基于Mysql+Vue+Django的协同过滤和内容推荐算法的智能音乐推荐系统——深度学习算法应用（含全部工程源码）+数据集

---

前言

本项目以丰富的网易云音乐数据为基础，运用协同过滤和内容推荐算法作为核心方法，旨在为不同用户量身定制音乐推荐。

首先，我们充分利用网易云音乐的大量用户数据，包括用户的收听历史、喜好歌手、喜欢的歌曲等信息。通过协同过滤算法，我们可以分析不同用户之间的相似性，找到具有相近音乐口味的用户群体。

其次，我们引入内容推荐算法，从音乐的特征、流派、歌手风格等方面进行深入分析。这种算法能够更精准地为用户推荐符合其喜好和兴趣的音乐作品。

综合协同过滤和内容推荐的结果，我们为每位用户打造个性化的音乐推荐列表。这样，不同用户将能够在网易云音乐平台上获得与其音乐喜好相符的歌曲，从而提升他们的音乐体验。

本项目的目标是充分发挥大数据分析和智能推荐算法的优势，为网易云音乐的用户提供更加个性化、多样化的音乐推荐服务。这将为用户带来更多的音乐发现和享受，同时也促进了音乐平台的发展和用户满意度的提升。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

系统流程图

系统流程如图所示。

运行环境

本部分包括 Python 环境、MySQL 环境和 VUE 环境。

Python 环境

需要Python 3.6以上运行环境，推荐使用PyCharm IDE。Python 包和对应的版本MusicRecSys/MusicRec/z-others/files/requirement.txt文件中，安装命令为:

pip install -r requirement.txt

需要安装的依頼包为: Django 2.1、PyMySQL 0.9.2、jieba 0.39、xlrd 1.1.0、gensim 3.6.0

查看本机的IP地址，修改MusicRecSys/MusicRec/Music Rec/settings.py文件中的ALLOWED_HOSTS 为本地IP地址和MySQL配置信息。

进入MusicRecSys/MusicRec, 执行pythonmanage.pyrunserver0.0.0.0: 8000。

Django后台访问地址为http://127.0.0.1:8000/admin/(admin, admin)

MySQL环境

安装MySQL最新版本和Navicat可视化工具，在命令行中创建并连接本机用户的数据库，下载地址为https://pan.baidu.com/s/1dYtKQxnoSZywuRfgCOfPRQ, 提取码为：qw8k

新建musicrec数据库，导入文件MusicRecSys/MusicRec/z-others/fles/musicrec.sql

VUE环境

安装node.js 10.13以上版本和npm包管理器(可以安装淘宝镜像cnpm提高速度)，推荐使用VSCODEIDE。

修改MusicRecSys/MusicRec-Vue/config/index.js中的serverUrl为本机IP地址。

修改MusicRecSys/MusicRec-Vue/src/assets/js/linkBase.js中的serverUrl为本机IP地址。

进入MusicRecSys/MusicRec-Vue，执行npminstall/npmrundev自动安装所需要的依赖包并用webpack打包运行。

在浏览器中输入http://127.0.0.1:8001， 访问项目界面。

模块实现

本项目包括包括4个模块：数据请求及存储、数据处理、数据存储与后台、数据展示，下面分别介绍各模块的功能及相关代码。

1. 数据请求和储存

通过请求获取音乐和用户相关的所有数据。网易云API地址为https://api.imjad.cn。选择歌单数据作为出发点,是因为歌单与用户、歌曲、歌手都有联系，包含数据的维度最广，并且是用户的主观行为。歌单URL如下所示。

https://music163.com/playlist?id=2308644764
https://music163.com/playlist?id=2470855457
https://music163.com/playlist?id=2291941158
https://music163.com/playlist?id=2452844647

