基于大数据个性化音乐推荐系统设计及实现开题报告

1. 研究目的与意义

选题理由：随着互联网通信与多媒体技术的发展，新媒体短视频的播放量持续增长。截止2021年，爱奇艺、腾讯视频、抖音短视频等客户端的月度活跃用户高达8.88亿，每天有接近10亿的视频播放量。面对如此海量的新媒体短视频，传统的协同过滤算法难以采取常规的手段来实现新媒体短视频的内容特征提取，也就无法对新媒体短视频内容的进行准确推荐。同时，深度学习在自然语言处理、图像处理和语音处理等领域取得了技术性突破，新媒体短视频推荐技术应运而生。在此背景下，基于标签的实时新媒体短视频个性化推荐系统，把握用户兴趣偏好与新媒体短视频之间的内在关系，实现新媒体短视频的个性化推荐。

选题意义：

1.能够有效的应对数量大的视频的推荐。以对用户的历史行为以及浏览的视频画像构建的标签为基础，通过公式计算出视频与视频的相似度、用户对视频画像的偏好权重来依次推荐视频，与以往的协调过滤算法相比能够缩短的处理数据的时间，有效的处理大批量的视频数据。

2. 研究内容和预期目标

研究内容：

1.基于标签的推荐系统的意义及推荐系统发展的国内外现状

2.如何来构建基于用户行为兴趣及视频的画像来构建合适的标签模型

3. 国内外研究现状

国内外研究现状：推荐系统的鼻祖是上世纪诞生的 tapestry，这是基于协同过滤技术的系统，此后 对信息推荐系统的探索和实际使用进入了一个高速成长的阶段。由于巨大的应用需求，不同学科都加入对改进推荐效用的科研中，特别是从其他领域引入的思路方法，人工智能、信息检索、数据挖掘、商业等都成为了推荐系统进行探究和应用的热门领域。在2007年，第一届美国计算机协会（acm）推荐系统大会举办之后带动了与会者对基于上下文推荐的关注度。在国内，阿里巴巴公司在2014年提供部分电商实际交易数据让各大高校研究者学习和应用大数据解决真实业务问题，同时在推荐系统研究领域，举办基于 tmall 海量数据的推荐算法比赛。尽管不同企业和研究机构开发出了多种信息推荐系统，其中具有代表性的为以下 8 种：

1. tapestry。xerox 公司研究中心开发的邮件推荐系统。开发者自己设计了一 款专用的查询语句命名为 tql，用户要了解自己也要了解系统中的其他使用者，因为系统要求用户自己来指定那些可能具有相同兴趣的用户。这一点约束了系统的适用 范围，即小众群体，需要用户之间有一定的熟知度。

2. grouplens。mit 开发的自 动协同过滤系统，该系统产生近邻的方式是通过分析用户的评分数据，自动搜寻到相似用户，并由此得到一个推荐结果集合。该系统可容性高，对于较多用户参与使用的场景比较适合。该系统的移植性特别好，适合在新闻领域使用。

4. 计划与进度安排

研究计划：

1.阐明基于标签推荐系统的各模块组成与构建，具体分析存在的难点与解决方案，并分析存在意义与发展前景。

2.构建合适标签信息，找到合适部署平台等。

5. 参考文献

[1] 王国霞，刘贺平.个性化推荐系统综述[j].计算机工程与应用,2012,48(7):66-76.

[2] 刘建国，周涛，汪秉宏，个性化系统研究进展[j].自然学进展，2009,19(1):1-15.

[3] 朱泽宇. 社会标签系统挖掘研究[j]. 江苏科技信息, 2015, (23):26-27.