python基于深度学习的音乐推荐方法研究系统

python基于深度学习的音乐推荐方法研究系统

• 开发语言:Python

• 数据库：MySQL
• 所用到的知识：Django框架
• 工具：pycharm、Navicat、Maven

系统功能实现

系统的首页

此次设计的深度学习的音乐推荐系统的首页展示如下

音乐播放界面的实现

当点击一首歌之后，可以进入到音乐的播放界面中，在该界面中能够看到有歌名、作者、演唱者、流派以及歌词等内容，并且可以进行歌曲下载，点评以及收藏。如下所示

音乐推荐功能的实现

在音乐推荐功能的使用中，在文本框中通过输入歌名，点击提交会推荐与之相关的一些歌曲，如下图所示

后台管理系统的实现

在后台的管理界面中，管理员能够对网站内的歌曲信息进行相应的管理，如下图所示

数据库的设计

数据库的设计上首先是对数据库E-R模型的设计，此次设计的E-R模型图有以下一些方面：

1. 用户E-R模型：

1. 推荐E-R模型：

1. 系统管理员E-R模型

摘  要

数字化时代带动着整个社会的信息化发展，随着数字媒体的不断发展，现在通多媒体数字产品的内容越来越丰富，传播影响力越来越强，以音乐为例，现在的音乐文化多样、音乐资源也异常的丰富，在这种大数据的环境下，人们要想找到想要的音乐类型、找到心里所想的那首音乐无疑是大海捞针。现在音乐的推荐系统也非常的多，但是推荐的内容、推荐的方式却与用户的感知差距明显，或多或少都会存在一些问题。而随着深度学习、卷积神经网络的不断发展，现在的深度学习在图像识别、自然语言等领域都有着很好的发展，也很好的应用在了音乐的推荐过程中。

本次的研究是基于使用自动编码器，通过与卷积神经网络相结合，以挖掘音频、歌词本身的非线性特征，来实现很好的音乐推荐、音乐查找识别的功能实现，并将内容特征与协同过滤共同作用，训练紧耦合模型。通过此次的系统搭建与开发，能够通过深度学习的方式让系统可以实现按照用于的喜好来进行音乐的推荐的功能实现。

关 键 词：深度学习；音乐推荐；Python；KNNBaseline

绪论

1.1研究背景

当下是一个信息化高速发展的时代，信息的大数据时代为人们带来了丰富多彩的数字化信息内容，多媒体更是在数字化时代的发展下不断的壮大。多媒体通过网络的传递实现更加便捷、迅速、广泛的传递过程，实现很好的文化氛围，也实现了丰富的内容构成。但是面对铺天盖地的信息，信息的过载问题也逐渐的凸显出来。现在人们在信息的消费、信息的生产过程中，面对海量的资源如何进行筛选和加以利用，成了困扰人们的一大难题。面对消费群体，消费者们无法从中获取有效的信息，而面对生产者，生产者希望自己的信息被广泛推广，被广泛阅读，但是由于整个网络的信息体量大，而是生产者的创作容易被石沉大海。针对过载问题日益的严重，搜索引擎的出现大大的缓解了人们寻找所需信息的压力，另外推荐系统的出现也加强了人们对于海量信息搜索的困扰。其中，搜索引擎属于一种相对被动的信息检索，需要用户输入相应内容，根据内容提示来进行相关信息的检索。而推荐系统则是通过对用户的历史行为、大数据逻辑进行分析，从而推荐给用户其可能感兴趣的信息。

目前推荐系统在图书阅读、音乐播放、视频播放等领域有着深入的应用，我国的抖音、头条等都利用了推荐功能来根据用户浏览的历史、页面停留的时长等来进行相应内容分析，从而向用户推荐其感兴趣的相关信息。国外的Netflix以及YouTube也有着相应的推荐功能。在音乐方面，现在的QQ音乐、网易云音乐等也都有着类似的推荐功能，通过用户行为来推荐其偏好的类型、风格的音乐以保持用户的粘性。

1.2研究现状

早在1992年，在美国就通过协同过滤的思想为邮件和新闻进行了推荐系统的应用。随后，在1994年实现了自动化的新闻信息协同过滤，1995年实现了支持个性化的信息查找辅助系统的设计实现。从此之后，推荐系统这一种主动信息过滤的系统，关注度持续上升，在学术界已经商业的应用上得到了非常广泛的应用发展。到了2006年，Netflix公司通过以百万美元奖励来促进推荐系统的进一步完善，项目吸引了众多的学者参加，为推荐算法的研究打下了坚实的基础。2007年，明尼苏达大学也成功的举办了全球第一届推荐会议，为推动推荐系统的发展提供了很大的帮助，该会议每年一次一直持续至今。而现如今，很多的新闻、期刊等也都在应用推荐系统，在商业化的领域中，IBM、谷歌等都通过推荐系统实现了广告收益的提升，美国网上零售商overstock也通过推荐方案来为不同的用户推荐产品广告，使得其经营收入也实现了大幅的增长。

随着推荐系统传入我国，我国的电商巨头最先对推荐系统进行了深度的利用，通过针对推荐系统评价的可扩充性、稀疏性等进行了深入的研究，对其未来在我国的发展趋势进行了深入的判断，在个性化服务的核心技术上、在协同规律算法的推荐内容上，通过结合当下的国情，以相似度量的方式来对缺陷进行弥补。通过多种推荐技术结合的方式在国内形成了一股推荐系统开发的热潮。而在数字化产品的不断发展之下，国内的在线音乐商店逐渐的增加，数字音乐成为了当下主流的音乐服务媒介，通过互联网实现了更好的数字音乐的传播发展。而海量的音乐出现，已经超出了人们的接收范围和需求，人们想要在众多的音乐中找到自己想要的、感兴趣的音乐变得极为困难。面对这种情况，国内外对于音乐的推荐系统的开发均有着非常显著的研究成果，通过持续不断的研究，音乐推荐已经成为了现在最为前沿、最为重要的一个多媒体信息检索分支。音乐推荐具有一定的复杂性，通过播放循环、播放次数等来进行偏好隐式的推算，通过结合多种因素实现即时的调整来满足用户的个性化需求。音乐推荐过程中的研究难点主要集中在推荐策略以及算法改进上，整体生对于个性化的问题解决依然需要进行长期的研究和开发。

1.3研究的内容

本次通过以卷积神经网络的深度学习为主要的音乐推荐问题解决方法，通过深度学习的算法与传统的算法相结合，以卷积神经网络的回归模型作为最主要的算法理论，来实现一个根据输入文字推荐相关音乐的系统搭建。本次的设计中需要通过以用户的登录，来完成系统的进入；通过以文本框内输入文字的方式来完成推荐音乐的过程实现。可以通过以输入关键词、歌名，由系统来进行类似的歌曲的top10推荐。从而实现深度学习过程下的音乐推荐功能的有效运行

需要源代码或者二次开发的，请联系