维普论文检测系统VIP PAPER CHECK SYSTEM基于音乐领域知识图谱的推荐算法研究【原文对照报告-大学生版】报告编号：f31fcd96bbde4972检测时间：2021-04-2711：51：18检测字符数：31646作者姓名：穆雨彤所属单位：中国传媒大学（教务处）全文总相似比复写率他引率自引率专业术语检测结论：21.1%17.78%3.32%0.0%0.0%其他指标：自写率：78.9%高频词：推荐，用户，知识，系统，音乐典型相似文章：无指标说明：复写率：相似或疑似重复内容占全文的比重他引率：引用他人的部分占全文的比重自引率：引用自己已发表部分占全文的比重自写率：原创内容占全文的比重典型相似性：相似或疑似重复内容占全文总相似比超过30%专业术语：公式定理、法律条文、行业用语等占全文的比重总相似片段期刊：30博硕：92综合：3相似片段：230外文：0自建库：50互联网：55检测范围：中文科技期刊论文全文数据库中文主要报纸全文数据库中国专利特色数据库博士/硕士学位论文全文数据库中国主要会议论文特色数据库港澳台文献资源外文特色文献数据全库维普优先出版论文全文数据库互联网数据资源/互联网文档资源高校自建资源库图书资源古籍文献资源个人自建资源库年鉴资源IPUB原创作品时间范围：1989-01-01至2021-04-27维普论文检测系统VIP PAPER CHECK SYSTEM原文对照颜色标注说明：■自写片段■复写片段（相似或疑似重复）引用片段（引用）■专业术语（公式定理、法律条文、行业用语等）保密类别编号毕业论文专媒大基于音乐领域知识图谱的推荐算法研学部（院）信息与通信工程学院专业数字媒体技术专业班级2017级智能媒体技术方向教务处)姓名穆雨彤指导教师李传珍中国传媒大学2021年月日基于音乐领域知识图谱的推荐算法研究摘要随着互联网的发展以及通信技术普及，人们日益面临着海量信息产生的数据冗余问题。在音乐场景下，如何在纷繁芜杂的数据库中为用户精准推荐符合其兴趣口味的音乐成为推荐系统追求的目标。其中，协同过滤推荐算法是其中较有代表性的一种推荐算法，其追踪使用者的使用信息，分析推断使用者喜好物品，从而为特定用户生成个性化偏好列表。由于其算法模型实现相对简单，从而为业界广而应用。然而，传统的协同过滤推荐算法存在着数据稀疏性问题，导致不易为新用户收听音乐作出个性化推荐。知识图谱作为一种蕴含丰富的语义信息的辅助工具，其出现为提高推荐系统的性能做出了很大贡献，因而被广泛应用于推荐算法当中。本文基于音乐领域知识图谱的推荐算法研究，利用音乐领域知识图谱丰富的语义关系，将其嵌入进传统的推荐算法中。首先将音乐知识图谱导入Neo4j图形数据库进行存储，其次，利用TransE翻译模型对音乐知识图谱训练，将其转换至低维度向量空间表示，将知识图谱进行向量化表示，用以接下来推荐系统的使用，并给出了相应的评分函数。接着，将向量化的知识图谱得到的语义相似度与基于传统的协同过滤算法得到相应的物品相似度进行融合，通过计算得到最终的评分预测及推荐列表，实现利用知识图谱的语义信息对协同过滤推荐算法进行补充。最终实验结果表明，二者相结合能够在一定程度上提升推荐系统的性能。最后，本文基于本实验的推荐算法设计并实现了一个音乐推荐系统。关键词：知识图谱，推荐算法，协同过滤，TransEResearch on recommendation algorithm based on Music Knowledge GraphYutong MuABSTRACTWith the development of the Internet and the popularization of communication technology,peopleare increasingly facing the problem of data redundancy caused by massive amounts of information.Inthe music scene,how to accurately recommend users the music that meets their interests and tastes2维普论文检测系统VIP PAPER CHECK SYSTEMin a complex database has become the goal pursued by the recommendation system.Among recommendationalgorithm,the most representative one is the collaborative filtering,which exploits the historicalbehavior of users and analyzes the users'interest and preferences,thereby generatingrecommendations for the user.Because its algorithm model is relatively simple to implement,it iswidely used in the industry.However,the traditional collaborative filtering recommendationalgorithm has data sparseness and problem of the cold start,which makes it difficult to makepersonalized recommendations for new users listening to music.As an auxiliary tool containing richsemantic information,the knowledge graph has made a great contribution to improving the performanceof the recommendation system,so it is widely used in recommendation algorithms.This paper is based on the research of the recommendation algorithm of the music domainknowledge graph,and embeds it into the traditional recommendation algorithm by using the richsemantic relationship of the music domain knowledge graph.First,import the music knowledge graphinto the Neo4j graph database for storage.Secondly,use the TransE translation model to embed theknowledge graph into the low-dimensional vector space,and then vectorize the knowledge graph forthe use of the next recommendation system,and give the corresponding The scoring function trainsthe model.Then,the semantic similarity obtained from the vectorized knowledge graph is merged withthe corresponding item similarity obtained based on the traditional collaborative filteringalgorithm,and the final score prediction and recommendation list are obtained through calculation,so as to realize the collaborative filtering by using the semantic information of the knowledgegraph The supplementary effect of the recommended algorithm.The final experimental results showthat the collaborative filtering recommendation algorithm based on the music knowledge graph canimprove the performance of the recommendation system to a certain extent.Finally,this paperdesigns a music recommendation system based on the recommendation algorithm of this experiment.Keywords:Knowledge Graph,Recommendation algorithm,collaborative filtering,TransE目录摘要IABSTRACTII目录11绪论11.1课题研究的背景和意义11.2国内外研究现状11.2.1知识图谱研究现状11.2.2推荐系统研究现状31.2.3基于知识图谱的推荐系统研究现状61.3研究内容及论文结构71.3.1研究内容71.3.2结构安排81.4本章小节92背景技术及方法102.1协同过滤推荐算法102.1.1基于用户的协同过滤推荐方法102.1.2基于物品的协同过滤推荐方法112.1.3基于模型的协同过滤122.2相似度计算142.2.1余弦相似度142.2.2欧式距离142.2.3 Per son相关系数153