目录
摘 要 III
关键词 III
ABSTRACT IV
KEY WORDS IV
引言 1
1 选题背景 1
1.1 选题意义 1
1.2 国内外研究现状 1
1.2.1 国外研究现状 1
1.2.2 国内研究现状 2
1.3 研究目的和内容 2
2 相关技术理论基础 3
2.1 ANDROID平台相关介绍 3
2.1.1 Android系统架构 3
2.1.2 Android多媒体技术 4
2.2 推荐系统相关介绍 4
2.2.1 协同过滤推荐算法 4
2.2.2 基于内容的推荐算法 5
2.2.3 基于机器学习的推荐算法 6
2.3 网络数据传输及解析 6
3 系统整体设计概述与UML建模 6
3.1 系统整体需求分析与用例图 7
3.2 系统整体功能模块概述 8
3.2.1 音乐模块概要设计 9
3.2.2 用户社交模块概要设计 9
3.2.3 个人中心模块概要设计 10
3.3 数据库概要设计 11
3.3.1 音乐模块数据库概要设计 11
3.3.2 用户社交模块数据库概要设计 12
3.3.3 数据库表逻辑结构设计 13
3.4 系统活动图及时序图 16
3.4.1 音乐浏览播放模块活动图及时序图 16
3.4.2 音乐播放控制活动图及时序图 17
3.4.3 音乐下载模块活动图及时序图 18
3.4.4 用户社交模块活动图及时序图 19
3.4.5 个性化推荐模块活动图及时序图 20
3.4.6 登录注册活动图及时序图 21
3.5 系统类图 22
4 系统详细实现 22
4.1 开发环境介绍 22
4.2 客户端实现 23
4.2.1 Android界面 *51今日免费论文网|www.jxszl.com +Q: ^351916072# 
设计 23
4.2.2 客户端实现过程中的第三方库 24
4.3 服务端实现 25
4.4 各功能模块具体实现 26
4.4.1 音乐浏览和播放模块 26
4.4.2 音乐控制模块 27
4.4.3 用户音乐操作模块 28
4.4.4 用户社交模块 29
4.4.5 用户个人功能模块 32
4.4.6 个性化推荐模块 32
5 系统测试 33
5.1 登录注册模块 33
5.2 音乐浏览和播放模块 33
5.3 用户音乐操作模块 34
5.4 用户社交模块 34
5.5 个性化推荐模块 34
5.6 用户个人功能模块 34
5.7 非功能性测试 34
6 总结与展望 35
6.1 总结 35
6.2 展望 35
致谢 35
参考文献 36
基于个性化推荐的音乐社交平台设计与实现
摘 要
引言
1 选题背景
1.1 选题意义
随着以Android和IOS为代表的智能终端的蓬勃发展和即将大规模应用的5G移动通信技术的到来，手机在人们生活中的重要性也越来越高，与此对应的，人们渐渐也不再仅仅满足于手机的通话功能，智能手机作为娱乐设备因为其便携性和当下快节奏的生活逐步引导起了名为碎片化娱乐的概念，音乐毫无疑问是这种娱乐方式的最佳载体之一。然而由于碎片化娱乐的兴起，人们的网络社交方式也随之转变，如今类似微信的点对点社交逐步成为工作必需，但缺少了部分社交性，而类似微博、贴吧的点对面社交却依然保持着旺盛的活力，移动社区也逐渐和人们的生活绑定。在此基础上，近些年通过电商领域大火并渐渐渗透到各个领域的个性化推荐系统也深受用户喜爱，因为本身就是碎片时间，用户又和系统存在着绝对的信息不对等，所以要用户浪费时间在发现资源上是和用户的初衷相违背的，而推荐系统本身就是一种较为特殊的信息过滤系统，它可以有效地发掘用户喜好。开发一款具备个性化推荐功能和点对面社交功能的音乐应用毫无疑问是符合当下发展趋势的。
1.2 国内外研究现状
1.2.1 国外研究现状
推荐系统起初并不是为了音乐平台或其他娱乐平台诞生的，这一概念诞生于20世纪90年代，而这一技术的真正实现则是在1992年由Goldberg等研究者在一个邮件系统中引入[1]，也有一说是在1995年，由美国卡内基梅隆大学的Robert Armstrong教授带领团队在个性化导航Web Watcher系统中实现的[2]。在这之后，个性化推荐系统作为一个独立的研究方向得到了飞速推广和普及应用。
推荐系统作为信息过滤系统的一个分支，可以有效解决用户和系统的信息不对等问题，推荐系统首先大规模应用于电商领域，Amazon是最早使用通过推荐算法向用户提供服务的电商平台，当时的推荐算法更多的是协同过滤算法和对用户的历史行为进行数据分析之后的计算。在电商领域大获成功之后，推荐系统进入了网络社交领域，Facebook更是凭借个性化推荐算法向用户推荐好友，从而迅速地构建起自己的生态圈和用户体系。渐渐的协同过滤算法在日益复杂的信息海洋中已经很难维持一个相对准确的推荐率了，由Netflix提出的基于标签的推荐算法进入人们的视野，并迅速得以大规模应用，但人们很快发现仅仅依靠标签是没法准确有效地进行推荐的，所以混合推荐的概念应运而生，多个推荐系统混合，逐层过滤，精确推荐，这也是目前各大领域最为主流的推荐系统之一[3]。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605728.html