基於使用者行為的數位音樂推薦方法

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：51

、訪客IP：18.224.44.207

姓名

謝宗佑(Tsung-Yu Hsieh) 查詢紙本館藏

畢業系所

資訊管理學系在職專班

論文名稱

基於使用者行為的數位音樂推薦方法

相關論文

★ 利用資料探勘技術建立商用複合機銷售預測模型	★ 應用資料探勘技術於資源配置預測之研究-以某電腦代工支援單位為例
★ 資料探勘技術應用於航空業航班延誤分析-以C公司為例	★ 全球供應鏈下新產品的安全控管-以C公司為例
★ 資料探勘應用於半導體雷射產業-以A公司為例	★ 應用資料探勘技術於空運出口貨物存倉時間預測-以A公司為例
★ 使用資料探勘分類技術優化YouBike運補作業	★ 特徵屬性篩選對於不同資料類型之影響
★ 資料探勘應用於B2B網路型態之企業官網研究-以T公司為例	★ 衍生性金融商品之客戶投資分析與建議-整合分群與關聯法則技術
★ 應用卷積式神經網路建立肝臟超音波影像輔助判別模型	★ 基於卷積神經網路之身分識別系統
★ 能源管理系統電能補值方法誤差率比較分析	★ 企業員工情感分析與管理系統之研發
★ 資料淨化於類別不平衡問題: 機器學習觀點	★ 資料探勘技術應用於旅客自助報到之分析—以C航空公司為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

推薦系統廣泛被主流的線上服務商(例如:Amazon、Spotify、Netflix)應用來增加服務、商品能見度進而誘發使用者購買商品或持續使用服務，受益於網際網路技術成熟與巨量資料相關技術不斷進步，推薦系統逐漸從分析傳統交易資料（熱門購買商品）跨進使用各種演算法預測使用者對歌曲的喜好程度進而做到個人化推薦。
本研究使用Yahoo! Music中使用者對於歌曲評分資料，以目前廣泛被使用在個人化推薦的協同過濾演算法作為基準輔以兩種基於使用者行為上找商品相似度的演算法關聯法則、Word2vec組合出來的混合模型，同時考量實際上的情境：
1.時間序問題：使用Real-life split的概念來切割訓練與驗證資料集。
2.有限的推薦商品數：取Top k的資料驗證map@5,map@10效果。
結果顯示兩種方法皆可以提升準確率且本論文的技術採用Apache Spark,處理大量資料集將帶來顯著的效益。

摘要(英)

The recommendation system is widely used in the on-line entertainment industries.By building the system, services prociders like Amazon、Spotify、Netflix can reveal as more products or contents to their users as possible. The more satisfaction they get from their users means the more user engagement they win.
Take digital music services, in trandition, the system recommended musics based on the historical records or its’ metadata. Along with the improvement of technology, we can easily process large datasets such as user-ratings data or user-behavior data and apply some data mining algorithm such as collaborative filtering algorithm to do the personalization recommendation.
In this study, the Yahoo! Music dataset is used.First, we try to tune the performance of collaborative filtering algorithm and treat it as the baseline of our recommendation system. Second, we reform the user-ratings data to apply two algorithms: Frequent-Pattern Growth and Word2vec in order to find the similarity of songs. Finally, the hybrid models combine the results of CF and fp-growth/Word2vec and both their evaluation metrics : map@5、map@10 are improved. Moreover, the approach we provided is adopted in the Apache Spark framework. It benefits us when dealing with the larger datasets in real world.

