1. 开发语言：Python
2. 框架：django
3. Python版本：python3.8
4. 数据库：mysql 5.7
5. 数据库工具：Navicat12
6. 开发软件：PyCharm

系统展示

系统首页

音乐播放界面

音乐推荐

后台管理

摘要

现在的音乐文化多样、音乐资源也异常的丰富，在这种大数据的环境下，人们要想找到想要的音乐类型、找到心里所想的那首音乐无疑是大海捞针。现在音乐的推荐系统也非常的多，但是推荐的内容、推荐的方式却与用户的感知差距明显，或多或少都会存在一些问题。而随着深度学习、卷积神经网络的不断发展，现在的深度学习在图像识别、自然语言等领域都有着很好的发展，也很好的应用在了音乐的推荐过程中。

本次的研究是基于使用自动编码器，通过与卷积神经网络相结合，以挖掘音频、歌词本身的非线性特征，来实现很好的音乐推荐、音乐查找识别的功能实现，并将内容特征与协同过滤共同作用，训练紧耦合模型。通过此次的系统搭建与开发，能够通过深度学习的方式让系统可以实现按照用于的喜好来进行音乐的推荐的功能实现。

研究背景

目前推荐系统在图书阅读、音乐播放、视频播放等领域有着深入的应用，我国的抖音、头条等都利用了推荐功能来根据用户浏览的历史、页面停留的时长等来进行相应内容分析，从而向用户推荐其感兴趣的相关信息。国外的Netflix以及YouTube也有着相应的推荐功能。在音乐方面，现在的QQ音乐、网易云音乐等也都有着类似的推荐功能，通过用户行为来推荐其偏好的类型、风格的音乐以保持用户的粘性。

关键技术

Python是解释型的脚本语言，在运行过程中，把程序转换为字节码和机器语言，说明性语言的程序在运行之前不必进行编译，而是一个专用的解释器，当被执行时，它都会被翻译，与之对应的还有编译性语言。

同时，这也是一种用于电脑编程的跨平台语言，这是一门将编译、交互和面向对象相结合的脚本语言（script language）。

Django用Python编写，属于开源Web应用程序框架。采用（模型M、视图V和模板t）的框架模式。该框架以比利时吉普赛爵士吉他手詹戈·莱因哈特命名。该架构的主要组件如下：

1.用于创建模型的对象关系映射。

2.最终目标是为用户设计一个完美的管理界面。

3.是目前最流行的URL设计解决方案。

4.模板语言对设计师来说是最友好的。

5.缓存系统。

Vue是一款流行的开源JavaScript框架，用于构建用户界面和单页面应用程序。Vue的核心库只关注视图层，易于上手并且可以与其他库或现有项目轻松整合。

MYSQL数据库运行速度快，安全性能也很高，而且对使用的平台没有任何的限制，所以被广泛应运到系统的开发中。MySQL是一个开源和多线程的关系管理数据库系统，MySQL是开放源代码的数据库，具有跨平台性。

B/S（浏览器/服务器）结构是目前主流的网络化的结构模式，它能够把系统核心功能集中在服务器上面，可以帮助系统开发人员简化操作，便于维护和使用。

KNNbaseline算法是基于KNN算法的一种模型延伸。KNN算法是数据挖掘和分析过程中最为常用的一种算法。这种算法的核心是通过对样本的采集来对样本的特征进行总结，KNN的算法是通过数据训练样本集的收集，将数据与对应的标签进行一一对应，将没有输入标签的数据作为新的数据特征来与样本集中的数据进行对比，根据提取的样本与数据的投资之中找到最为相似的数据来进行新的样本分类。该算法相对更为精确，并且不会过于敏感，不需要太过于详细的了解异常值，从而更容易实现有效的运行。

系统分析

对系统的可行性分析以及对所有功能需求进行详细的分析，来查看该系统是否具有开发的可能。

   

系统设计

功能模块设计和数据库设计这两部分内容都有专门的表格和图片表示。

系统实现

当点击一首歌之后，可以进入到音乐的播放界面中，在该界面中能够看到有歌名、作者、演唱者、流派以及歌词等内容，并且可以进行歌曲下载，点评以及收藏。在音乐推荐功能的使用中，在文本框中通过输入歌名，点击提交会推荐与之相关的一些歌曲。在后台的管理界面中，管理员能够对网站内的歌曲信息进行相应的管理。

系统测试

在整个系统的开发完成之后，需要对此次的深度学习的音乐推荐系统的整体开发过程来进行一次简单的测试，通过测试来确保系统能够正常的实现深度学习，能够为用户进行准确地音乐推荐的功能的实现。

此次的内容测试主要是围绕着以用户为主的音乐推荐的过程来进行测试，通过以用户来进行登录，以用户的搜索来观察系统的相似音乐推荐的过程。从对推荐的音乐内容与用户的偏好进行对比，确保深度学习的推荐内容是以标签化的深度运算所得到的结果。

其次还要对整个系统的运行情况进行测试，确保整个系统的页面显示上能保证正常的展示，在整个搜索和推荐的过程中，整个B/S结构的系统可以保证快速的响应，能够给与高效的服务反馈，确保整个系统的非功能性运行稳定。

结论

本次的开发与设计是围绕着数据推荐、音乐推荐领域的机器深度学习语言进行了一次应用，通过基于深度学习、KNNbaseline算法等来进行一次音乐推荐的系统开发，从开发的背景研究，大数据的需求分析等内容的总结，通过深度学习的应用完成了本次的系统搭建。通过此次的系统搭建，可以为注册用户提供音乐播放、音乐在线推荐等功能的实现，通过此次的开发也是对当下人工智能环境、大数据分析、深度学习过程的一次理论向实践的转变，为整个深度学习理论的真实应用提供了非常重要的实践作用，为后人的研究提供了一些研究经验。