214数据库系统设计DatabaseSystemDesign电子技术与软件工程ElectronicTechnology&SoftwareEngineering由于互联网和智能终端设备的飞速发展，各种各样的信息充斥着社会的每一个角落，人们无时无刻地被各个信息包围，于是人们需要高质量的推荐系统来为他们定制个性化的信息[1]。此外，随着我国数字版权的不断发展，大部分热门音乐必须开通会员才能进行消费，对于非会员用户，找到合适的音乐变得更加困难[2]。基于此，越来越多的研究者将自己的研究重点放在了音乐推荐，并提出了不同的推荐算法。王子茹等通过对比基于内容的协同过滤算法，基于聚类的协同过滤算法以及基于密度的协同过滤算法，发现引入用户的信任度可以提升模型的可扩展性，并且后两种算法更适合高维数据集[3]。文献[4]认为，传统的协同过滤等推荐算法不能很好地适应用户的现代化的个性化需求，通过分别抽取用户端和电影端的各种特征，设计出多层神经网络模型，更好地对用户和电影特征进行了更为深度的交互，从而实现基于神经网络的电影推荐。王松涛[5]提出基于项目流行度演化网络的序列推荐算法，解决了循环神经网络中相邻用户的强依赖关系，从而避免了错误依赖的建立，提高了推荐准确度。文献[6]将消费者对商品的类型偏好和商品类型之间的关联程度建模，并计算商品间的相似性，预测用户对候选商品的打分，最后同时用ACNN和基于商品类型偏好进行TOPN推荐。学术界的研究者提出了很多有效的推荐算法，但是需要工业界的工程师将这些算法应用到具体的服务中提供给用户，才能实现这些算法的价值，否则就只能停留在理论阶段。基于此，本文综合考虑学术界的推荐算法和工业界的软件开发，设计出音乐推荐框架，不但可以帮助学术界的研究者更好地清楚算法设计的方向，更能指导工业界的工程师去进行推荐系统在音乐领域的应用研究龙远婷1王屯屯2*（1.平塘民族中学贵州省平塘县5583002.黔南民族师范学院计算机与信息学院贵州省都匀市558000）摘要：本文以音乐领域为例，侧重于研究如何设计推荐系统的架构，主要包括：用户和音乐数据的收集，用户行为打分，音乐推荐模型，音乐排序模型，线上和线下对比实验以及数据更新等。通过严谨的理论分析和数学公式推导，充分证明了该音乐推荐架构的合理性和有效性。该推荐架构可以根据用户历史音乐行为，为其快速精准地推荐个性化音乐。现在大部分针对音乐推荐系统的研究集中在纯理论或者应用技术层面，本文在数学理论的基础上，综合考虑现有技术提出音乐推荐...