關鍵字(中)

★ 協同過濾
★ Word2vec
★ 關聯規則
★ Apache Spark

關鍵字(英)

★ Collaborative Filtering
★ Word2vec
★ Frequent-Pattern Growth
★ Apache Spark

論文目次

摘要 I
Abstract II
誌謝 III
目錄 IV
圖目錄 V
表目錄 VI
第一章緒論 1
1.1 研究背景 1
1.2 研究動機 4
1.3 研究目的 5
1.4 論文架構 5
第二章文獻探討 7
2.1 推薦系統介紹 7
2.2 協同過濾(Collaborative Filtering)與應用 8
2.3 關聯法則(Frequent-Pattern Growth)與應用 11
2.4 Word2vec與應用 13
2.5 巨量資料平行運算框架：Apache Spark 14
2.6 資料集切割方法：Real-life split strategy (RLS) 16
第三章研究方法 17
3.1 資料集介紹 17
3.2 研究流程 18
3.3 資料處理流程 19
3.4 模型評估方法 27
第四章研究結果 28
4.1 協同過濾演算法結果 28
4.2 混合協同過濾與關聯法則結果 30
4.3 混合協同過濾與Word2vec結果 30
4.4 結果分析 31
第五章研究結論與建議 33
5.1. 研究結論 33
5.2. 研究貢獻 33
5.3. 研究限制 33
5.4. 未來研究方向與建議 34
參考文獻 35

