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ID
        self.error_id = list()
        #由歌单url 获取歌单ID
    def 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)
                pass
        print("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=2340739428
    def getEveryPlayListMess(self):
        print("获取每个歌单的具体信息")
        i = 0
        while self.ids_list.__len__() !=0 :
            i += 1
            id = 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
               #break
        self.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 = 0
        for 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] = result
                        else:
                            #找到最小值并删除
                            minkey = min(sim[use1], key=sim[use1].get)
                            del sim[use1][minkey]
            i += 1
            print(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s
        playlist_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] += 1
            C.setdefault(u,{})
            for v in users:
                C[u].setdefault(v, 0)
                if u == v:
                    continue
                C[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:
                continue
            W[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_dict
    for 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:
                continue
            for 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_id
    class Meta:
        db_table = 'playList'
        verbose_name_plural = "歌单信息"
#歌单信息写入数据库  
def playListMessToMysql(self):
    i=0
    for 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+=1
        print(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ID
    sings = 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tag
                pl_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tag
                    pl_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tag
                    pl_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] += 1
        tag_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] += 1
        tag_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_id
    rec_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。