Python+Django音乐推荐系统实现与优化

1. 项目概述与背景

这个基于Python和Django的个性化音乐推荐系统，是我在指导计算机专业毕业设计时经常采用的经典案例。随着数字音乐平台的普及，用户面对海量音乐资源时常常陷入"选择困难"，这正是推荐系统大显身手的地方。

系统采用B/S架构，前端使用HTML+CSS+JavaScript构建用户界面，后端基于Django框架开发，数据存储选用MySQL关系型数据库。核心创新点在于实现了用户协同过滤(UserCF)和物品协同过滤(ItemCF)双算法并行，通过IUF（ Inverse User Frequency）优化解决了传统协同过滤在用户行为稀疏场景下的推荐质量问题。

提示：实际开发中发现，当用户行为数据不足时，传统协同过滤的推荐效果会显著下降。采用IUF加权可以缓解这个问题，这也是本系统选择ItemCF-IUF作为主要算法的原因。

2. 系统架构设计

2.1 技术栈选型分析

后端技术选择：

• Python 3.8：语法简洁，拥有丰富的科学计算库
• Django 3.2：自带Admin后台，ORM完善，开发效率高
• Django REST framework：为未来API扩展预留空间

数据库选型考虑：

• MySQL 8.0：事务支持完善，适合结构化数据存储
• Redis（可选）：用于缓存热门歌曲和用户画像

前端技术组合：

• Bootstrap 5：快速构建响应式界面
• ECharts 5：实现数据可视化
• jQuery 3.6：简化DOM操作

2.2 系统模块划分

系统采用经典的MVC架构，主要模块包括：

3. 核心算法实现

3.1 数据模型设计

推荐系统的数据基础是用户-物品评分矩阵。我们在MySQL中设计了以下关键表：

python复制# 用户评分模型示例
class UserRating(models.Model):
    user = models.ForeignKey(User, on_delete=models.CASCADE)
    song = models.ForeignKey(Song, on_delete=models.CASCADE)
    rating = models.FloatField(validators=[MinValueValidator(0.0), MaxValueValidator(5.0)])
    created_at = models.DateTimeField(auto_now_add=True)

    class Meta:
        unique_together = ('user', 'song')  # 确保用户对同一首歌只有一个评分

3.2 协同过滤算法优化

原始代码中已经展示了基于用户的协同过滤实现，这里补充物品协同过滤的优化版本：

python复制class ItemCFRecommender:
    def __init__(self):
        self.sim_matrix = None  # 物品相似度矩阵
    
    def calculate_similarity(self, data_model):
        """计算物品相似度矩阵，加入IUF权重"""
        item_users = data_model.item_user_matrix
        item_count = len(item_users)
        self.sim_matrix = np.zeros((item_count, item_count))
        
        # 计算共现矩阵
        for item1, users1 in item_users.items():
            for item2, users2 in item_users.items():
                if item1 == item2:
                    continue
                common_users = set(users1.keys()) & set(users2.keys())
                if not common_users:
                    continue
                
                # IUF权重计算
                iuf = 1.0 / np.log(1 + len(common_users))
                self.sim_matrix[item1][item2] = iuf * len(common_users) / (
                    np.sqrt(len(users1)) * np.sqrt(len(users2)))

3.3 推荐结果融合策略

实际应用中，我们采用加权混合策略：

1. UserCF结果权重：0.4
2. ItemCF-IUF结果权重：0.6
3. 热门歌曲补全：当个性化推荐不足时，用热门歌曲填充

python复制def hybrid_recommend(user_id, n=10):
    user_rec = user_cf.recommend(user_id, n*2)
    item_rec = item_cf.recommend(user_id, n*2)
    
    # 去重和加权
    hybrid = {}
    for song, score in user_rec.items():
        hybrid[song] = score * 0.4
    for song, score in item_rec.items():
        hybrid[song] = hybrid.get(song, 0) + score * 0.6
    
    # 取TopN
    recommendations = sorted(hybrid.items(), key=lambda x: x[1], reverse=True)[:n]
    
    # 结果不足时补全
    if len(recommendations) < n:
        hot_songs = get_hot_songs(n - len(recommendations))
        recommendations.extend([(s, 0.8) for s in hot_songs])
    
    return recommendations

4. 关键功能实现细节

4.1 实时推荐接口

在Django中实现推荐API接口：

python复制# views.py
from rest_framework.decorators import api_view
from rest_framework.response import Response

@api_view(['GET'])
def get_recommendations(request):
    if not request.user.is_authenticated:
        return Response({"error": "Authentication required"}, status=401)
    
    n = request.GET.get('n', 10)
    try:
        n = min(int(n), 20)  # 限制最大推荐数
    except ValueError:
        n = 10
    
    recommendations = hybrid_recommend(request.user.id, n)
    serializer = SongSerializer(
        [rec[0] for rec in recommendations],
        many=True,
        context={'request': request}
    )
    return Response({
        'results': serializer.data,
        'scores': [rec[1] for rec in recommendations]
    })

4.2 播放记录处理

使用Django信号机制实现播放记录自动记录：

python复制# signals.py
from django.db.models.signals import post_save
from django.dispatch import receiver
from player.models import PlayLog

@receiver(post_save, sender=PlayLog)
def update_song_popularity(sender, instance, created, **kwargs):
    if created:
        # 更新歌曲热度
        song = instance.song
        song.play_count += 1
        song.save(update_fields=['play_count'])
        
        # 更新用户画像
        update_user_profile(instance.user, song)

5. 性能优化实践

5.1 推荐结果缓存

使用Django缓存框架存储推荐结果：

python复制from django.core.cache import cache

def get_cached_recommendations(user_id):
    cache_key = f"user_{user_id}_recommendations"
    recommendations = cache.get(cache_key)
    
    if not recommendations:
        recommendations = hybrid_recommend(user_id)
        cache.set(cache_key, recommendations, timeout=3600)  # 缓存1小时
    
    return recommendations

5.2 数据库查询优化

针对音乐列表页的N+1查询问题：

python复制# 优化前（产生N+1查询）
songs = Song.objects.filter(type=1)
for song in songs:
    print(song.artist.name)

# 优化后（使用select_related）
songs = Song.objects.select_related('artist').filter(type=1)

6. 部署注意事项

6.1 生产环境配置

建议的部署架构：

• Nginx：静态文件服务和反向代理
• Gunicorn：WSGI应用服务器
• Supervisor：进程管理
• MySQL：主从配置（可选）

6.2 安全设置

必须配置的安全项：

python复制# settings.py
SECURE_SSL_REDIRECT = True  # 强制HTTPS
SESSION_COOKIE_SECURE = True
CSRF_COOKIE_SECURE = True
SECURE_HSTS_SECONDS = 31536000  # 1年HSTS

7. 项目扩展方向

1. 冷启动解决方案：

   • 基于音乐元内容的推荐（流派、BPM、情绪等）
   • 引入社交关系数据

2. 实时推荐改进：

   • 使用Kafka处理实时用户行为
   • 实现增量更新的协同过滤算法

3. 多算法融合：

   • 加入基于深度学习的推荐模型
   • 强化学习优化推荐策略

经验分享：在实际部署中发现，当用户量超过10万时，传统的协同过滤算法计算开销会急剧增加。这时可以考虑：

1. 改用Spark等分布式计算框架
2. 采用近邻采样技术减少计算量
3. 将相似度矩阵计算改为离线批处理