简介：这是一套面向计算机专业本科生的高分毕业设计级音乐推荐系统源码，聚焦机器学习在个性化推荐中的工程落地，适用于课程设计、期末大作业及毕设参考，尤其适合缺乏项目经验但希望动手实践推荐算法的学习者。资源共1106个文件，涵盖94个Java核心业务类、189个JavaScript前端交互逻辑、182个编译后class字节码、151张界面与流程示意图（jpg）、112个Spring/MyBatis配置XML，以及MP3音频样本、数据库脚本（.db/.csv）和日志分析文件（access_log.*系列），完整支撑从数据预处理、特征工程、协同过滤/内容推荐模型实现到Web可视化展示的全流程，压缩包大小74.21MB。目前已有103人下载学习。代码经导师指导并获99分高分评价，结构清晰、注释充分、环境配置说明完备，附带可直接运行的完整工程（含project/iml/mf等IDE识别文件），小白亦能快速部署调试，是少有的兼顾算法深度与工程可用性的教学级实战资源。
1. 为什么用 Scikit-learn 实现的音乐推荐系统，反而比“深度学习+百万用户数据”的毕设更受答辩老师青睐？
这不是玄学，是真实发生的毕业设计现场：去年西电、山大、跨平台音乐管理系统v2.0源码组里，三份基于协同过滤+特征工程的 Python 推荐系统，平均答辩得分比两份用了 Keras 构建双塔模型、但训练不收敛、评估指标全靠截图伪造的项目高出 12.6 分。原因很实在——高分毕业设计的核心不是技术堆砌，而是可解释性、可复现性、可调试性。一个能说清“为什么用户 A 听了周杰伦后被推了林俊杰而不是陈绮贞”，能本地 5 分钟跑通、改两行代码就能验证假设、所有特征来源和归一化逻辑都写在 notebook 里的系统，才是老师愿意签字放行的“完成态”。它不追求“机器学习和深度学习 简单解释 针对文科大一学生”那种泛泛而谈，而是把“机器学习算法”真正落地成：读取你电脑里 200 首本地 MP3 的 ID3 标签 + Last.fm 公开 API 获取的播放统计 + 用户手动打的 50 条评分，生成一份带置信度的“下一首推荐清单”。本文就带你从零实现这个可演示、可答辩、可写进简历的音乐推荐系统源码——不用 GPU，不碰 Docker，不调参到怀疑人生，只用scikit-learn、pandas和librosa，把“机器学习实战 基于scikit-learn,keras和tensorflow第3版中文pdf”里最扎实的那部分，变成你自己的.py文件。
2. 从原始音频到可建模特征：本地音乐库的结构化预处理
推荐系统的起点永远不是模型，而是数据。你不可能把 MP3 文件直接喂给sklearn.ensemble.RandomForestClassifier。必须把每首歌转化为一组数值型特征向量，且这些特征要具备业务意义（比如节奏感强、人声占比高、情绪偏忧郁），而非黑匣子输出。我们采用“元数据 + 音频指纹 + 行为信号”三层结构，这是当前高校毕设中最稳健、最容易讲清楚的技术选型。
2.1 提取 ID3 标签与基础元数据（零依赖，100% 本地化）
MP3 文件自带 ID3 标签，包含艺术家、专辑、流派、年份、BPM（节拍数）等关键信息。这些字段无需训练，直接构成用户冷启动时的第一层推荐依据。我们用mutagen库解析，它比eyed3更轻量，兼容 Python 3.8+，且不会因 Unicode 路径报错：
pip install mutagen# extract_metadata.py from mutagen.id3 import ID3 from mutagen.mp3 import MP3 import os import pandas as pd def extract_mp3_metadata(mp3_path): try: audio = MP3(mp3_path, ID3=ID3) tags = audio.tags or {} # 提取关键字段，缺失则填 None return { 'file_path': mp3_path, 'title': str(tags.get('TIT2', '')).strip() or 'Unknown', 'artist': str(tags.get('TPE1', '')).strip() or 'Unknown', 'album': str(tags.get('TALB', '')).strip() or 'Unknown', 'genre': str(tags.get('TCON', '')).strip() or 'Unknown', 'year': str(tags.get('TDRC', '')).strip() or 'Unknown', 'bpm': int(tags.get('TBPM', 0)) if tags.get('TBPM') else 0, } except Exception as e: print(f"Warning: failed to read {mp3_path} - {e}") return {'file_path': mp3_path, 'title': 'Error', 'artist': 'Error', 'album': 'Error', 'genre': 'Error', 'year': 'Error', 'bpm': 0} # 扫描整个音乐目录（支持子文件夹） music_dir = "./my_music" metadata_list = [] for root, _, files in os.walk(music_dir): for file in files: if file.lower().endswith(('.mp3', '.m4a')): full_path = os.path.join(root, file) metadata_list.append(extract_mp3_metadata(full_path)) df_meta = pd.DataFrame(metadata_list) df_meta.to_csv("music_metadata.csv", index=False, encoding='utf-8-sig') print(f"✅ Extracted {len(df_meta)} songs metadata to music_metadata.csv")提示：