通过URL处理得到歌单ID，请求所需要的数据，存储每一步请求失败的数据，在后续数据处理时跳过这些请求失败的数据URL。

1）歌单信息

歌单信息如图所示。

歌单信息包含歌单ID、创建者ID、名字、创建时间、更新时间，包含音乐数、播放次数、分享次数、评论次数、收藏次数、标签和歌单封面等。

2）创建者信息

创建者信息如图所示。

创建者信息包含用户ID、昵称、生日、性别、省份、城市、类型、标签、头像链接、用户状态、账号状态、djStatus、vipStatus、 签名。

3）歌曲音乐信息

歌曲ID信息如图所示。

歌曲信息如图所示。

歌曲信息包含歌曲ID、歌名、专辑ID、出版时间、歌手信息、总评论数、热门评论数、大小、歌曲链接。

4）歌曲对应的歌手信息

歌手信息如图所示。

歌手信息包含歌手ID、歌名、音乐作品数、MV作品数、专辑数、头像链接等，其数据文件结构如图所示。

最终获得所需的基础数据和请求失败的数据，获取歌单信息并存储的相关代码如下:

import requests
import traceback
#获取每个歌单的信息类
class PlayList:def __init__(self):self.playlist_file = "./data/playlist_url/playlist_id_name_all.txt"#获取出错的歌单ID保存文件self.error_id_file = "./data/error_playlist_ids.txt"#歌单创造者信息self.creator_mess = "./data/user_mess/"#每个歌单的json信息self.playlist_mess = "./data/playlist_mess/"#歌单包含的歌曲ID信息self.trackid_mess = "./data/song_mess/"self.ids_list = self.getIDs()self.url = "https://api.imjad.cn/cloudmusic/?type=playlist&id="#获得的歌单信息出错的歌单IDself.error_id = list()#由歌单url 获取歌单IDdef getIDs(self):print("根据歌单链接获取歌单ID ...")ids_list = list()for line in open(self.playlist_file,"r",encoding="utf-8").readlines():try:id = line.strip().split("\t")[0].split("id=")[1]ids_list.append(id)except Exception as e:print(e)passprint("获取歌单ID完成 ...")return ids_list
#获取每个歌单的具体信息url #https://api.imjad.cn/cloudmusic/?type=playlist&id=2340739428def getEveryPlayListMess(self):print("获取每个歌单的具体信息")i = 0while self.ids_list.__len__() !=0 :i += 1id = self.ids_list.pop()url = self.url + str(id)try:print("%s - 歌单ID为：%s" % (i,id))r = requests.get(url)#解析信息self.getFormatPlayListMess(r.json())except Exception as e:#将出错ID写入记录及写入文件，出错时进行跳过print(e)traceback.print_exc()print("歌单ID为：%s 获取出错，进行记录" % id)self.error_id.append(id)pass#breakself.writeToFile(self.error_id_file,",".join(self.error_id))print("歌单信息获取完毕，写入文件: %s" % self.playlist_mess)#每个歌单的内容进行格式化处理写入文件#需要获取的信息: 歌单信息、创建者信息、歌单音乐信息def getFormatPlayListMess(self,json_line):#创建者信息：用户ID、昵称、生日、性别、省份、城市、类型、标签、头像链接、用户状态、账号状态、djStatus,vipStatus、签名creator = json_line["playlist"]["creator"]c_list = (str(creator["userId"]),str(creator["nickname"]),str(creator["birthday"]),str(creator["gender"]),str(creator["province"]),str(creator["city"]),str(creator["userType"]),str(creator["expertTags"]),str(creator["avatarUrl"]),str(creator["authStatus"]),str(creator["accountStatus"]),str(creator["djStatus"]),str(creator["vipType"]),str(creator["signature"]).replace("\n",""))self.writeToFile(self.creator_mess + "user_mess_all.txt"," |=| ".join(c_list))#歌单信息#歌单ID、创建者ID、名字、创建时间、更新时间、播放次数、分享次数、评论次数、收藏次数、标签、歌单封面、描述playlist = json_line["playlist"]p_list = [str(playlist["id"]),str(playlist["userId"]),str(playlist["name"]).replace("\n",""),str(playlist["createTime"]),str(playlist["updateTime"]),str(playlist["trackCount"]),str(playlist["playCount"]),str(playlist["shareCount"]),str(playlist["commentCount"]),str(playlist["subscribedCount"]),str(playlist["tags"]),str(playlist["coverImgUrl"]),str(playlist["description"]).replace("\n","")]self.writeToFile(self.playlist_mess + "pl_mess_all.txt"," |=| ".join(p_list))#歌单包含的歌曲信息t_list = list()trackids = json_line["playlist"]["trackIds"]for one in trackids:t_list.append(str(one["id"]))self.writeToFile(self.trackid_mess + "ids_all1.txt",str(playlist["id"])+"\t"+",".join(t_list))#写入文件def writeToFile(self,filename,one):fw = open(filename,"a",encoding="utf8")fw.write(str(one) + "\n")fw.close()
if __name__ == "__main__":  #主函数print("开始获取歌单信息 ..")pl = PlayList()pl.getEveryPlayListMess()print("歌单信息获取完毕 ... Bye !")

