基于Look-alike和K-means算法的音樂冷啟動問題研究

打開文本圖片集

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