基于Look-alike和K-means算法的音乐冷启动问题研究

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘要：在音乐推荐领域，根据用户的行为习惯进行偏好建模并进行推荐。但是对于热度较低的音乐，由于很少有用户进行消费，几乎得不到推荐，导致系统中的马太效应越发明显，不利于音乐平台的长期发展。基于look-alike框架针对冷门音乐分别进行建模，训练周期较长，且由于样本数量少，模型效果不理想。利用K-means算法对冷门歌曲进行聚类，再投入look-alike框架进行训练，训练周期大幅度缩短，且推荐准确率更高。（剩余4448字）

试读结束

目录
monitor