2. 数据处理

本部分包含计算歌曲、歌手、用户相似度和计算用户推荐集。

计算歌曲、歌手、用户相似度

用户在创建歌单时指定了标签，系统认为用户对该标签有偏好，遍历用户创建的所有歌单，会给出标签向量。

例如，若系统中有3个标签(日语、嘻哈、沉默)，用户张三在歌单中使用的标签为日语和嘻哈，则其对应的标签向量为[1，1，0]，根据用户的标签向量使用杰卡德距离算法计算用户相似度。歌单、歌手、歌曲的相似计算逻辑与用户相似度的计算逻辑相同。相关代码如下：

#计算用户相似度，全量用户存储数据量大，所以这里只存储了20个用户，并且要求相似度大于0.8
def getUserSim(self):sim = dict()if os.path.exists("./data/user_sim.json"):  #路径sim = json.load(open("./data/user_sim.json","r",encoding="utf-8"))else:i = 0for use1 in self.userTags.keys():sim[use1] = dict()for use2 in self.userTags.keys():if use1 != use2:j_len = len (self.userTags[use1] & self.userTags[use2] )if j_len !=0:result = j_len / len(self.userTags[use1] | self.userTags[use2])if sim[use1].__len__() < 20 or result > 0.8:sim[use1][use2] = resultelse:#找到最小值并删除minkey = min(sim[use1], key=sim[use1].get)del sim[use1][minkey]i += 1print(str(i) + "\t" + use1)json.dump(sim, open("./data/user_sim.json","w",encoding="utf-8"))print("用户相似度计算完毕！")return sim
#将计算出的相似度转成导入mysql的格式
def transform(self):fw = open("./data/user_sim.txt","a",encoding="utf-8")for u1 in self.sim.keys():for u2 in self.sim[u1].keys():fw.write(u1 + "," + u2 + "," + str(self.sim[u1][u2]) + "\n")fw.close()print("Over!")

计算用户推荐集

本部分主要介绍用户的协同过滤算法，为用户产生歌曲推荐，与歌单、用户、歌手的推荐算法相似。

(1)创建RecSong类

相关代码如下:

class RecSong:def __init__(self):self.playlist_mess_file = "../tomysql/data/pl_mess_all.txt"self.playlist_song_mess_file = "../tomysql/data/pl_sing_id.txt"self.song_mess_file = "../tomysql/data/song_mess_all.txt"
# 在__init__(self)中指定了所使用的文件

2)构建用户和歌曲的对应关系

用户创建了歌单，歌单中包含歌曲。当用户将一首歌曲归档到歌单中，则认为该首歌曲的评分值为1；如果对同一首歌多次归档，则每次归档评分值加1。相关代码如下:

