基于Look-alike和K-means算法的音樂冷啟動(dòng)問題研究

打開文本圖片集

摘要：在音樂推薦領(lǐng)域，根據(jù)用戶的行為習(xí)慣進(jìn)行偏好建模并進(jìn)行推薦。但是對(duì)于熱度較低的音樂，由于很少有用戶進(jìn)行消費(fèi)，幾乎得不到推薦，導(dǎo)致系統(tǒng)中的馬太效應(yīng)越發(fā)明顯，不利于音樂平臺(tái)的長期發(fā)展?；趌ook-alike框架針對(duì)冷門音樂分別進(jìn)行建模，訓(xùn)練周期較長，且由于樣本數(shù)量少，模型效果不理想。利用K-means算法對(duì)冷門歌曲進(jìn)行聚類，再投入look-alike框架進(jìn)行訓(xùn)練，訓(xùn)練周期大幅度縮短，且推薦準(zhǔn)確率更高。（剩余4448字）