- 选题背景和意义：
随着人民生活水平的不断提高，人们逐渐开始追求物质之外的精神方面的享受，音乐是反映人类现实生活情感的艺术，是最能引起人内心共鸣的沟通方式。近年来，国内网络音乐市场不断地扩大，逐渐形成了寡头垄断的形势，网易云、腾讯等几家公司独大，由于各种商业上的原因以及音乐作品本身的层出不穷，客户在选择自身中意的音乐时，会受到各种的干扰，无法找到自己真正想听的音乐。因此，建立一个真正服务于个人而非音乐平台的独立音乐推荐系统是当下一个用户需求点。对此，有必要对音乐分类推荐方式进行有效的优化，构建一个使用便捷的系统平台，更好地为用户服务。
目前，随着音乐市场地不断发展，人们在音乐方面地消费也随之增长，个性化地音乐推荐系统也随之成为推荐系统领域一大热门。国内外各种平台也都尝试运用不同的推荐方法，国内豆瓣电台使用基于语境的推荐使用音乐评论、博客百科等文化背景知识等信息，国外类似Ringo平台则使用的基于内容过滤的推荐，但是这样的推荐方式往往不能让用户真正的满意。音乐推荐不同于其他的像电影、图书推荐那样，它具有独特性。播放曲目类型和用户的实时心情有很强的关联，跟踪用户的偏好需要通过隐性的方式进行获取，将情景因素和历史行为模式加入推荐考虑因素可以使得用户实时可以听到想听的音乐。而目前对于音乐推荐系统的研究都停留在推荐单个模块，对于用户交互，界面设计，数据库设计，即缺乏一个完整的系统结构。构建一个独立于平台的音乐管家APP能够保证服务最贴合用户本身，形成真正的个性化推荐，使用便捷，用户满意。
- 课题关键问题及难点：
目前国内的推荐系统都是以平台推荐为主，服务于个人的音乐推荐系统国内还是空白，个性化的系统是属于解决非结构化的问题，相对来讲比较复杂，因此该毕业设计探讨该问题存在一定的难度。
算法方面，将情景感知模型运用到音乐推荐算法中的案例较少，在算法设计方面存在一定难度。
系统结构设计方面，目前大多音乐推荐系统仅仅关注推荐模块这一方面，缺乏独立完整音乐推荐系统的设计，在系统结构设计方面存在一定难度。
- 文献综述（或调研报告）：
随着音乐市场的蓬勃发展，音乐推荐在推荐领域变得炙手可热，各个音乐平台都采用不同的音乐推荐方式。比如基于专家的推荐，使用专家编辑的元数据或专家评论为数据源，但是缺乏个性化、人力成本高、可扩展性差；比如基于内容过滤的推荐，使用音乐本身的音频特征，但是易受音乐特征提取能力的限制；比如基于协同过滤的推荐，但是会由于数据稀疏性导致冷启动问题；比如基于语境的推荐，但是语境信息数据量太过庞大；比如基于图模型的推荐，但是土狗结构复杂、难理解；比如混合型推荐，但是策略组合的过程较为复杂等等[1]。
关于推荐算法的优化，国内外的许多学者都尝试了各种办法进行尝试。刘杨提出一种将基于内容和基于协同过滤相混合的推荐算法——语义增强型的协同过滤算法[2]；陈彪在传统评分推荐模型的基础上引入了分时段用户对歌曲的兴趣偏好稳定度，改进了传统的LFM隐语义模型，生成了融合用户时间情境的隐语义算法TLFM[3]；熊敏考虑到用户的兴趣往往会因情景的变化而改变,因此在传统音乐推荐算法的基础上,融入用户听音乐时所处的情景信息,提出了几种基于情景感知的改进算法[4]；Radhika N 提出了音乐推荐系统中独立于语言的情感分析，根据人类情感推荐内容[5]；Vincent S.在传统的评级推荐系统的基础上，提出了一种多模式音乐推荐系统MMR，通过优化整合的社交协作信息，更准确、高效推断用户偏好[6]；
Katarya在传统评级推荐系统的基础上，提出了一个混合音乐推荐系统HMR，从用户听音乐的历史中提取音乐的属性，并根据用户的上下文偏好评估推荐音乐的有效系统[7]。本文的研究方向主要是融入用户情景因素的推荐方法。
情景感知理论最早起源于20实际90年代初由Weiser提出的普适计算，将情境感知应用于电子商务、智能家居、移动计算、物联网、信息检索等领域，以提高用户体验和系统性能，已成为学术界和工业界普遍关注的热点之一。基于情景感知的个性化音乐推荐系统正是将情景信息融入音乐推荐系统，能够保证实时得向用户提供适合当下心情和情景的音乐。
参考文献：
- 李建军,侯跃,杨玉.基于情景感知的用户兴趣推荐模型[J].计算机科学,2019,46(S1):502-506 510.
- 刘杨. 个性化音乐推荐系统的研究与实现[D].北京邮电大学,2014.
- 陈彪. 基于LFM的音乐推荐系统的研究与实现[D].湖南大学,2017.
- 熊敏. 基于情景感知的个性化音乐推荐算法的研究[D].浙江理工大学,2016
- Su, Ja-Hwung,Chang, Wei-Yi,Tseng, Vincent S..Effective social content-based collaborative filtering for music recommendation[J].Intelligent data analysis,2017,21(Suppl.):S195-SS216.
- Katarya, Rahul,Verma, Om Prakash.Efficient music recommender system using context graph and particle swarm[J].Multimedia tools and applications,2018,77(2):2673-2687.
- Katarya, Rahul,Verma, Om Prakash.Efficient music recommender system using context graph and particle swarm[J].Multimedia tools and applications,2018,77(2):2673-2687.
- G. Adomavicius and A. Tuzhilin, “Towards the next generation of recommender systems: a survey of the state of- the-art and possible extensions”, IEEE Transaction on Data and Knowledge Engineering, pp. 734-749, 2005.
- Renata Lopes Rosa, Demostenes Zegarra Rodriguez, ”SentiMeter-Br: a New Social Web Analysis Metric to Discover Consumers Sentiment”, IEEE 17th International Symposium on Consumer Electronics (ISCE) ,pp. 153-154, 2013.
- F. A. Nielsen, “A new ANEW: evaluation of a word list for sentiment analysis in microblogs”, in proceedings on Workshop on Making Sense of Microposts:Big Things come in small Packages.pp. 93-98, May, 2011.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
