Java开发的在线音乐网站(含有Mahout的基于用户的协同过滤算法)

环境要求

• 使用java语言进行开发，基于Jdk8版本。
• Mysql使用8版本，估相关配置和类实现针对8版本。
• 前端使用Vue进行开发。

图片展示

歌手信息管理

歌曲信息管理

歌单信息管理

榜单信息管理

用户信息管理

歌曲播放

排行榜

歌单

基于Mahout进行协同过滤推荐

前期准备

• jar包准备(maven管理)，我们需要将Mahout用到的核心Jar包从maven仓库中下载下来。

		<dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout-core</artifactId>
            <version>0.9</version>
        </dependency>

        <dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout-integration</artifactId>
            <version>0.9</version>
        </dependency>

        <dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout-math</artifactId>
            <version>0.9</version>
        </dependency>

        <dependency>
            <groupId>org.apache.mahout</groupId>
            <artifactId>mahout-examples</artifactId>
            <version>0.9</version>
        </dependency>

• 数据准备

数据可以从各类文本文档中读取，也可以使用从Mysql中读取。本文使用Mysql实现。

核心数据表创建语句

-- ----------------------------
-- Table structure for rank
-- ----------------------------
DROP TABLE IF EXISTS `rank`;
CREATE TABLE `rank` (
                        `id` bigint(20) unsigned NOT NULL AUTO_INCREMENT,
                        `consumerId` bigint(20) unsigned NOT NULL,
                        `songListId` bigint(20) unsigned NOT NULL,
                        `score` float unsigned NOT NULL DEFAULT '0.0',
                        `time` datetime NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP COMMENT '时间',
                        PRIMARY KEY (`id`),
                        UNIQUE KEY `unique` (`consumerId`,`songListId`),
                        INDEX consumerId (`consumerId`),
                        INDEX songListId (`songListId`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

注意:

• consumerId == userId，也就是用户Id
• songListId == ItemId,也就是项目Id
• score == rateing,也就是用于评分的字段
• time == 创建评论的时间
• 最好对consumerId和songListId尽力索引，因为Mahout查询比较慢，代码改进方法可以参考其他方法。本文只给实现。

核心类讲解

• 构造数据模型JDBCDataModel
• 算法计算用户相似度UserSimilarity
• 计算用户的邻居UserNeighborhood
• 得到推荐结果Recommender

代码展示

public List<RecommendedItem> userBasedRecommender(int userId, int size) throws TasteException, IOException {
        //构造数据模型
        JDBCDataModel model = getDataModel();
        //DataModel model = new FileDataModel(new File("/Users/zhangbolin/data"));
        //算法计算用户相似度
        UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
        //计算用户的“邻居”，这里将与该用户最近距离为3的用户设置为该用户的“邻居”
        UserNeighborhood neighborhood = new NearestNUserNeighborhood(5, similarity, model);
        //Recommender recommender = new CachingRecommender(new GenericUserBasedRecommender(model, neighborhood, similarity));
        Recommender recommender = new GenericUserBasedRecommender(model, neighborhood, similarity);
        //得到推荐的结果，size是推荐结果的数目
        List<RecommendedItem> recommendations = recommender.recommend(userId, size);
        for (RecommendedItem recommendation : recommendations) {
            System.out.println(recommendation);
        }
        return recommendations;
    }

推荐结果

有需要的同学们可以+企鹅286322812