要用用户的显式反馈不断地修正转换成分数时的参数值。而且对于不同的人来说,他们的参数可能是不同的,比如,有的人喜欢在听了一首的前10%来表达他不喜欢这首歌,而有的人可能听了50%才会表达出这种意思。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">所以要做到真正的个性化,必须注意每个人而不是所有人的使用习惯。</span></span></p>
    
    
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">基于音乐的属性(或者说是tag)</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">音乐的属性,或者是音乐带的tag信息,比如:歌手,风格,专辑,格式,时长。现在很多的个性化音乐服务提供商总是喜欢将这些tag信息称作是音乐的DNA。我个人觉得这种叫法有些不妥,因为这些tag信息只是一些概括,并没有真正的深入到音乐本身的属性中,所以最多只能称作音乐细胞。(当然我也理解,这么叫听起来远不如音乐DNA那么有技术含量)</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">利用音乐的tag信息,我们在提供服务前,就可以聚类,然后再在各聚类中进行音乐的相似度计算,以达到“一劳永逸“的效果。这时候,音乐其实就变成了一个向量,由这些tag以及它们所占的权重组成的一个音乐向量,然后可以用各种方法计算它们的相似度。当然有新的音乐入库的时候,我们只需要先找到它属于的那个聚类中,然后再计算相似度。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">这里,需要注意的一件事是各种tag的权重问题,我觉得权重的排序是:风格、歌手、专辑、时长、格式。因为大家喜欢一首歌,是因为这首歌的风格让你感觉舒服,当然也有很多的追星一族他们会喜欢一类人,比如周某某的歌,不管是能听清的还是听不清楚的他们都会喜欢。对于这类问题,只有慢慢地分析用户的收听习惯来个性化地决定权值。</span></span></p>
    
    
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">基于音乐的DNA</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">上面说到的tag我认为是一种比较浅层次的音乐属性,而到底什么是音乐的DNA呢?</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">大家听到的歌曲本质上是一种机械波,具有所有波的属性,包括频率,振幅,周期。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">一种比较极端的方法,就是将库里的所有歌曲都转换成波的形式,然后对波进行相似度分析。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">当然这种方法听起来会很荒谬,但是可以考虑分析波的主成分。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">也可以先利用tag信息将音乐聚类分组,然后并行地用波形分析的方法对音乐进行相似度计算,这样可以省掉确定各个tag之间的权重的麻烦。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">(这种思路,比较YY,哈哈,大家看着玩就可以哈)</span></span></p>
    
    
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">混合推荐</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">混合推荐的话,需要利用音乐的tag信息、用户的行为分析以及用户的评分矩阵来完成。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">用现在比较流行的matrix factor models将各种用户相关的信息包含到模型,然后迭代求解。</span></span></p>
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">利用天气进行推荐</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">大家都有这么一种感觉,晴朗的天气我们更倾向于听一些欢快的歌曲,而阴雨的天气我们会比较倾向于听一些悲伤的歌曲。当然,也有的用户会在阴雨天收听一些欢快的歌曲来让自己happy起来。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">anyway,考虑天气因素是一种简单的方法来提高系统的智能程度的方法(这个简单是相对于分析用户的心情)。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">那么如何知道哪些歌曲属于欢快的歌曲还是比较悲伤的?</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">做个分类器,先对一些你听过的歌曲人工分为欢快和悲伤,然后学习这两类歌曲的特征,然后对未分类的歌曲进行分析来决定他们到底属于哪个类别。当然这是一种二分的情况,实际的歌曲不可能不是欢快就是悲伤,有许多的分类。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">那么如何分析歌曲是欢快还是别的感觉呢?</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">(a)一种基于分类的方法</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">可以考虑用音乐的DNA来分析,当然这个工作量也是非常大的。但完全可以离线做好一劳永逸。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">其实,有一种比较好的方法,就是让用户自己来对每首歌曲进行分类。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">具体的方法是在用户收听每个歌曲的时候让用户为这首歌添加一个表情。(我们会提供几个表情,不同的表情代表不同的分类,当然这个难度比让用户表达喜欢不喜欢更加困难)</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">拿到用户为每首歌添加的表情,我们可以以两种方式来用这个数据。</span></span></p>
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">将所有表情数据集中到一起,提供一种大众化的分类推荐。</span></span>
    </li></ul>
    <ul><li><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">针对每个用户的表情数据,提供一种个性化的分类推荐。因为毕竟不同的用户对同一首歌曲的理解都不相同。</span></span>
    </li></ul>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">这样,我们就可以实现,当下雨天的时候,我们会将推荐给用户的列表中的比较悲伤的歌曲提前到列表的topN的位置。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">(b)一种基于统计的方法</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">我们在为用户提供音乐的服务,会记录一些静态的信息,比如音乐的tag,收听了多久,点击了哪些按钮等等。其实,我们可以也记录下用户在收听这些歌曲当时的天气信息。这样我们可能会得到下面的数据:</span></span></p>
    <p><span style="font-family:Arial;font-size:14px;line-height:22px; white-space:pre-wrap;">身边   </span><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">2011.12.10 14:00-14:05     晴天</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">情非得已   </span></span><span style="font-family:Arial;font-size:14px;line-height:22px; white-space:pre-wrap;">2011.12.10 14:05-14:10     晴天</span></p>
    <p><span style="font-family:Arial;font-size:14px;line-height:22px; white-space:pre-wrap;">。。。 。。。  。。。。 。。。</span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">机器学习中有一个最最经典的例子就是天气和去不去游泳的关系案例。</span></span></p>
    <p><span style="font-family:Arial;"><span style="font-size:14px;line-height:22px; white-space:pre-wrap;">同样的思路,我们可以统计用户在听歌时的天气来做一些统计和学习,来预测用户在给定的天气条件下,他更可能喜欢的歌曲是什么,相当于对协同过滤或者混合推荐算法中给出的推荐列表的一种个性化智能化过滤。</span></span></p>
    展开全文
  • 推荐系统 个性化推荐

