计算机毕业设计Flask+Vue.js知识图谱音乐推荐系统 音乐爬虫可视化 音乐数据分析 大数据毕设 大数据毕业设计 机器学习 深度学习 人工智能

开发技术

协同过滤算法、机器学习、LSTM、vue.js、echarts、django、Python、MySQL

创新点

协同过滤推荐算法、爬虫、数据可视化、LSTM情感分析、短信、身份证识别

补充说明

适合大数据毕业设计、数据分析、爬虫类计算机毕业设计

介绍

音乐数据的爬取：爬取歌曲、歌手、歌词、评论

音乐数据的可视化：数据大屏+多种分析图【十几个图】

深度学习之LSTM 音乐评论情感分析

交互式协同过滤音乐推荐： 2种协同过滤算法、通过点击歌曲喜欢来修改用户对歌曲的评分

歌词、乐评的词云

登录、注册、修改个人信息等【集成身份证识别、短信验证码等】

黄河科技学院本科毕业设计 任务书

   工   学部   大数据与计算机应用   科教中心    计算机科学与技术 专业

 2018 级普本1/专升本1班 学号           学生         指导教师    

毕业设计题目

                      基于实时音乐数据挖掘的个性化推荐系统设计与优化         

毕业设计工作内容与基本要求（目标、任务、途径、方法，应掌握的原始资料（数据）、参考资料（文献）以及设计技术要求、注意事项等）

一、设计的目标和任务                                                   

• 第一部分：爬虫爬取音乐数据(网易云音乐网站)，作为测试的数据集。
• 第二部分：离线推荐系统：python+机器学习离线推荐(基于物品的协同过滤算法，相似度衡量方法：皮尔逊相似度) ，必要时可以集成算法框架比如tensflow pytroch等，推荐结果通过pymysql写入mysql。同时当出现算法精准度低、计算速度慢时可以优化参数、算法逻辑、数据库索引等提升推荐算法的效率。
• 第三部分：在线应用系统: springboot进行在线推荐 vue.js构建推荐页面(含知识图谱)。
• 第四部分：使用Spark构建大屏统计。

                                                                   

                                                                        

  二、设计途径和方法                                                             

  •   Selenium自动化Python爬虫工具采集网易云音乐、评论数据约1000万条存入.csv文件作为数据集；
  • 使用pandas+numpy或MapReduce对数据进行数据清洗，生成最终的.csv文件并上传到hdfs；
  • 使用hive数仓技术建表建库，导入.csv数据集；
  • 离线分析采用hive_sql完成，实时分析利用Spark之Scala完成;
  • 统计指标使用sqoop导入mysql数据库；
  • 使用springboot+vue.js+echarts进行可视化大屏开发；
  • 使用基于物品的协同过滤算法，相似度衡量方法：皮尔逊相似度等算法实现个性化音乐推荐并进行参数优化、算法二次开发升级；
  • 使用卷积神经网络KNN、CNN实现音乐流量预测；
  • 搭建springboot+vue.js前后端分离web系统进行个性化推荐界面、流量预测界面、知识图谱等实现；

                                                                

                                                                           

    三、应掌握的原始资料和技术                                                     

    • 前端技术方案：登录vue官网，效仿案例Demo完成基本语法的入门，熟悉后积累本系统需要的开发组件，封装成.vue文件来回复用。学习vue.js前端框架，寻找符合本系统的框架，引入后完成页面开发。
    • 后端技术方案：选用Springboot作为后端开发框架，相比SSM简洁高效，语法灵活，更适合小白新手快速入手，如Python开发中的Flask框架一样简单方便；
    • 数据库技术方案：去CSDN寻找音乐推荐系统相关的建表经验，以多个系统建表的方案为依托，安装mysql,学习mysql语法，把数据库完整创建好；
    • 爬虫技术方案：使用网易云代理站点完成数据爬取，包括音乐信息、评论、歌词等，主要运用Python爬虫技术，包括selenium、requests等；
    • 推荐算法技术方案：充分研究协同过滤算法基于用户、基于物品两种实现，以及算法冷却问题，使用Python熟悉算法的调用过程，把调用代码集成到系统中，实现个性化音乐推荐.同时对算法参数、工作逻辑进行优化提升推荐效率；

           （六）大数据技术方案：搭建hadoop、spark、hive大数据环境，进行数据可视化分析；                                                     

                                                                            

      四、进度安排                                                          

          第1周：查阅相关资料，完成文献综述。                              

          第2周：结合课题要求，提交开题报告，并完成开题答辩。              

          第3～5周：进行系统分析、总体设计和详细设计。                    

          第6～9周：实现系统编码、调试及软件测试。撰写毕业设计。      

          第10～12周：修改毕业设计至定稿，资格审查。                  

          第13～14周：毕业设计答辩及资料归档。    

      核心算法代码分享如下：

      package com.sql
      import org.apache.spark.sql.SparkSession
      import org.apache.spark.sql.types._
      import org.junit.Test
      import java.util.Properties
      class MusicSpark2024_FixBug {
        val spark = SparkSession.builder()
          .master("local[6]")
          .appName("音乐数据实时计算V1.0")
          .getOrCreate()
        //歌曲数仓CSV 模式
        val ods_songs_Schema = StructType(
          List(
            StructField("id", IntegerType),
            StructField("songId", StringType),
            StructField("songName", StringType),
            StructField("alia",StringType),
            StructField("pic", StringType),
            StructField("singerId", StringType),
            StructField("singerName",StringType),
            StructField("albumId", StringType),
            StructField("albumName", StringType),
            StructField("dt", StringType),
            StructField("pop", IntegerType),
            StructField("fee", IntegerType),
            StructField("mv", StringType),
            StructField("cd", IntegerType),
            StructField("no", IntegerType),
            StructField("originCoverType", IntegerType),
            StructField("publishTime", StringType)
          )
        )
        val ods_songs_Df = spark.read.option("header", "false").schema(ods_songs_Schema).csv("hdfs://bigdata:9000/music2024/songs/songs.csv")
        @Test
        def init(): Unit = {
          //school_province_score_Df.show()
          //ods_courses_Df.show()
          //ods_songs_Df.show()
          ods_songs_Df.show()
          //school_special_score_Df.show()
          //school_Df.show()
          //ruanke_rank_Df.show()
          //qs_world_Df.show()
        }
      //  ----剩余使用spark_sql完成
      //--指标9：Spark完成词云
        @Test
        def tables09(): Unit = {
          ods_songs_Df.createOrReplaceTempView("ods_songs")
          val df2 = spark.sql(
            """
            select songName,pop
            from ods_songs
            order by pop desc,publishTime desc
            limit 10
          """)
          df2
            //      .show(50)
            .coalesce(1)
            .write
            .mode("overwrite")
            .option("driver", "com.mysql.cj.jdbc.Driver")
            .option("user", "root")
            .option("password", "123456")
            .jdbc(
              "jdbc:mysql://bigdata:3306/hive_music2024?useSSL=false",
              "table09",
              new Properties()
            )
        }
      
      }