一、开题依据（研究目的、意义及国内外研究概况，附主要参考文献）

1. 研究目的、意义

随着信息时代的发展，互联网的普及和各种智能电子产品的广泛应用，过量的信息同时展现在用户面前，会使得他们很难从中获取自己需要的内容。针对这种情况，推荐系统技术便发展起来了。个性化推荐系统是通过建立用户与物品之间的关系，利用用户的历史行为和选择，挖掘用户可能感兴趣的物品，可以帮助用户较快地获取想要的信息，从而进行个性化推荐。

目前，个性化推荐系统已经被广泛应用到电子商务、视频推荐、阅读、社交网络和音乐电台等领域。其中，音乐推荐较为受欢迎，因为听一首歌的耗时很少，时间成本低，不太浪费用户的时间，而且用户大都把音乐作为背景音乐，同时进行其他工作，并且用户可以反复听自己喜欢的音乐，却不会反复看同一部电影或同一本书。

现在，几乎所有的在线音乐流媒体平台都会应用到推荐系统，例如：Pandora会根据专家标注的基因极端歌曲的相似度，并给用户推荐和他之前喜欢的音乐在基因上相似的其他音乐；Last.fm记录了所有用户的听歌记录以及用户对歌曲的反馈，以此计算出不同用户在歌曲上的喜好相似度，从而给用户推荐与他有相似听歌爱好的其他用户喜欢的歌曲。如果系统的推荐质量和准确率足够高的话，用户就愿意再次访问该系统，这样该系统和用户之间就建立了长期稳定的联系。

本论文开发一个基于Spring Boot框架的个性化音乐推荐系统，采用协同过滤推荐技术，提供用户专属的个性化推荐音乐列表的功能，达到系统可以根据用户的喜好推荐音乐的效果，同时也会展示系统中比较热门的音乐排行和新歌排行，用户也可以搜索自己想要的歌曲，进行点赞，评论，收藏等，也可以根据系统提供的链接跳转到网易云音乐的音乐播放详情页，进行收听。

2. 国内外研究概况

推荐系统的概念是在上个世纪九十年代被正式独立提出的，Resnik和Varian在1997年给出了个性化推荐系统的定义：它是利用电子商务网站向顾客提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买的过程。推荐系统因为近几年来电子信息技术的进步而快速发展和应用，从最初只对电子商务网站进行研究，到现在阅读、视频、音乐等领域的广泛应用。推荐算法主要有这四种：基于内容的推荐、协同过滤推荐、基于规则的推荐和混合推荐。

基于内容的推荐算法是最基本的算法，指的是在内容上寻找与目标用户以往爱好相近的音乐。这一算法需要物品有足够多的特征信息，根据特征计算物品间的相似度，利用用户过去喜欢或不喜欢的物品特征，通过比较，生成推荐列表。这一算法对商品推荐比较好，但对于音乐这种多媒体资源，很难提取特征信息，例如：音色、音调、音频等，所以音乐推荐不适合使用这种算法。

协同过滤的推荐算法是当前推荐系统中应用最早、范围最广、最经典的算法。它是利用当前用户或其他用户对部分项目的已知偏好数据来预测当前用户对其他项目的潜在爱好。用户与音乐之间的交互有：搜索行为、听歌记录、评论和收藏等，这些行为明示或暗示地表达着用户喜欢的行为，然后找到与用户兴趣相同的其他用户，计算他们之间的距离，然后把这些兴趣相同的用户收听过的音乐推荐给该用户。这种方法可以发现内容上下不相关但却是用户潜在兴趣倾向的音乐类型。这种推荐算法推荐的音乐往往是平分较高，比较受欢迎的，而一些新发布的音乐就不会很快被推荐。

基于关联规则的推荐算法是根据用户的收藏记录，通过音乐之间的相似性推算出用户还没有收藏的音乐，然后依据规则的重要程度，将这些音乐排列形成推荐列表给用户。该算法可以实现推荐实时性，但关联规则的抽取相对困难。

混合推荐算法就是为了满足各项指标的要求，避免单一方法存在的弊端，把各个推荐算法结合起来以此来达到更好的效果。加权混合、分级型混合、瀑布型混合和合并推荐结果这四种混合方法是比较常见的。目前，被研究和应用得最为广泛的混合推荐就是协同过滤和基于内容这两种方法了。

3. 参考文献

[1] 李世旭. 音乐推荐系统的设计和实现[D].电子科技大学,2014.

[2] 代丽,樊粤湘.个性化推荐系统综述[J].计算机时代,2019(06):9-11+15.

[3] 王毅.网络推荐系统的三大挑战——从用户体验出发[J].清华管理评论,2013(06):10-13.

[4] 曾秀芹,何梦,申梦莉,许文鹏.音乐推荐系统主观评价指标研究——以网易云音乐为例[J].新闻与传播评论,2019,72(06):94-107.

[5] 艾笔. 个性化音乐推荐系统的设计与实现[D].电子科技大学,2018.