博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈
以Python为开发语言，基于Django框架搭建系统核心架构，采用MySQL数据库存储数据，运用Echarts实现数据可视化效果，借助网络爬虫技术获取数据，融入协同过滤推荐算法实现推荐功能，前端通过HTML结合Bootstrap框架完成页面搭建。

功能模块

• 音乐推荐系统首页
• 登录注册页面
• 标签展示模块
• 歌曲详情模块
• 音乐数据可视化模块
• 基于物品的音乐推荐模块
• 基于用户的音乐推荐模块
• 后台管理模块

项目介绍
本音乐推荐系统聚焦流媒体时代音乐推荐的核心诉求，依托Python与Django框架搭建前后端架构，采用MySQL数据库存储各类数据。系统以用户行为为核心展开音乐推荐，融合基于用户和物品的两种协同过滤推荐算法，精准推送契合用户偏好的音乐内容。前端具备注册登录、音乐标签分类、多维度排序、数据可视化等功能，后台可完成用户、歌曲及权限的管理操作。系统既满足用户浏览、收藏、评分音乐等基础需求，也能通过算法实现个性化推荐，同时借助可视化图表直观呈现音乐数据的核心特征。

2、项目界面

（1）音乐数据详情页
包含歌曲详情展示、收藏操作、搜索功能、导航栏切换、基于用户和基于物品的音乐推荐及换一批刷新等功能模块。

（2）首页排序
具备导航栏页面切换、用户登录登出管理、搜索提交、歌曲热度排序筛选、歌曲列表展示以及基于用户的音乐推荐和推荐内容刷新功能。

（3）词云图分析
具备导航栏页面切换、用户登录登出管理、搜索提交、多种数据可视化图表切换展示以及词云图展示等功能模块。

（4）柱状图分析
具备导航栏页面切换、用户登录登出管理、搜索提交、数据可视化图表切换展示以及双轴柱状图与折线图结合的统计图表展示等功能模块。

（5）折线图分析
具备导航栏页面切换、用户登录登出管理、搜索提交、数据可视化图表切换展示以及折线图形式的音乐上架数量趋势统计展示等功能模块。

（6）饼图分析
具备导航栏页面切换、用户登录登出管理、搜索提交、数据可视化图表切换展示以及饼图形式的音乐分类占比统计展示等功能模块。

（7）基于物品推荐算法推荐音乐
具备基于物品的音乐推荐展示、推荐内容刷新、评论输入及提交，同时呈现推荐歌曲的封面与名称等核心功能模块。

（8）音乐分类
具备导航栏页面切换、用户登录登出管理、搜索提交、音乐分类标签展示、基于用户的音乐推荐及推荐内容刷新等功能模块。

（9）基于用户推荐算法推荐音乐
具备导航栏页面切换、用户登录登出管理、搜索提交、个人信息查看与修改、收藏评论评分等历史行为查看，以及基于用户的音乐推荐和推荐内容刷新等功能模块。

（10）后台管理
具备侧边栏导航切换、音乐等数据的列表展示、条目增加与删除、数据筛选，以及主题切换和用户信息管理等功能模块。

（11）注册登录
具备用户账号密码输入、登录操作执行，以及为无账号用户提供注册入口跳转的核心功能模块。

3、项目说明

一、技术栈
本项目以Python为开发语言，基于Django框架搭建系统核心架构，采用MySQL数据库存储各类音乐相关数据，运用Echarts实现多维度数据可视化效果，借助网络爬虫技术获取音乐数据，融入协同过滤推荐算法完成个性化推荐功能，前端通过HTML结合Bootstrap框架完成页面搭建与交互。