    2016-10-27 15:49:00
    音乐领域推荐系统也是越来越广泛无论是最早的豆瓣FM,以及网易云音乐以推荐为主打或者 推荐是很重要的一个频道。 推荐系统在后续消费升级人们对品质的追求和新的的商业模式结合,对于电子商务、以...

      推荐系统应该是先会在有及其多的内容是可以选择和消费的,内容已经极大丰富的领域。

    从这个角度看,应用推荐的领域会首先是内容极大丰富的行业,新闻推荐在今日头条上已经取得极大

    成功。在音乐领域推荐系统也是越来越广泛无论是最早的豆瓣FM,以及网易云音乐以推荐为主打或者

    推荐是很重要的一个频道。 

          推荐系统在后续消费升级人们对品质的追求和新的的商业模式结合,对于电子商务、以及其他很多

    行业可能都会诞生很多新的商业产品。

      技术层面推荐系统模型构建主要基于各种成熟的机器学习等的算法进行构建模型, 大数据主要基于

    mapreduce和hive进行计算所有数据存储做到redis中进行缓存,服务端依据相应的公式将离线、在线

    数据进行整合进行接口的开发,现在一般基于服务化的框架进行线上业务开发。最终由app进行展示,大型

    的app有些服务可能需要通过网关进行转发,也可直接调用后台整合的web服务。

      由此可见推荐系统是一个复杂的系统,包含工程研发和机器学习的大型的复杂的项目。

      推荐系统技术相关的文章

      http://www.ibm.com/search/csass/search?q=%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F&en=utf&sn=dw&lang=zh&dws=cndw&cc=CN&ddr=&lo=zh&o=0

     

                                    2016-10-27 傍晚于北辰

     

     

    转载于:https://www.cnblogs.com/freedommovie/p/6004243.html

    展开全文
  • kkbox-- 通过挖掘海量的历史音乐欣赏记录,流媒体服务向用户提供个性化音乐推荐,实现一个完整的推荐系统,同时预测用户是否在过期后的一个月内预定,流失的概率。
  • 传统的个性化推荐系统,都是定期对数据进行分析,然后对模型进行更新,进而利用新的模型进行个性化推荐。由于是定期更新模型的,推荐模型无法保持实时性,推荐的结果可能不会非常精准。 例如网易云音乐的用户,...
  • 推荐系统概述 搭建推荐系统的关键算法 难点分析和解决方法 深度学习在推荐系统中的应用 进阶资源推荐 数据型产品的标配-推荐系统 淘宝 淘宝为每位不同的用户呈现 不同的首页商品 网易云音乐 网易云音乐根据用户的 ...
  • 网易云音乐个性化推荐算法简析

    千次阅读 2020-04-30 16:52:42
    本文是一个云村九级用户,根据多年的使用体验,对网易云音乐个性化推荐系统(私人FM,每日歌曲推荐,推荐歌单)运作模式的猜测分析。 很早以前刚开始使用网易云音乐的时候,我就对其个性化推荐系统有过一些猜测,...
  • 达观数据于敬:个性化推荐系统实践在DT(datatechnology)时代,网上购物、观看视频、聆听音乐、阅读新闻等各个领域无不充斥着各种推荐,个性化推荐已经完全融入人们的日常生活当中。个性化推荐根据用户的历史行为数据...
  • 推荐系统在日常的网络应用中无处不在,比如网上购物、网上买书、新闻app、社交网络、音乐网站、电影网站等等等等,有人的地方就有推荐。根据个人的喜好,相同喜好人群的习惯等信息进行个性化的内容推荐。比如打开...
  • 个性化学习之推荐系统篇[笔记]

