面向在線音樂網站的個性化推薦系統設計與實現.pdf

1、在移動互聯網的大背景下，音樂的獲取變得非常容易，各種各樣的音樂網站有很多，而大部分的網站都是基于大眾的喜好和口味，做出了類似Top10、Top50、Top100的排名功能，或是根據不同的分類標準，比如:音樂風格、國內國外、演唱者等做一些分類，讓用戶自己去選擇喜歡的音樂類型。這種基于大眾口味排名或分類的方式很難滿足用戶的個性化需求，也使長尾理論中的小眾非主流音樂被冷落，音樂市場的發(fā)展很不均衡，不能“百花齊放”。而基于推薦引擎的主動推薦機制

2、，可以根據用戶的聽歌習慣和音樂風格喜好，主動為用戶推薦他喜歡的音樂。這種基于“猜想”的個性化推薦機制，可以有效的提升用戶的體驗，增加用戶的粘性，也使得小眾非主流音樂得到更多人的欣賞。
　　本文通過對各種推薦技術的對比和分析，最終決定使用支持機器學習和智能推薦的Mahout作為推薦引擎的開發(fā)框架，使用Hadoop實現對海量用戶行為數據的分析和處理，使用logback日志的方式來記錄用戶的網站行為。在存儲方面，使用logger日志記錄

3、用戶原始行為數據，使用HDFS存儲Hadoop的中間和最終運算結果，使用關系型數據庫MySQL來轉存HDFS中生成的最終推薦數據，方便使用SQL語句進行結構化查詢。在交互方面，使用SpringMVC開發(fā)RESTFUL架構風格來開發(fā)對外的推薦查詢接口，使用SHA256withRSA算法實現接口驗簽，使用AES算法加密來實現通信的安全性。
　　本文設計和實現了一款個性化音樂推薦系統，該推薦引擎可以植入到音樂網站中，在很大程度上提升音樂

4、網站的用戶體驗，滿足用戶的個性化需求，也使得小眾非主流音樂擁有更廣闊的發(fā)展空間。本文的主要貢獻如下:
　　1.使用開源的Mahout框架來開發(fā)推薦引擎，使本系統不僅實現了智能推薦，還支持機器學習，隨著用戶行為數據的積累，推薦的準確性會越來越高，有效的提升了用戶體驗。
　　2.使用Hadoop的Mapreduce原理實現對海量日志數據的分析和處理，從而實現對大數據的支持，也使系統的橫向擴充變得更加容易;使用廉價機器部署可以在很

5、大程度節(jié)約系統的開發(fā)和運維成本;高容錯機制可以保證系統運行的穩(wěn)定性。
　　3.使用輕量級J2EE框架SpringMVC開發(fā)RESTFUL架構風格的接口，從而實現音樂網站與推薦系統之間的交互，RESTFUL風格的接口使用更簡單，維護更方便，符合主流網站的架構設計，直接基于HTTP協議傳輸數據，降低系統的開發(fā)難度和成本。RESTFUL風格的接口符合SOA的設計理念，使得音樂網站和推薦系統解耦，網站植入推薦引擎的難度和成本都會大大降低。