二、功能模块详细介绍

• 音乐推荐系统首页：支持导航栏页面切换、用户登录登出管理、搜索提交、歌曲热度排序筛选、歌曲列表展示，同时提供基于用户的音乐推荐及推荐内容刷新功能。
• 登录注册页面：核心提供用户账号密码输入、登录操作执行功能，为无账号用户提供注册入口跳转，完成用户身份验证与账号注册引导。
• 标签展示模块：支持导航栏页面切换、用户登录登出管理、搜索提交，展示音乐分类标签，同时提供基于用户的音乐推荐及推荐内容刷新功能。
• 歌曲详情模块：包含歌曲详情展示、收藏操作、搜索功能、导航栏切换，以及基于用户和物品的音乐推荐、推荐内容刷新等功能。
• 音乐数据可视化模块：涵盖词云图、柱状图、折线图、饼图等多种分析形式，支持导航栏切换、用户登录登出、搜索提交，可切换展示不同可视化图表，呈现音乐数据特征。
• 基于物品的音乐推荐模块：展示基于物品算法推荐的音乐内容，支持推荐内容刷新、评论输入提交，同时呈现推荐歌曲的封面与名称等核心信息。
• 基于用户的音乐推荐模块：支持导航栏切换、用户登录登出、搜索提交，可查看修改个人信息、浏览收藏评论评分等历史行为，提供个性化推荐及内容刷新功能。
• 后台管理模块：具备侧边栏导航切换、音乐数据列表展示、条目增删、数据筛选功能，同时支持主题切换与用户信息管理，实现系统数据全流程管控。

三、项目总结
本音乐推荐系统聚焦流媒体时代音乐推荐核心需求，依托Python与Django搭建前后端架构，MySQL存储数据，融合基于用户和物品的两种协同过滤推荐算法实现精准推荐。系统前端覆盖注册登录、音乐标签分类、多维度排序、多形式数据可视化等功能，后台可完成用户、歌曲及权限管理。系统既满足用户浏览、收藏、评分音乐等基础操作需求，也能通过算法输出个性化推荐结果，同时借助Echarts可视化图表直观呈现音乐数据特征，整体提升了用户的音乐发现与体验效率。

4、核心代码

# -*-coding:utf-8-*-
import os

os.environ["DJANGO_SETTINGS_MODULE"] = "recomend.settings"
import django

django.setup()
from music.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery, Q, Count


# from django.shortcuts import render,render_to_response
class UserCf:

    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user

    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]

    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：音乐id，浏览此
        sum_xy = 0.0  # user1,user2 每项打分的成绩的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for movie1, score1 in user1.items():
            if movie1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[movie1]
                sum_x += score1
                sum_y += user2[movie1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[movie1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r

    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]

    # 给用户推荐音乐
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for movies, scores in self.all_user[user].items():  # 推荐的用户的音乐列表
                if movies not in self.all_user[username].keys():  # 当前username没有看过
                    if movies not in recommend.keys():  # 添加到推荐列表中
                        recommend[movies] = scores*score
        # 对推荐的结果按照音乐
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)


# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = Movie.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = Movie.objects.order_by("-num")[:15]
        return movie_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给音乐打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.movie.id), i.mark)#填充音乐数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为音乐打过分，设为0
            all_user.setdefault(user.username, {})

    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    movie_list = list(Movie.objects.filter(id__in=recommend_list).order_by("-num")[:15])
    other_length = 15 - len(movie_list)
    if other_length > 0:
        fix_list = Movie.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in movie_list:
                movie_list.append(fix)
            if len(movie_list) >= 15:
                break
    return movie_list


# 计算相似度
def similarity(movie1_id, movie2_id):
    movie1_set = Rate.objects.filter(movie_id=movie1_id)
    # movie1的打分用户数
    movie1_sum = movie1_set.count()
    # movie_2的打分用户数
    movie2_sum = Rate.objects.filter(movie_id=movie2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(movie1_set.values('user_id')), movie=movie2_id).values('user_id').count()
    # 没有人给当前音乐打分
    if movie1_sum == 0 or movie2_sum == 0:
        return 0
    similar_value = common / sqrt(movie1_sum * movie2_sum)#余弦计算相似度
    return similar_value


#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的音乐
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    print('user_prefer', user_prefer)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            movie_list = Movie.objects.filter(tags__in=user_prefer)[:15]
        else:
            movie_list = Movie.objects.order_by("-num")[:15]
        print('from here')
        return movie_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(movie__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的音乐，用户没看过的30部，对这30部音乐，计算距离最近
    un_watched = Movie.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的音乐
    watched = Rate.objects.filter(user_id=user_id).values_list('movie_id', 'mark')
    distances = []
    names = []
    # 在未看过的音乐中找到
    for un_watched_movie in un_watched:
        for watched_movie in watched:
            if un_watched_movie not in names:
                names.append(un_watched_movie)
                distances.append((similarity(un_watched_movie.id, watched_movie[0]) * watched_movie[1], un_watched_movie))#加入相似的音乐
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, movie in distances:
        if len(recommend_list) >= k:
            break
        if movie not in recommend_list:
            recommend_list.append(movie)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的音乐中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看【用户名】、【专栏名称】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