前言
第１章 机器学习简介１
１.１ 机器学习的概念１
１.２ 机器学习的发展２
１.３ 机器学习的研究现状３
１.３.１ 传统机器学习的研究现状４
１.３.２ 大数据环境下机器学习的研究现状５
１.４ 机器学习的分类５
１.４.１ 有监督学习６
１.４.２ 无监督学习７
１.４.３ 半监督学习８
１.４.４ 强化学习９
１.５ 本章小结１１
第２章 音乐、数字音乐与网络音乐１２
２.１ 音乐的艺术形式１２
２.２ 音乐的产生及发展１４
２.３ 音乐的要素１５
２.４ 音乐的存储与表示１７
２.４.１ 数字音乐及其特点１７
２.４.２ 数字音乐文件的特点和格式１９
２.５ 网络音乐的发展２０
２.６ 网络音乐的特征２２
２.７ 本章小结 ２３
第３章 网络音乐的分类与推荐基础 ２４
３.１ 基于内容的音乐信息检索２４
３.１.１ 音高与旋律２５
３.１.２ 音乐节奏２６
３.１.３ 音乐和声 ２８
３.２ 音乐的分类 ２９
３.２.１ 按表达方式分类 ３０
３.２.２ 按旋律风格分类 ３１
３.２.３ 从音乐的历史角度分类 ３２
３.２.４ 按音乐流派分类 ３６
３.３ 网络音乐的自动分类 ４０
３.４ 网络音乐推荐算法综述 ４２
３.５ 本章小结 ４４
第４章 机器学习中的分类与推荐算法 ４５
４.１ 朴素贝叶斯 ４５
４.２ 决策树 ４７
４.３ ｋ￣近邻 ５０
４.４ 支持向量机 ５１
４.５ 人工神经网络 ５３
４.６ 基于内容的推荐 ５７
４.７ 协同过滤推荐 ６０
４.８ 基于马尔可夫模型的推荐 ６２
４.９ 混合推荐６４
４.１０ 推荐算法评价 ６４
４.１１ 本章小结 ６６
第５章 基于支持向量机的音乐流派分类 ６7
５.１ 音乐的数字描述 ６８
５.２ 特征提取 ７０
５.２.１ 数据预处理 ７１
５.２.２ 声学特征量 ７２
５.３ 特征选择７７
５.３.１ ＲｅｌｉｅｆＦ７８
５.３.２ 顺序前进法７９
５.３.３ ＲｅｌｉｅｆＦ与ＳＦＳ相结合的特征选择算法80
５.４ ＳＶＭ分类器８１
５.４.１ 线性可分支持向量机８２
５.４.２ 线性支持向量机８３
５.４.３ 非线性支持向量机８５
５.４.４ 数值求解８７
５.４.５ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类实现８８
５.５ 实验结果与分析８８
５.５.１ 实验工具８８
５.５.２ 数据集８９
５.５.３ 评价标准及验证方法８９
５.５.４ 实验方法８９
５.５.５ 实验结果及分析９０
５.６ 可扩展性分析９４
５.７ 本章小结９５
第６章 基于ｋ-近邻的音乐流派自动推荐分类９６
６.１ ｋ-近邻算法的理论基础９６
６.１.１ ｋ-近邻算法９６
６.１.２ ｋ-近邻算法模型９７
６.２ 算法的实现步骤及复杂度分析９９
６.３ ＤＷ-ＫＮＮ算法９９
６.３.１ ＫＮＮ算法的改进１００
６.３.２ 二次加权ＫＮＮ (ＤＷ-ＫＮＮ)分类算法１０２
６.４ 实验结果与分析１０３
６.４.１ 实验方法１０３
６.４.２ 实验结果及分析１０４
６.５ 可扩展性分析１０７
６.６ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ与ＤＷ-ＫＮＮ的对比１０8
６.７ 本章小结１０８
第７章 基于社交网络与协同过滤的音乐推荐１１０
７.１ 协同过滤推荐算法１１０
７.１.１ 基于用户的协同过滤推荐算法１１１
７.１.２ 基于项目的协同过滤推荐算法１１１
７.１.３ 基于用户与基于项目的协同过滤推荐算法比较１１２
７.１.４ 协同过滤中存在的问题１１３
７.２ ＳｉｍＲａｎｋ算法１１３
７.２.１ ＳｉｍＲａｎｋ算法思想１１４
７.２.２ ＳｉｍＲａｎｋ算法流程１１５
７.３ 社交网络的形成机制与表示方法１１６
７.４ 构建用户的信任集合进行推荐１１６
７.５ 实验结果及分析１１８
７.５.１ 数据获取和数据集１１８
７.５.２ 评价指标１１９
７.５.３ 实验结果分析１２０
７.６ 本章小结１２１
第８章 基于用户即时兴趣的音乐推荐９６
８.１ 相关研究１２２
８.２ 马尔可夫模型理论基础１２３
８.３ 基于用户即时行为的改进一阶马尔可夫音乐推荐模型１２４
８.３.１ 问题描述１２４
８.３.２ 指数衰减１２５
８．３．３ 指数衰减的马尔可夫模型１２５
８.３.４ 协同过滤的一阶马尔可夫推荐１２６
８.４ 实验结果与分析１２９
８.５ 可扩展性分析１３１
８.６ 本章小结１３１
附录１３２
附录Ａ ＲｅｌｉｅｆＦ-ＳＦＳＳＶＭ分类参考代码１３２
附录Ｂ ＤＷ-ＫＮＮ算法参考代码１３４
附录Ｃ 各分类算法的比较参考代码１４０
参考文献 １４５
鄂公网安备 42010302001612号 