#加载数据 =>用户对歌曲的对应关系
def load_data(self):#所有用户user_list = list()#歌单和歌曲对应关系playlist_song_dict = dict()for line in open(self.playlist_song_mess_file, "r", encoding="utf-8"):#歌单 \t 歌曲splaylist_id, song_ids = line.strip().split("\t")playlist_song_dict.setdefault(playlist_id, list())for song_id in song_ids.split(","):playlist_song_dict[playlist_id].append(song_id)#print(playlist_sing_dict)print("歌单和歌曲对应关系！")#用户和歌曲对应关系user_song_dict = dict()for line in open(self.playlist_mess_file, "r", encoding="utf-8"):pl_mess_list = line.strip().split(" |=| ")playlist_id, user_id = pl_mess_list[0], pl_mess_list[1]if user_id not in user_list:user_list.append(user_id)user_song_dict.setdefault(user_id, {})for song_id in playlist_song_dict[playlist_id]:user_song_dict[user_id].setdefault(song_id, 0)user_song_dict[user_id][song_id] += 1#print(user_song_dict)print("用户和歌曲对应信息统计完毕 ！")return user_song_dict, user_list

3)计算用户相似度

为用户推荐歌曲采用的是基于协同过滤算法，需要计算出用户相似度。计算分为两步：构建倒排表和构建相似度矩阵，计算公式为:

$$w_{uv}=\frac{{\sum }_{i\in N(u)\cap N(v)}\frac{1}{\lg (1+|N(i)|)}}{\sqrt{|N(u)\Vert N(v)|}}$$

相关代码如下：

#计算用户之间的相似度，采用惩罚热门商品和优化复杂度的算法
def UserSimilarityBest(self):#得到每个item被哪些user评价过tags_users = dict()for user_id, tags in self.user_song_dict.items():for tag in tags.keys():tags_users.setdefault(tag,set())if self.user_song_dict[user_id][tag] > 0:tags_users[tag].add(user_id)#构建倒排表C = dict()N = dict()for tags, users in tags_users.items():for u in users:N.setdefault(u,0)N[u] += 1C.setdefault(u,{})for v in users:C[u].setdefault(v, 0)if u == v:continueC[u][v] += 1 / math.log(1+len(users))#构建相似度矩阵W = dict()for u, related_users in C.items():W.setdefault(u,{})for v, cuv in related_users.items():if u==v:continueW[u].setdefault(v, 0.0)W[u][v] = cuv / math.sqrt(N[u] * N[v])print("用户相似度计算完成！")return W

4)计算用户对歌曲的可能偏好

遍历所有的相似用户，对于未产生过归档行为的歌曲，计算用户对他们的偏好。相关代码如下:

#为每个用户推荐歌曲
def recommend_song(self):#记录用户对歌手的评分user_song_score_dict = dict()if os.path.exists("./data/user_song_prefer.json"):user_song_score_dict = json.load(open("./data/user_song_prefer.json", "r", encoding="utf-8"))print("用户对歌手的偏好从文件加载完毕！")return user_song_score_dictfor user in self.user_song_dict.keys():print(user)user_song_score_dict.setdefault(user, {})#遍历所有用户for user_sim in self.user_sim[user].keys():if user_sim == user:continuefor song in self.user_song_dict[user_sim].keys():user_song_score_dict[user].setdefault(song,0.0)user_song_score_dict[user][song] += self.user_sim[user][user_sim] * self.user_song_dict[user_sim][song]json.dump(user_song_score_dict, open("./data/user_song_prefer.json", "w", encoding="utf-8"))print("用户对歌曲的偏好计算完成！")return user_song_score_dict

5)写入文件

对每首歌曲的偏好进行排序，将用户最可能产生归档行为的前100首歌曲写入文件，便于导入数据库，供系统使用。相关代码如下:

#写入文件
def write_to_file(self):fw = open("./data/user_song_prefer.txt","a",encoding="utf-8")for user in self.user_song_score_dict.keys():sort_user_song_prefer = sorted(self.user_song_score_dict[user].items(), key=lambda one:one[1], reverse=True)for one in sort_user_song_prefer[:100]:fw.write(user+','+one[0]+','+str(one[1])+'\n')fw.close()print("写入文件完成")

user_song_prefer.txt文件内容如图所示。

同样，歌单、歌手、用户的推荐结果也通过类似的方式进行计算。

3. 数据存储与后台

在PyCharm中创建新的Django项目及5个模板，即主页、歌单、歌手、歌曲和用户。模板为文本文件，用于分离表现形式和内容。下面以歌单模板为例，介绍各文件用途。Django项目结构如图所示。

部分文件数据大，使用Navicat软件工具导入，其余部分使用Python代码连接数据库导入。以歌单信息导入数据库为例，Django中创建的Model层相关代码如下:

#歌单信息：歌单ID、创建者ID、名字、创建时间、更新时间、包含音乐数
#播放次数、分享次数、评论次数、收藏次数、标签、歌单封面、描述
class PlayList(models.Model):pl_id = models.CharField(blank=False, max_length=64, verbose_name="ID", unique=True)pl_creator = models.ForeignKey(User, related_name="创建者信息", on_delete=False)pl_name = models.CharField(blank=False, max_length=64, verbose_name="歌单名字")pl_create_time = models.DateTimeField(blank=True, verbose_name="创建时间")pl_update_time = models.DateTimeField(blank=True, verbose_name="更新时间")pl_songs_num = models.IntegerField(blank=True,verbose_name="包含音乐数")pl_listen_num = models.IntegerField(blank=True,verbose_name="播放次数")pl_share_num = models.IntegerField(blank=True,verbose_name="分享次数")pl_comment_num = models.IntegerField(blank=True,verbose_name="评论次数")pl_follow_num = models.IntegerField(blank=True,verbose_name="收藏次数")pl_tags = models.CharField(blank=True, max_length=1000, verbose_name="歌单标签")pl_img_url = models.CharField(blank=True, max_length=1000, verbose_name="歌单封面")pl_desc = models.TextField(blank=True, verbose_name="歌单描述")def __str__(self):return self.pl_idclass Meta:db_table = 'playList'verbose_name_plural = "歌单信息"
#歌单信息写入数据库  
def playListMessToMysql(self):i=0for line in open("./data/pl_mess_all.txt", "r", encoding="utf-8"):pl_id, pl_creator, pl_name, pl_create_time, pl_update_time, pl_songs_num, pl_listen_num, \pl_share_num, pl_comment_num, pl_follow_num, pl_tags, pl_img_url, pl_desc = line.split(" |=| ")try:user = User.objects.filter(u_id=pl_creator)[0]except:user = User.objects.filter(u_id=pl_creator)[0]pl = PlayList(pl_id = pl_id,pl_creator = user,pl_name = pl_name,pl_create_time = self.TransFormTime(int(pl_create_time)/1000),pl_update_time = self.TransFormTime(int(pl_update_time)/1000),pl_songs_num = int (pl_songs_num),pl_listen_num = int( pl_listen_num ),pl_share_num = int( pl_share_num) ,pl_comment_num = int (pl_comment_num),pl_follow_num = int(pl_follow_num),pl_tags = str(pl_tags).replace("[","").replace("]","").replace("\'",""),pl_img_url = pl_img_url,pl_desc = pl_desc)pl.save()i+=1print(i)

执行完毕后，在数据库可视化管理软件Navicat和Django自带的后台管理中可查看对应的数据表，如图1和图2所示。

图1 Navicat中歌单信息表

图2 Django后台管理中歌单信息表

最终得到全部数据表，如下两图所示。

图3 Django后台管理页面一

图4 Django后台管理页面二

4. 数据展示

前端实现的功能包括：用户登录和选择偏好歌曲、歌手；为你推荐(用户行为不同，推荐也不同) ;进入各页面时基于内容的推荐算法为用户推荐歌单，协同过滤算法为用户推荐歌曲、歌手；单击时获取详细信息，提供单个歌单、歌曲、歌手、用户的推荐；个性化排行榜(将相似度由大到小排序)；我的足迹，展示用户在站内的行为(单击时记录)。

