小型音乐推荐系统开题报告

全文总字数：3453字

1. 研究目的与意义（文献综述）

随着信息技术的不断发展，互联网的数据量呈爆发式增长，人们开始为信息过载这个问题所困扰。为了解决信息过载的问题，人们先后提出了分类目录、搜索引擎以及推荐系统等解决方案。然而由于互联网的规模不断扩大，分类目录也只能提供一些热门网站，开始满足不了用户的需求；而搜索引擎需要用户主动提供准确的关键词来寻找信息，当用户不明确自己的需求时，搜索引擎也就无能为力了。针对前两者的不足，推荐系统应运而生。推荐系统可以通过分析用户的历史行为来建立用户的兴趣模型，从而根据用户模型主动向用户推荐其可能感兴趣的内容，减少用户在寻找资源的过程中花费的时间和精力。

如今，推荐系统已经深入人们的生活并在其中扮演着不可或缺的角色。淘宝、京东、亚马逊等电商平台根据用户的浏览和购买记录进行精准的商品推荐；哔哩哔哩、抖音等视频类软件根据用户的观看历史进行精准的短视频推荐；网易云音乐、qq音乐、虾米音乐等音乐类软件根据用户的收听、点赞记录进行精准的音乐推荐……

推荐系统的核心就是推荐算法，传统的推荐算法包括基于内容的推荐方法、协同过滤方法以及混合推荐方法。基于内容的推荐方法是根据用户过去喜欢的物品，为用户推荐相类似的物品。早期的pandora网络电台的“音乐基因组计划”便属于这种推荐方法，它通过音乐领域的专家来把一首歌的每段音乐都分解成很多 “基因”，来描述这首歌的音乐旋律、和声、节奏等等，通过这些“基因”计算出音乐之间的相似性，从而筛选出用户可能喜欢的音乐。协同过滤推荐算法是通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。last.fm音乐电台就是通过用户的听歌记录以及用户对歌曲的反馈情况，计算出不同用户在歌曲上的喜好相似度，从而给用户推荐和他品味相同的其他用户喜欢的歌曲。这两种方法都具有一定的缺陷，基于内容的推荐方法需要利用专业知识对数据进行处理，复杂度高；协同过滤方法则存在冷启动和数据稀疏性的问题。因此，在实际应用中，很多推荐系统通常采用混合推荐方法，融合了这两种推荐方法并取得不错的效果。金蕾提出了一种分群协同过滤推荐算法，针对每一个用户群组进行als模型的训练，提高了推荐的准确性并解决新用户的冷启动问题。邓腾飞提出了一种基于物品协同过滤与兴趣标签混合的推荐算法，可以取得更加精准的推荐效果。

2. 研究的基本内容与方案

本文研究的基本内容为：设计并实现一个基于web的小型音乐推荐系统，能够为用户推荐一些其感兴趣的音乐。

本文研究的目标为：拟设计一个基于协同过滤和hcrnn的混合音乐推荐系统，解决协同过滤推荐算法的冷启动和数据稀疏性问题，有效提高音乐推荐系统的推荐效果，使其更加“懂人心”。

本文拟采用的技术方案及措施为：首先搜集一定数量的音乐的音频内容的数据集，为下面的音频特征提取工作打下基础，并通过网络搜集一定数量的用户收藏、下载、分享、听歌、搜索、歌曲评价等记录的数据集，为协同过滤推荐算法提供用户和项目的交互数据支持。本人拟采用python推荐系统库surprise，完成基于协同过滤的音乐推荐；采用结合rnn和cnn两种深度神经网络模型的hcrnn网络结构来提取音频特征，达到为歌曲分类的效果，从而为用户推荐相类似的音乐。为了解决新用户的冷启动问题，新用户注册时需要勾选其喜欢的音乐流派、语言等信息，基于此构建起使用对象的用户画像，以便系统向新用户推荐音乐。

3. 研究计划与安排

(1)2020/1/11—2020/1/22：查阅参考文献，明确选题；

(2)2020/1/23—2020/2/21：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；

(3)2020/2/22—2020/2/29：搜集音乐数据集，自主学习有关深度学习方面的基础知识。

4. 参考文献（12篇以上）

文献1：何珊, 谭学清. 音乐个性化推荐系统研究综述[j]. 数据分析与知识发现, 2014, 30(9).

文献2：杨倩, 潘兴德. 音乐推荐技术的现状与发展[j]. 电声技术, 2012, 36(6):44-46.

文献3：金蕾. 个性化音乐推荐算法的研究与实现[d]. 2017.