一．
选题意义
目前各行业发展迅速、竞争激烈。通过大数据进行数据分析，找到音乐下一部发展方向，是各音乐公司的目标之一。据统计，数据挖掘在金融、零售、互联网等领域得到广泛青睐。
在音乐平台中，客户通过收听音乐，会产生大量购买信息。音乐公司利用大数据可以统计出客户偏好，购买习惯。音乐推荐系统为音乐企业的发展策略提供了方向[1]。
互联网领域中，利用用户的浏览记录，交流信息等统计出用户爱好，挖掘出行业发展趋势。数据分析涉及到多个学科，应用的领域也越来越多，同时问题也逐渐呈现，如在大数据信息下，如何保证客户的信息隐私等，也是各学科要解决的问题之一。
音乐推荐系统就是将数据收集、整理、分析自动化处理，降低统计分析成本，操作简单快捷，提高工作效率的同时，信息也得到有效地利用。音乐推荐系统中应用了数据仓库、个性化推荐技术，数据更新的及时促进了系统的运行[2]。
大数据正渗透到人类社会的方方面面，不仅改变人们的思维方式、工作方式和生活方式，改变社会的生产力与生产关系，而且成为未来的“新石油”、“新金矿”、“新资源”和创新的“新引擎”。如能有效地将大数据分析系统与移动互联网技术、线上线下一体化服务体系进行紧密融合，就可为音乐企业的客户提供个性化服务[3]。
本文通过对音乐推荐系统的研究、分析与设计，实现音乐数据整理，为用户提供个性化推荐服务，降低工作人员工作强度，提高工作效率，更为数据分析提供了强大的数据支撑。
二．
现状简介
推荐系统被很多企业应用到自己产品之中，其中 Amazon通过分析用户的行为历史，为用户提供个性化产品，为Amazon增加了大约20%的收入。Netfix的研究表明60%的用户认为电影推荐系统所推荐的电影类型符合自己的偏好。Apple公司的 ITunes利用推荐算法为用户推荐可能感兴趣的音乐，为公司增加收入。Last.fm中的音乐推荐系统、国内的豆瓣以及字节跳动的今日头条等都是推荐系统被成功应用的典范[4]。
推荐系统目前主要的推荐算法有:基于内容的推荐算法、基于协同过滤的推荐算法和混合推荐算法。基于内容的推荐算法需要提取用户偏好的物品特征，并计算物品的相似度，给用户推荐偏好的物品。基于内容的推荐算法可以在数据评分缺失的情况下，完成对用户的推荐，同时也可以缓解物品的长尾分布和物品冷启动问题。基于内容推荐模型比较单一，推荐内容缺乏多样性。
基于协同过滤的推荐算法是推荐系统的经典算法，主要包括三个方向:基于用户的协同过滤推荐、基于物品的协同过滤推荐和基于模型的协同过滤推荐。Sarvar等人提出了基于物品的协同过滤推荐算法，并表明基于物品的算法比基于用户的算法有更好的性能。Hofmann0l提出了协同过滤的潜在语义模型，以此来挖掘用户的潜在偏好。Gediminas等人[11对推荐系统进行了分类，分为基于用户的协同过滤算法、基于内容的推荐算法和前两者的混合，并阐述了推荐系统的研究方向[5]。
对于音乐推荐技术，随着音乐平台数据量不断的递增，音乐作品玲珑满目，同时用户对音乐作品没有明确的需求，仅是搜索功能已经无法满足用户的日常需求，因此在音乐平台中，推荐系统十分有效。国外的音乐平台中，人们使用比较广泛的有Pandora和Last.fm等平台，这些平台都有自己的推荐算法服务于用户。Pandora的核心算法是利用基于内容的推荐算法，主要通过人工标注的方式对音乐进行分析并打上标签，然后利用这些标签特征进行相似度计算，从而推荐给用户音乐列表。Last.fml21l会根据用户的历史行为计算出用户对不同音乐的偏好程度，从而对用户进行推荐歌曲。
近年来，国内的音乐平台发展迅速，逐渐被广大用户接受，主要有网易云与QQ音乐等[6]。国内对于音乐推荐系统的发展相对来说起步较晚，并且个性化推荐音乐能力较弱，但是也有一些比较优秀的互联网音乐产品如网易云、虾米、豆瓣等，但他们主要通过音乐的社交行为，如对音乐的评论和对平台中好友的分享等行为，互动似的去为用户推荐感兴趣的音乐。但用户对于歌曲的偏好跟用户所处的环境也有很强的关联性，如雨天、晴天、黑天或者白天，用户对音乐的偏好就会发生一些周期性的变化。所以音乐推荐系统需要整合这些因素并进行迭代调整，实现对用户的痛点进行个性化推荐
综上所述，推荐系统具有很大的研究意义与实用价值。推荐系统是解决信息过载的有效手段，不仅在商业上获得了较大成功，也给人们带来了便利。推荐系统的构建是复杂的，构建一个高效且有应用价值的推荐系统是十分不容易的。
参考文献：
[1]张利鸽.基于用户兴趣偏好度的音乐智能推荐系统设计分析[J].电子设计工程,2022,30(11):189-193.
