大数据毕业设计python+spark知识图谱音乐推荐系统 音乐数据分析可视化大屏 音乐爬虫 LSTM情感分析 大数据毕设 深度学习 机器学习 人工智能 计算机毕业设计

推荐系统
有三种推荐系统模型[2]，基于内容的推荐系统，协作式推荐系统和基于混合的推荐型。基于内容的方法[7]适用于项目描述与用户描述之间的关联 配置文件，根据用户的 偏好。基于内容的系统检查属性推荐项目，其中项目的相似性由以下因素确定 测量其属性的相似性。 基于协作的方法[6]分析用户行为和偏好，并探索类似的人与人之间的偏好。协同过滤系统通过以评级的形式收集用户反馈来工作给定域中的项。然后利用评级的相似性多个用户的行为决定了如何推荐 一个项目。混合方法结合了这两种方法。在服务器上分配推荐系统 包含具有用户首选项或历史记录的数据库。这 使用服务器分配的优点是它们不会 数据使用户设备的内存过载，因为客户端应用程序的复杂性较低。有数据客户端和服务器之间的传输流，但当前的数据网络不像以前那样受到限制。在推荐系统中，情绪 开始探索分析以建议更多更新 内容并基于人的情绪和感受。

特定领域的推荐系统，例如多媒体需要根据人的 当前的情绪，情绪和感觉，因为这个人选择特定的电影或歌曲取决于他们当前的心情和 感觉。 任何推荐系统中的用户反馈 [12]，[14]是需要考虑的重要工具。研究专注于数字电视或音乐推荐根据用户反馈的建议更有效。用户通常不喜欢编写手动反馈。因此它使用自动技术收集用户很重要反馈。用户的个人资料是另一个重要因素必须包含在推荐系统中，由调查问卷或评级。有许多研究指出，用户配置文件详细信息会影响情绪指标，即情绪强度可能因用户个人资料而异信息。此推荐系统计算情绪从真实社交网络中提取的句子强度为反对从特定的受信任者中提取句子网络。基于词典的情绪分析与更正因子[1]精确到最终情绪强度值，其中校正系数是根据用户配置文件计算的信息。但这种方法是特定于语言的，因为此情感分析技术基于单词字典。所提议的系统通过使用基于语言独立语料库的情感分析校正因子，这将提高性能现有推荐模型。