(1)Django后台处理前端请求获取推荐标签，View层相关代码。

#首页推荐标签
"""由于标签个数原因，且歌单、歌手、歌曲共用一套标签，这里标签推荐基于1)用户进入系统时的选择2)用户在站内产生的单击行为3)热门标签进行补数
"""
def GetRecTags(request, base_click):#从接口中获取传入的歌手和歌曲IDsings = request.session["sings"].split(",")songs = request.session["songs"].split(",")#歌手标签sings_tags = getSingRecTags(sings, base_click)#歌曲标签songs_tags,pl_tags = getSongAndPlRecTags(songs, base_click)return {"code": 1,"data": {"playlist": {"cateid": 2, "tags": list(pl_tags)},"song": {"cateid": 3, "tags": list(songs_tags)},"sing": {"cateid": 4, "tags": list(sings_tags)},}}
#获得歌曲、歌单标签推荐
def getSongAndPlRecTags(songs, base_click):song_tags = list()pl_tags =  list()#base_click =1 表示用户是在站内产生行为后返回推荐，此时用户行为对象对应的标签排序在前#否则基于用户选择的标签排序在前if base_click == 1: #表示前端是基于单击行为进入为你推荐模块click_songs = UserBrowse.objects.filter(click_cate="3").values("click_id")if click_songs.__len__() != 0:for one in click_songs:filter_one = SongTag.objects.filter(song_id=one["click_id"])if filter_one.__len__() != 0 and filter_one[0].tag not in song_tags:song_tags.append(filter_one[0].tag)#歌单tagpl_one = PlayListToSongs.objects.filter( song_id=filter_one[0].song_id )if pl_one.__len__() !=0:for pl_tag_one in PlayListToTag.objects.filter(pl_id=pl_one[0].song_id):if pl_tag_one.tag not in pl_tags:pl_tags.append(pl_tag_one.tag)if songs.__len__() != 0:  #表示前端选择了相关歌曲for sing in songs:choose_one = SongTag.objects.filter(song_id=sing)if choose_one.__len__() != 0 and choose_one[0].tag not in song_tags:song_tags.append(choose_one[0].tag)#歌单tagpl_one= layListToSongs.objects.filter(song_id=choose_one[0].song_id)if pl_one.__len__() != 0:for pl_tag_one in PlayListToTag.objects.filter(pl_id=pl_one[0].song_id):if pl_tag_one.tag not in pl_tags:pl_tags.append(pl_tag_one.tag)#print("songs_tags_by_click %s" % songs_tags_by_click)#print("pl_tags_by_click %s" % pl_tags_by_click)else:     #表示用户是首次进入为你推荐模块if songs.__len__() != 0:  #表示前端选择了相关歌曲for sing in songs:choose_one = SongTag.objects.filter(song_id=sing)if choose_one.__len__() != 0 and choose_one[0].tag not in song_tags:song_tags.append(choose_one[0].tag)#歌单tagpl_one = PlayListToSongs.objects.filter(song_id=choose_one[0].song_id)if pl_one.__len__() != 0:for pl_tag_one in PlayListToTag.objects.filter(pl_id=pl_one[0].song_id):if pl_tag_one.tag not in pl_tags:pl_tags.append(pl_tag_one.tag)#print("songs_tags_by_choose: %s" % songs_tags_by_choose)#print("pl_tags_by_choose: %s" % pl_tags_by_choose)#如果click和choose的tag不够以hot来补充if song_tags.__len__() < 15:hot_tag_dict = dict()for one in SongTag.objects.all():hot_tag_dict.setdefault(one.tag, 0)hot_tag_dict[one.tag] += 1tag_dict_song = sorted(hot_tag_dict.items(), key=lambda k: k[1], reverse=True)[:15-song_tags.__len__()]for one in tag_dict_song:if one[0] not in song_tags:song_tags.append(one[0])#print("songs_tags_by_hot: %s" % songs_tags_by_hot)#如果 click 和 choose的tag不够，以 hot来补充if pl_tags.__len__() < 15:hot_tag_dict = dict()for one in PlayListToTag.objects.all():hot_tag_dict.setdefault(one.tag, 0)hot_tag_dict[one.tag] += 1tag_dict_pl = sorted(hot_tag_dict.items(), key=lambda k: k[1], reverse=True)[:15-pl_tags.__len__()]for one in tag_dict_pl:if one[0] not in pl_tags:pl_tags.append(one[0])#print("pl_tags_by_hot: %s" % pl_tags_by_hot)return song_tags,pl_tags

