在音乐推荐领域，根据用户的行为习惯进行偏好建模并进行推荐。但是对于热度较低的音乐，由于很少有用户进行消费，几乎得不到推荐，导致系统中的马太效应越发明显，不利于音乐平台的长期发展。基于look-alike框架针对冷门音乐分别进行建模，训练周期较长，且由于样本数量少，模型效果不理想。利用K-means算法对冷门歌曲进行聚类，再投入look-alike框架进行训练，训练周期大幅度缩短，且推荐准确率更高。
科研之友
微信
新浪微博
Facebook
分享链接
