摘要：在互联网的遍及与影响下，大众音乐消费方式升级，各大平台是否可以在这种情况下保证出色的歌曲品质、贴合消费者的个性化需求，都直接影响着其产品的用户粘性和企业收益。用户希望能够从海量的音乐资源中寻找到自己真正感兴趣的歌曲，音乐平台希望能够让自己的音乐产品脱颖而出，多方面的需求致使各大音乐平台把竞争重点转移到了以用户为中心的个性化音乐推荐上。

参考以上几点，本文选取基于内容的推荐、协同过滤推荐、混合推荐，对机器学习在音乐个性化中的实际应用进行扼要介绍。侧重于实际的音乐推荐应用中，各大平台普遍采取的协同过滤推荐算法展开具体论述。同时本文通过KKBox音乐平台提供的公开数据集，对歌曲id、用户id、用户听歌界面等信息，构建基于用户和基于物品的协同过滤推荐算法模型，为用户推荐符合其兴趣偏好的歌曲，进行实际验证与研究。结合实验后的预测推荐结果，本文在最后部分将两种协同过滤模型进行了系统的对比以寻找它们之间存在的主要差异。

关键词：机器学习 音乐推荐 协同过滤 推荐算法

目录

摘要

Abstract

1. 引言-1

1.1 研究背景和意义-1

1.2 国内外研究现状和发展趋势-1

1.3 论文研究内容-2

2. 相关理论及技术-2

2.1 推荐算法概述-2

2.2 经典推荐算法分类-3

2.2.1 基于内容的推荐-3

2.2.2 基于协同过滤的推荐-3

2.2.3 混合推荐-3

2.3 推荐算法的评价指标-4

2.4 推荐算法的常见问题-5

3. 协同过滤推荐算法分析-5

3.1 基于用户的协同过滤推荐算法-5

3.2 基于物品的协同过滤推荐算法-7

3.3 实验与结果分析-8

3.3.1 实验过程-9

3.3.2 两种协同过滤的推荐结果-10

3.3.3 两种协同过滤的推荐效果评估-10

3.3.4 两种协同过滤推荐的对比-11

4. 总结与展望-11

4.1 论文总结-11

4.2 研究展望-12

参考文献-13

致谢-14

附录-15