(2)进入各页面是基于内容的推荐算法给用户推荐歌单、协同过滤算法推荐歌曲、歌手，这里以歌单为例：

def rec_right_playlist(request):  #推荐歌单user = request.GET.get("username")u_id = User.objects.filter(u_name=user)[0].u_idrec_all = UserPlayListRec.objects.filter(user=u_id).order_by("-sim")[:12]_list = list()for rec in rec_all:one = PlayList.objects.filter(pl_id=rec.related)[0]_list.append({"pl_id": one.pl_id,"pl_creator": one.pl_creator.u_name,"pl_name": one.pl_name,"pl_img_url": one.pl_img_url})return {"code": 1,"data": {"recplaylist": _list}}

(3)单击时获取详细信息，并基于标签进行单个歌单、歌曲、歌手、用户的推荐，这里以用户为例：

def all(request):#接口传入的tag参数tag = request.GET.get("tag")#接口传入的page参数_page_id = int(request.GET.get("page"))print("Tag : %s, page_id: %s" % (tag,_page_id))_list = list()#全部用户if tag == "all":sLists = User.objects.all().order_by("-u_id")#拼接用户信息for one in sLists[(_page_id - 1) * 30:_page_id * 30]:_list.append({"u_id": one.u_id,"u_name": one.u_name,"u_img_url": one.u_img_url})#指定标签下的用户else:sLists = UserTag.objects.filter(tag=tag).values("user_id").order_by("user_id")for sid in sLists[(_page_id - 1) * 30:_page_id * 30]:one = User.objects.filter(u_id=sid["user_id"])if one.__len__() == 1:one = one[0]else:continue_list.append({"u_id": one.u_id,"u_name": one.u_name,"u_img_url": one.u_img_url})total = sLists.__len__()return {"code": 1,"data": {"total": total,"sings": _list,"tags": getAllUserTags()}}
#获取所有用户标签
def getAllUserTags():tags = set()for one in UserTag.objects.all().values("tag").distinct().order_by("user_id"):tags.add(one["tag"])return list(tags)
def one(request):  #处理用户请求u_id = request.GET.get("id")one = User.objects.filter(u_id=u_id)[0]
wirteBrowse(user_name=request.GET.get("username"),click_id=u_id,click_cate="5", user_click_time=getLocalTime(), desc="查看用户")return JsonResponse({"code": 1,"data": [{"u_id": one.u_id,"u_name": one.u_name,"u_birthday":one.u_birthday,"u_gender":one.u_gender,"u_province":one.u_province,"u_city":one.u_city,"u_tags":one.u_tags,"u_img_url": one.u_img_url,"u_sign":one.u_sign,"u_rec": getRecBasedOne(u_id),"u_playlist":getUserCreatePL(u_id)}]})
#获取单个用户的推荐
def getRecBasedOne(u_id):result = list()sim_users = UserSim.objects.filter(user_id=u_id).order_by("-sim").values("sim_user_id")[:10]for user in sim_users:one = User.objects.filter(u_id= user["sim_user_id"])[0]result.append({"id": one.u_id,"name": one.u_name,"img_url": one.u_img_url,"cate":"5"})return result
#获取用户创建的歌单
def getUserCreatePL(uid):pls = PlayList.objects.filter(pl_creator__u_id=uid)result = list()for one in pls:result.append({"pl_id": one.pl_id,"pl_name":one.pl_name,"pl_creator": one.pl_creator.u_name,"pl_create_time": one.pl_create_time,"pl_img_url": one.pl_img_url,"pl_desc":one.pl_desc})return result
#用户浏览信息进行记录
"""user_name = models.CharField(blank=False, max_length=64, verbose_name="用户名")click_id = models.CharField(blank=False, max_length=64, verbose_name="ID")click_cate = models.CharField(blank=False, max_length=64, verbose_name="类别")user_click_time = models.DateTimeField(blank=False, verbose_name="浏览时间")desc = models.CharField(blank=False, max_length=1000, verbose_name="备注",default="Are you ready!")
"""
def wirteBrowse(user_name="",click_id="",click_cate="",user_click_time="",desc=""):if "12797496" in click_id: click_id = "12797496"UserBrowse(user_name=user_name,click_id=click_id,click_cate=click_cate,user_click_time = user_click_time,desc=desc).save()print("用户【 %s 】的行为记录【 %s 】写入数据库" % (user_name, desc))
#获取当前格式化的系统时间
def getLocalTime():return time.strftime("%Y-%m-%d %H:%M:%S", time.localtime())