    千次阅读 2017-03-22 15:57:32
    它不同于传统的商品推荐、音乐推荐系统个性化学习推荐系统尝试根据学生的知识能力情况,因地制宜的推荐出学生大概能以20%,50%,80%等概率答对的试题,或者以学生当前知识水平、学习知识的倾向(视频或者文本)等...
  • 简单来说,个性化推荐系统是一种解决信息过载问题的技术,它是根据用户的兴趣爱好,推荐符合用户个性化的对象,可以帮助用户找到想要的商品/新闻/音乐等、能降低信息过载问题、提高站点的点击率/转化率、加深对用户...
  • 个性化推荐漫谈

    2016-05-12 15:33:00
    如果说过去的十年是搜索技术...而近来以“发现”为核心的网站正开始在互联网上崭露头角,比如侧重于音乐推荐的八 宝盒,侧重于图书推荐的豆瓣等等。 那么,一个好的推荐系统需要满足什么目标呢?  个性化推荐...
  • 个性化推荐技术

    千次阅读 2014-04-10 00:02:18
    如果说过去的十年是搜索技术大行其道的十年,那么个性化推荐技术将成为未来十年中最重要的革新之一。目前几乎所有大型的电子商务系统,如Amazon、CDNOW、Netflix等,都不同程度地使用了各种形式的...个性化推荐系统必须
  • 1. 什么是推荐系统推荐系统是什么? 如果你是个多年电商(剁手)党,你会说是这个: ...没错,猜你喜欢、个性歌单、热点微博,这些都是推荐系统的输出内容。从这些我们就可以总结出,推荐系统到底是做什
  • 本文主要介绍基于用户/项目的协同过滤推荐算法在音乐推荐系统、图书推荐系统、电影推荐系统、新闻推荐系统、电子商务网站、购物系统中的应用和实现。 一、基于用户/项目的协同过滤推荐算法在推荐系统中的应用 目前...
  • 个性化推荐简介

    千次阅读 2013-01-14 19:01:25
    本人从9月份以来开始学习个性化推荐相关算法,主要参考《推荐系统实践》一书,将基于用户行为的四类算法加以实现,特贴此系列文献,从而和大家交流心得体会,不足之处,还望纠正。 首先先介绍下个性化推荐系统,...
  • 这是2019年的第一篇文章,因为最近导师给了一个新的任务,有关某app的个性化推荐的,正好自己也是第一次学习这方面的知识,便... 其实个性化推荐系统早已渗透进我们的生活了,网易云音乐的“每日推荐”,淘宝的”猜...
  • 在这里,我将构建两种方法的音乐推荐系统,分别为:基于流行度的推荐系统和基于个性化的推荐系统。并且对于构建的推荐系统,分别用准确率和召回率来进行评估。 下面我将详细介绍怎么用GraphLab Create来构建音乐...
  • 在“精准推荐者得民心”的今天,推荐系统已成为各大互联网公司的标配。但由于现实中很多数据是非欧氏空间生成的(例如,社交网络、信息网络等),一些复杂场景下的业务需求很难通过协同过滤等基于历史行...
  • 基于深度学习的音乐推荐系统简述

    千次阅读 热门讨论 2020-04-04 21:15:27
      基于深度学习的音乐推荐系统旨在以个性化音乐推荐模型为基础,使用B/S架构的形式实现。个性化推荐模型使用了 随机梯度下降(SGD)、 K近邻分类算法(KNN)、协同过滤等传统机器学习领域算法进行音乐推荐的,同时...
  • 推荐系统在日常的网络应用中无处不在,比如网上购物、网上买书、新闻app、社交网络、音乐网站、电影网站等等等等,有人的地方就有推荐。根据个人的喜好,相同喜好人群的习惯等信息进行个性化的内容推荐。比如打开...
  • 这里的音乐推荐系统,可根据用户历史行为信息,为用户个性化推荐音乐。 基于python语言的音乐推荐系统,采用了惊奇库,深度学习,spark + mllib等推荐方法。推荐系统由离线+在线组成,这里仅展示了离线计算方法。该...

空空如也

空空如也

1 2 3 4 5 ... 12
收藏数 235
精华内容 94
关键字:

个性化音乐推荐系统