[2]王蕴森. 基于情感分析的音乐推荐系统研究[D].中北大学,2022.DOI:10.
[3]缪艺玮. 基于行为序列和特征的音乐推荐算法研究与应用[D].东华大学,2022.DOI:10.
[4]钱贝贝. 基于协同过滤的音乐推荐系统的设计与实现[D].阜阳师范大学,2022.10.
[5]白诚瑞. 基于深度学习的音乐推荐算法的研究[D].河北建筑工程学院,2022. 10.
[6]吴亚迪. 基于深度学习的音乐推荐算法研究[D].广东工业大学,2022.DOI:10.
本基于django(Python Web 框架)的音乐推荐系统首先从目前在线音乐现状和问题出发，分析基于django的音乐推荐系统开发意义。然后结合Python编程和MySQL数据库存储数据。最后对系统进行设计说明和编码实现。
基于django的音乐推荐系统面向多用户使用，可设置管理员用户和会员用户。管理员用户管理系统信息，对音乐信息，会员信息进行管理，管理公告信息、会员评论、收藏信息，对整个系统进行管理。会员用户查询个人信息，在线查看音乐推荐，评论和收藏。
具体分为：网站首页信息、音乐分类、音乐评论、信息公告、用户登陆和用户注册、用户登录后的音乐推荐。
通过试验研究，探索和构建基于django的音乐推荐系统开发模式，分析设计方法，以及操作流程，研究用户浏览行为分析系统的关键技术，处理和分析软件开发和实现方法。
具体目标包括：
(1) 研究系统过滤推荐算法，分析用户行为，推荐喜欢的音乐信息。
(2) 设计具体功能，实现系统功能的设计、分析、实现。根据功能设计，制定较为完善的数据库。
(3) 对基于django的音乐推荐系统进行界面设计，系统运行速度快，界面美观大方。
1.
拟解决的关键问题
（1）在推荐算法中，各推荐算法的特点是什么，如何进行选择。
（2）在音乐推荐中，使用什么算法进行音乐进行推荐。
（3）本系统使用的django框架，属于Python语言，那么Python语言的特征是什么。
（4）系统数据库如何选择。
2.
解决问题的思路方法
（1）推荐系统比较具有代表的有以下几个系统，Tapestry是最早使用协同过滤系统的，公司员工会收到许多邮件，很难筛选有用的信息，机构发出一个需求文件，然后从文件中找到员工想看的，有用的，依此来进行过滤。GroupLens是一个新闻应用，通过协同过滤系统过滤感兴趣的新闻，通过新闻内容的评分用来参考，并假设感兴趣的新闻在未来也有可能再次查看，这种新闻权重设置较高。
（2）系统拟解决的关键问题是通过协同过滤推荐算法，完成音乐信息的推荐。协同过滤就是根据用户的兴趣、经验、爱好特征来推荐感兴趣的信息。系统根据音乐信息，并不局限在音乐播放率高的，对于不感兴趣的音乐记录也进行过滤。用户注册时候，可以输入用户的喜好。在相同喜好的用户间，具有不同的用户行为，为相同爱好的用户推荐相关的音乐。在此基础上，需要收集用户的行为，如用户评论和收藏，是作为推荐的关键要素，也可以收集用户浏览情况，针对性的进行音乐推荐。所以，本系统的推荐功能需要在用户登录之后进行。用户收藏音乐后，可以对音乐进行评价。然后记录在数据库中。协同过滤算法的步骤是：通过用户收藏音乐的行为偏好，来挖掘出里面物品与物品、或人与人之间的关联。通过对这些关联的关系做一定的运算，得出人与物品间喜欢程度的猜测，即推荐值。将推荐值高的物品推送给特定的人，以完成一次推荐。
（3）通过Python的django框架搭建系统，是完全面向对象的。Django是一个开放源代码的Web应用框架，由Python写成。采用了MTV的框架模式，即模型M，视图V和模版T。django可以提供高度的数据安全，保障了音乐数据信息。此外，django框架还具有高度可扩展和可靠性。
（1）查阅音乐系统相关文献，重点查阅关于音乐推荐算法的文献（12月20日）
（2）下载一个开源的简易python音乐系统代码，测试环境是否正确（12月25日）
（3）收集资料、整理基于django框架的音乐推荐系统的需求；（1月前1周）
（4）根据需求，设计基于django框架的音乐推荐系统的功能，包括注册登录、音乐管理、音乐推荐、管理员管理等。设计系统数据库表，并进行创建，完成MySQL数据库的开发；（2月前完成）
（5）开题报告（2月前抽空完成）
（6）搭建Django框架，完成系统后台架构的编码，包括会员信息管理、音乐分类信息管理、音乐信息管理等；（2月前两周）
（7）进行系统界面设计，完成基于django框架的音乐推荐系统的前后台界面开发，并实现和后台框架的数据交互，最后根据用户的听歌习惯，完成音乐推荐的算法逻辑。（3月10日之前）
（8）论文提纲（3月12日之前）
（9）毕业论文写作：不少于40页（4月10日之前）
如需定做或者获取更多资料，请联系QQ：375279829
客服QQ