系统测试

本部分包括系统流程和测试效果。

(1)选择用户进入系统。每次随机从数据库中返回部分作为系统用户，使用不同的用户是为了区分行为偏好，如图所示。

(2)选择歌手、歌曲(3个及以上，可以跳过)。用户与系统交互的过程，解决系统的冷启动。当然用户也可以不选择歌手，直接跳过，此时系统中“为你推荐歌手标签部分为热度标签数据。界面如下两图所示。

(3)根据用户创建歌单的偏好，推荐用户偏好的歌单、歌曲的。单击标签可以查看相应标签下的所有歌曲，分别进入歌单、歌曲、歌手推荐页面，如图所示。

(4)歌单推荐页面。左侧为按照标签分类的全部歌单，右侧为基于内容的推荐算法为用户推荐的歌单，如图所示。

(5) 歌单详情页。包含歌单的详细信息和歌单内的歌曲，右侧为基于标签相似度提供的歌单推荐，如图所示。

(6) 歌曲推荐页面。左侧为按照标签分类的全部歌曲，右侧为基于协同过滤算法为用户推荐的歌曲，如图所示。

(7)歌曲详情页。包含歌曲的信息和歌词，右侧为基于标签相似度提供的歌单推荐，如图所示 。

(8)歌手推荐页面。左侧为按照标签分类的全部歌手，右侧为基于协同过滤算法为用户推荐的歌曲，如图所示。

(9)歌手详情页。包含歌手的信息和歌曲，右侧为基于标签相似度提供的歌手推荐，如图所示。

(10)用户推荐页面。左侧为按照标签分类的全部用户，右侧为基于协同过滤算法为用户推荐的用户，如图所示。

(11) 用户详情页。包含用户的信息和创建的歌单,右侧为基于标签相似度提供的推荐，如图所示 。

(12) 个性化排行榜。基于用户的偏好程度(协同过滤算法计算的结果)进行排序展示，不同用户看到的显示界面不同，如图5~图8所示。

图5 个性化推荐排行榜页面

图6 歌单推荐排行榜页面

图7 歌曲推荐排行榜页面

图8 歌手推荐排行榜页面

(13) 我的足迹。浏览歌单、歌曲、歌手时用户在系统中产生的行为记录，如图所示。

工程源代码下载

详见本人博客资源下载页

---

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。