摘要:
大数据催生了互联网，电子商务，也导致了信息过载。信息过载的问题可以由推荐系统来解决。推荐系统可以提供选择新产品（电影，音乐等）的建议。这篇论文会介绍一个音乐推荐系统，他会根据用户的历史行为和口味向用户推荐歌曲。本文介绍一种基于用户和物品的协同过滤技术。首先，建立一个用户-物品相关矩阵来形成用户集群和物品集群。然后，使用这些集群找出和目标用户最相似的用户集群和物品集群。最后，系统会根据最相似的用户和物品集群来推荐音乐。该算法将在基准数据集Last.fm上进行实施。实验结果显示该算法的表现要优于最热门的基准算法。
关键字:推荐系统；协同过滤; 相似度估计
1.引言
进入电子商务和互联网时代后，信息开始如血液般流动。推荐系统是一种解决信息过载问题的工具。推荐系统由两种实体:用户和物品所组成。用户就是网上商店的顾客，物品就是商品。现今有大量推荐系统的应用，例如电影推荐系统，书籍推荐系统，音乐推荐系统等。这篇论文将会讨论音乐推荐系统。在音乐推荐系统中，用户就是听众，物品就是歌曲。
音乐无处不在。每个人只要点击鼠标就能倾听数之不尽的音乐。随着歌曲，乐队和艺术家的数量越来越多，听众很难做出选择。用户想要找到合自己音乐口味的歌曲。音乐推荐系统就是在这种情况下诞生了。Many services like Pandora, Spotify, and Last.fm [1] have come up in order to provide recommendations to users.Netflix组织了百万歌曲数据集挑战赛，希望参赛者能够设计出在Last.fm数据集上具有良好表现的推荐系统。要求对音乐的选择基于用户对某些艺术家的口味，偏爱和信任。为一个软件或者一部机器量化所有这些因素是很难的。因此找到真正使用户感兴趣，合乎用户口味的歌曲是很难的。Every music recommendations system works on a given set of assumptions in order to provide effective recommendations。
文学领域的两种标准推荐系统是协同过滤推荐系统和基于内容的推荐系统。协同过滤基于其他用户的行为进行推荐，而基于内容的系统基于物品的内容进行推荐。
论文的其余部分内容组织如下:
第二部分解释相关研究，第三部分讨论算法，第四部分讨论算法的效果，第五部分进行总结和指明未来的研究方向。
2.相关研究
2.1 用户-物品相关矩阵
协同过滤技术基于用户-物品相关矩阵这种数据结构。在这种数据结构中记录着每个用户和每种物品之间的相关性。
其中Sij是用户i(Ui)听歌曲j(Ij)的次数。
2.2 协同过滤技术
协同过滤技术是推荐系统中最常用的技术。协同过滤技术的基本思想是:如果用户的口味不变，则他过去喜欢的东西，他在未来也会喜欢。
协同过滤技术可以分为以下两类。
2.2.1 基于用户的协同过滤
这种方法的主要思想是找到与当前目标用户最相近的所有用户，然后尝试推荐目标用户可能会喜欢的物品。
2.2.2 基于物品的协同过滤
原文：https://www.cnblogs.com/paradis/p/10409150.html