1. 毕业设计（论文）的内容和要求
开发在线音乐管理与个性化推荐系统，利用Android开发技术，协同过滤推荐技术等对音乐进行智能化管理和个性化推荐，主要实现如下功能模块：（1）音乐管理，包括音乐上传和音乐属性（音乐类型、歌手类型、音乐地区、音乐风格）管理，以及歌曲名称、歌手名称管理；（2）用户管理，注册用户才能试听、下载和评分音乐；（3）音乐检索，可以根据歌曲名、歌手名检索音乐；（4）单曲管理，包括音乐播放、下载和评分；（5）音乐推荐，自动收集用户播放次数、下载次数、用户评分，基于协同过滤技术对用户进行歌曲推荐。
通过课题的设计及实现，学生需要能够综合所学理论知识，解决实际应用问题，提高学习能力和创新能力，为后续阶段工作和学习打下坚实的基础。
同时具备一定的软件开发能力。
2. 参考文献
[1] 高飞,徐俊. Java程序设计实用教程「M].清华大学出版社,2013. [2] 欧阳燊. Android Studio 开发实战「M].清华大学出版社,2013. [3]庞明,周志华.无组织恶意攻击检测问题的研究[J].中国科学:信息科学,2018,48(02):177-186.[4]吕成戍.基于用户项目属性偏好的协同过滤推荐算法[J].计算机技术与发展,2018,28(04):152-156 160.[5]卫星君,顾清华.基于特征指标推荐系统托攻击半监督检测[J].计算机应用研究,2018,35(07):2185-2188.[6]于岚.基于协同过滤的个性化推荐系统研究[D].西安电子科技大学,2017.[7]周倩楠.协同过滤系统中托攻击检测算法研究[D].燕山大学,2017.[8]李巧巧.针对协同过滤托攻击的防御方法[D].华南理工大学,2017.[9]周志华.机器学习[M]. 北京:清华大学出版社,2016.[10]李航.统计学习方法[M]. 北京:清华大学出版社,2012.[11]瞿春燕.推荐系统内攻击块检测算法研究[D].中国科学技术大学,2015.[12]王坚,刘继乾,程星晶,徐润.基于奇异值分解的攻击检测[J].计算机工程与设计,2017,38(02):287-293.[13] Ihsan Gunes,Cihan Kaleli,Alper Bilge,Huseyin Polat. Shilling attacks against recommender systems:a comprehensive survey[J].Artificial Intelligence Review, 2014, Vol.42 (4), pp.767-799.[14] Zhihai Yang,Lin Xu,Zhongmin Cai,Zongben Xu. Re-scale AdaBoost for attack detection in collaborative filtering recommender systems[J]. Knowledge-Based Systems,2016,100.[15]Jonathan L.Herlocker,Joseph A. Konstan,Loren G. Terveen,John T. Riedl. Evaluating collaborative filtering recommender systems[J]. ACM Transactions on Information Systems (TOIS),2004,22(1).[16]李文涛,高旻,李华,熊庆宇,文俊浩,凌斌.一种基于流行度分类特征的托攻击检测算法[J].自动化学报,2015,41(09):1563-1576.[17]伍之昂,庄毅,王有权,曹杰.基于特征选择的推荐系统托攻击检测算法[J].电子学报,2012,40(08):1687-1693.[18]朱扬勇,孙婧.推荐系统研究进展[J].计算机科学与探索,2015,9(05):513-525.[19]荆常春,李亚茹,郭强,刘建国.协同过滤推荐算法稳定性研究[J].软件导刊,2017,16(02):39-42.
