1. 毕业设计（论文）的内容和要求
近年来，移动网络的发展非常迅速，同时带动了数字多媒体技术的飞速发展，90后的年轻人已经成为了消费主力，数字音乐也成为他们最喜爱的消费内容之一，用户可以访问大型音乐数据库，在这些服务中，当用户想要特定的音乐时，他们可以输入曲名或艺术家之类的信息来轻松的搜索期望的音乐，但如果没有明确的查询，也就是说，当用户想要音乐系统给出符合其偏好的音乐而没有明确的目标时，针对个性化的音乐推荐就可以比较好的解决这个问题。
本文采用的是协同过滤推荐系统，它是通过计算用户间偏好的相似性，在相似用户的基础上自动的为目标用户进行过滤和筛选，利用的理论基础是认为具有相同或相似的价值观、思想观、知识水平和兴趣偏好的用户对信息的需求也是相似的，提出的 RNDM 方法分析并计算了用户对音乐偏好的不同方面的特征：好奇心、主流性和多样性。
并使用改进的随机游走算法，将用户的三个方面特征进行有效的结合利用，为数据库中的每个用户建立虚拟好友关系，根据目标用户的好友的听歌历史记录，将这些好友听过次数的歌曲按照次数排序，并将前 k 首歌曲推荐给目标用户。
2. 参考文献
[1]肖博文.基于标签的个性化音乐推荐系统设计与原型实现[D].电子科技大学,2019.[2]李新卫.基于Hadoop 的音乐推荐系统的研究与实现[D].西安工业大学,2018.[3]王梦沙.基于用户偏好的个性化音乐推荐方法研究[D].天津理工大学,2019.[4]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.[5]顾丽敏,个性化推荐系统研究[J],无线互联科技, 2013年08期[6]乔雨,李玲娟.推荐系统冷启动问题解决策略研究[J].计算机技术与发展, 2018,28(2:83-87. [7]冷亚军,陆青梁昌勇.协同过滤推荐技术综述[J].模式识别与人工智能, 2014, 27(8):720-734. [8]高凤丽,孙连山.个性化推荐系统概述[J].技术与市场,2015, 22(2):78-79. [9]朱天宇,黄振亚,陈恩红等.基于认知诊断的个性化试题推荐方法 [J]. 计算机学报2017(1):176-191. [10]刘威.面向普适计算的上下文建模和推理技术研究[D].南京邮电大学, 2011.[11] 黄创光,印鉴,汪静.不确定近邻的协同过滤推荐算[J].天津:计算机学报,2010:350-410.[12]朱丽中,徐秀娟,刘宇.基于项目和信任的协同过滤推荐算法[J],广州:计算机工程,2013:58-62.[13] Freire,ArianaMoscote,Remediatingradio: Audio streaming，music recommendation and the discourse of radioness[J],Radio Journal: International Studies in Broadcast Audio Media,Volume 5,Numbers 2-3, July 2008,.97-112[14]Zhiyong Cheng, On Effective Location-Aware Music Recommendation[J], ACM Transactions on Information Systems (TOIS) TOIS Homepage archive, Vol 34 Issue 2, April 2016, Article No. 13 [15]D. Hauger,M. Schedl,A. Ko\vsir,and M. Tkal.The Million Musical Tweets Dataset: What Can We Learn From Microblogs[C],In Proceedings of the 14\textsuperscriptth International Society for Music Information Retrieval Conference (ISMIR),Curitiba,Brazil, 2013 [16]Biaszak M,Fechner B.THE NATURAL LANGUAGE OF PLAYLISTS[C]. InternationalSociety for Music Information Retrieval Conference, Ismir 2011, Miami,Florida,Usa, October.DBLP, 2011:537-542. [17]MeschederL,Nowozin S,Geiger A.Adversarial variational bayes: Unifying variational autoencoders and generative adversarial networks[C] //Proceedings of the 34th International Conference on Machine Learning-Volume 70.JMLR.Org, 2017: 2391-2400. [18]Papanikolaou Y, Foulds J R, Rubin T N, et al. Dense distributions from sparse samples: improved Gibbs sampling parameter estimators for LDA [J]. The Journal of Machine Learning Research, 2017, 18(1): 2058-2115. [19]Harris K,Parsons T L,Ijaz U Z,etal.Linking statistical and ecological theory: Hubbell's unified neutral theory of biodiversity as a hierarchical Dirichlet process [J].Proceedings of the IEEE, 2015, 105(3): 516-529. [20]ivera G C, Lusso E, Hennawi J F, et al. AGNfitter: a bayesian MCMC approach to fitting spectral energy distributions of AGNs [J]. The Astrophysical Journal, 2016, 833(1): 98.
