1. 研究目的与意义
如今，互联网的迅猛发展已经改变了我们的生活方式，而互联网上资源的爆发增长让人们获取有效信息成为了一个新的难题。用户接触到的信息很有限，并不能准确找到自己想要的，于是很多能帮助用户精准找到所需信息的解决方案诞生了，例如推荐系统等。
目前大型的音乐门户类网站的歌曲库规模往往包含上千万首的歌曲，这些歌曲被划分成不同的情感、语种、流派、年代、主题、心情、场景等，包含的信息非常的丰富，存在着严重的信息过载的问题。对于系统中每一位音乐用户来说，都不可能去收听曲库内的每一首歌，然后找到自己喜欢的用来以后听。很多时候用户的需求往往是”一首或者几首好听的歌曲“这种模糊的需求，如何根据用户在系统中产生的行为信息去庞大的歌曲库中挖掘出用户可能感兴趣的音乐，这就需要音乐推荐系统综合考虑用户偏好、时间、地点、环境等各种复杂的特征，准确的从上千万的海量歌曲库中挑选出此时此刻最适合这个用户聆听的音乐，给广大的用户带来美的享受，真正做到众口可调。
2. 研究内容和预期目标
1、研究内容：
（1）搜集用户对音乐的评分（python爬虫爬取数据）
（2）Hadoop大数据平台以及相关组建的搭建
3. 国内外研究现状
国外研究现状：
个性化推荐系统的定义是Resnick和Varian在1997年给出的：“它是利用电子商务网站向客户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过程”。从最初在电子商务网站进行的深度剖析，到现在在音乐、电影、学习、生活等不同领域的广泛应用。在三十多年的时间里，个性化推荐系统一直是学术界和工业界的关注的焦点。
其优点在于主动性。它能自发地收集并分析用户的行为数据，为用户的兴趣建模，得到用户的兴趣偏好后，匹配系统中资源的特征，为用户做出有效的个性化推荐。同时，推荐引擎需要一直监测系统中的项目变化和用户在不同行为下的兴趣特征变迁，针对不同的变动，做出相应的推荐策略的调整。各平台为增加用户的黏着性，以及用户对推荐结果的准确度要求，使得推荐系统的核心技术层出不穷，比较成熟的推荐技术有：基于内容的推荐、协同过滤（基于相似度的最邻近协同过滤算法、基于潜在因子的矩阵分解推荐算法)、深度学习、基于标签的推荐系统、混合推荐算法等。
4. 计划与进度安排
1.1--2.14
（1）了解课题需求，分析课题内容收集资料和查阅相关文献。
（2）熟悉开发平台及开发工具
5. 参考文献
1、张淼,刘东旭.基于协同过滤算法的音乐推荐系统的研究与实现[J].电子世界,2020(10):63-64.
2、施文丽. 基于网易云音乐的协同过滤推荐系统研究及实现[D].山东师范大学,2019.
3、鲍美英,申晋祥.基于Android的音乐推荐系统的设计与实现[J].山西大同大学学报(自然科学版),2019,35(04):32-33 87.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