參考文獻

1. IFPI. (2020). IFPI issues annual Global Music Report. Retrieved June 7th, 2020, from https://www.ifpi.org/news/IFPI-issues-annual-Global-Music-Report
2. 文化部. (2020). 107年流行音樂產業調查報告
3. PwC. (2019). 2019-2023 全球娛樂暨媒體業展望
4. Global Online Music Streaming Grew 32% YoY to Cross 350 Million Subscriptions in 2019. Retrieved June 7th, 2020, from https://www.counterpointresearch.com/global-online-music-streaming-grew-2019/
5. Spotify. https://www.spotify.com/
6. Apple Music. https://www.apple.com/tw/apple-music/
7. Amazon Music. https://music.amazon.com/home
8. 資策會產業情報研究所. (2015). 2015台灣數位音樂型態與消費趨勢分析
9. 為何Spotify推薦的歌曲總能符合你的喜好？讓它超越競爭對手的秘密.Retrieved June 7th, 2020, from https://www.businessweekly.com.tw/business/blog/3001912
10. 數位時代. (2019). LINE MUSIC強勢登台！一張圖看串流音樂「四兄弟」差異. Retrieved June 7th, 2020, from https://www.bnext.com.tw/article/53955/streaming-music-service-in-taiwan-line-music-kkbox-apple-music-spotify
11. 協同過濾演算法. Retrieved June 7th, 2020, from https://zh.wikipedia.org/wiki/%E5%8D%94%E5%90%8C%E9%81%8E%E6%BF%BE
12. Szu-Yu Chou et al.,. (2015) Evaluating music recommendation in a real-world setting: on data splitting and evaluation metrics
13. Apache Spark. https://spark.apache.org/
14. Yahoo! Music. https://en.wikipedia.org/wiki/Yahoo!_Music
15. P.Resnick, H. R. Varian, G.(1997) Editors. Recommender Systems .Communications Of The ACM,1997,40(3):56-58.
16. Recommender system. https://en.wikipedia.org/wiki/Recommender_system
17. Cold start.https://en.wikipedia.org/wiki/Cold_start_(recommender_systems)
18. Gomez-Uribe, Carlos A.; Hunt, Neil (2015). The Netflix Recommender System. ACM Transactions on Management Information Systems. 6 (4): 1–19.
19. Systex Etu.(2014). Etu Recommender 2.0 精準推薦和消費者行為分析平台教育訓練
20. Akoios.(2020). Building a movie recommender system. Retrieved June 10th, 2020, from https://medium.com/@akoios/building-a-movie-recommender-system-e2384328a134
21. 張良卉.(2013).矩陣分解法對網路評比資料分析之探討.
22. Reza Zadeh,Databricks,Stanford. (2015). Stanford CME 323: Distributed Algorithms and Optimization, Spring 2015 ,lecture 14
23. DigiTimes.(2014) Big Data經典案例：星期五、尿布與啤酒. Retrieved June 8th, 2020, from https://www.digitimes.com.tw/tw/dt/n/shwnws.asp?cnlid=10&cat=35&id=401927
24. Tomas Mikolov et al., (2013). Efficient Estimation of Word Representations in Vector Space.
25. Co-occurrence matrix.https://en.wikipedia.org/wiki/Co-occurrence_matrix
26. 唐正陽. (2016) 用 Word2vec 輕鬆處理新金融風控場景中的文本類數據 https://kknews.cc/tech/38lg8v8.html
27. 溫品竹,蔡易霖,蔡宗翰 (2015) 基於Word2Vec 詞向量的網路情緒文和流行音樂媒合方法之研究
28. David Reinsel et al., (2018) The Digitization of the World from Edge to Core .IDC White Paper – #US44413318.
29. Apache Hadoop.(2006) https://zh.wikipedia.org/wiki/Apache_Hadoop
30. Map Reduce.(2005) https://zh.wikipedia.org/wiki/MapReduce
31. 加州大學柏克萊分校AMPLab. https://amplab.cs.berkeley.edu/
32. Apache Mahout. https://mahout.apache.org/
33. Scalable Collaborative Filtering with Apache Spark MLlib. Retrieved June 10th, 2020,from https://databricks.com/blog/2014/07/23/scalable-collaborative-filtering-with-spark-mllib.html
34. WSDM - KKBox′s Music Recommendation Challenge. (2018) https://www.kaggle.com/c/kkbox-music-recommendation-challenge/
35. FMA: A Dataset For Music Analysis Data Set. (2017) https://archive.ics.uci.edu/ml/datasets/FMA%3A+A+Dataset+For+Music+Analysis
36. Netflix Prize.(2009). https://en.wikipedia.org/wiki/Netflix_Prize
37. Yahoo Webscope Program. (2020) Retrieved June 8th, 2020, from https://webscope.sandbox.yahoo.com/
38. Yahoo! Music Webscope_C15-Yahoo! Music user ratings of musical tracks, albums, artists and genres, v 1.0 (1.5 Gbyte) Retrieved Feb 4th, 2017, from https://webscope.sandbox.yahoo.com/catalog.php?datatype=c&did=48
39. Fayyadet al., (1996) , “ From Data Mining to Knowledge Discovery in Databases, “ AI Magazine, Volume 17, Number 3. pp. 37–54
40. 梁德馨,葉建良. (2007) 消費者信用貸款違約風險評估模型之研究- 以 CART 分類與迴歸樹建模. 中山管理評論
41. Apache Spark ALS.(2020). Retrieved Feb 4th, 2020, from https://spark.apache.org/docs/1.6.0/mllib-collaborative-filtering.html#collaborative-filtering
42. Regularization.(2020). 林軒田機器學習基石-第十四講 https://www.coursera.org/learn/ntumlone-algorithmicfoundations
43. Overfitting https://zh.wikipedia.org/wiki/%E9%81%8E%E9%81%A9
44. Apache Spark ALS API.(2020). Retrieved Feb 4th, 2020, from https://spark.apache.org/docs/1.6.0/api/python/pyspark.mllib.html#pyspark.mllib.recommendation.ALS
45. Gensim.(2010) https://radimrehurek.com/gensim/models/word2vec.html
46. RSME.(2020) https://en.wikipedia.org/wiki/Root-mean-square_deviation
47. Dheeraj kumar Bokde et al., (2015). An Item-Based Collaborative Filtering using Dimensionality Reduction Techniques on Mahout Framework
48. map.(2014). Stanford Class cs276 .Retrieved Feb 4th, 2020, from https://web.stanford.edu/class/cs276/handouts/EvaluationNew-handout-6-per.pdf
49. Nick Pentreath. (2015). Machine Learning with Spark. ISBN: 9781783288519

指導教授

蔡志豐(Chih-Fong Tsai)

審核日期

2020-6-24

推文