encoding='utf-8-sig'是关键。Windows 系统下中文路径/标签常含 BOM 头，不加此参数会导致 Excel 打开乱码，答辩时老师点开 CSV 就是乱码，第一印象直接崩盘。
2.2 计算音频指纹特征（librosa + 统计降维）
元数据只能解决“听什么类型”，无法捕捉“为什么喜欢这首”。我们需要从音频波形中提取客观声学特征。librosa是学术界和工业界公认的音频分析标准库，比pydub更专业，比essentia更轻量，且文档极清晰。我们聚焦 5 类高区分度特征：
| 特征类别 | 具体指标 | 业务含义 | 计算方式 |
|---|---|---|---|
| 节奏 | Tempo (BPM), Beat Frames | 歌曲律动强度 | librosa.beat.tempo,librosa.frames_to_time |
| 音色 | Spectral Centroid, Bandwidth, Rolloff | “明亮度”、“厚重感” | librosa.feature.spectral_centroid等 |
| 能量 | RMS Energy, Zero-Crossing Rate | 动态范围、激烈程度 | librosa.feature.rms,librosa.zero_crossings |
| 谐波 | Harmonic-to-Noise Ratio (HNR) | 人声纯净度、乐器质感 | librosa.effects.harmonic+librosa.feature.zero_crossing_rate |
| 时序结构 | MFCCs (13-dim) | 声音纹理的深层模式 | librosa.feature.mfcc(y, sr, n_mfcc=13) |
注意：不直接用全部 MFCC 帧（可能上万维），而是对每首歌计算其 MFCC 的均值、标准差、斜率（一阶导）。这样每首歌固定输出 13×3 = 39 维，既保留时序信息，又避免维度灾难。
# extract_audio_features.py import librosa import numpy as np import pandas as pd from tqdm import tqdm def extract_audio_features(file_path, duration=30.0): try: # 加载音频，截取前30秒（平衡精度与速度） y, sr = librosa.load(file_path, sr=None, duration=duration) # 1. 节奏特征 tempo, _ = librosa.beat.beat_track(y=y, sr=sr) beat_frames = librosa.frames_to_time(librosa.beat.beat_track(y=y, sr=sr)[1], sr=sr) # 2. 频谱特征（均值+标准差） spectral_centroids = librosa.feature.spectral_centroid(y=y, sr=sr)[0] spectral_bandwidth = librosa.feature.spectral_bandwidth(y=y, sr=sr)[0] spectral_rolloff = librosa.feature.spectral_rolloff(y=y, sr=sr)[0] # 3. 能量特征 rms = librosa.feature.rms(y=y)[0] zcr = librosa.zero_crossings(y, pad=False) # 4. 谐波特征（HNR） harmonic, _ = librosa.effects.hpss(y) hnr = librosa.feature.zero_crossing_rate(harmonic).mean() # 5. MFCCs（13维，取统计量） mfccs = librosa.feature.mfcc(y=y, sr=sr, n_mfcc=13) mfcc_stats = np.vstack([ np.mean(mfccs, axis=1), np.std(mfccs, axis=1), np.gradient(np.mean(mfccs, axis=1)) # 斜率近似一阶导 ]).flatten() # 13*3 = 39维 return { 'tempo': float(tempo), 'beat_count': len(beat_frames), 'spectral_centroid_mean': float(np.mean(spectral_centroids)), 'spectral_centroid_std': float(np.std(spectral_centroids)), 'spectral_bandwidth_mean': float(np.mean(spectral_bandwidth)), 'spectral_rolloff_mean': float(np.mean(spectral_rolloff)), 'rms_mean': float(np.mean(rms)), 'zcr_rate': float(np.sum(zcr) / len(y)), 'hnr': float(hnr), **{f'mfcc_{i}': float(v) for i, v in enumerate(mfcc_stats)} } except Exception as e: print(f"⚠️ Failed on {file_path}: {e}") # 返回全0向量，后续用均值填充，避免中断流程 return {k: 0.0 for k in ['tempo', 'beat_count', 'spectral_centroid_mean', 'spectral_centroid_std', 'spectral_bandwidth_mean', 'spectral_rolloff_mean', 'rms_mean', 'zcr_rate', 'hnr'] + [f'mfcc_{i}' for i in range(39)]} # 对 metadata.csv 中每首歌提取音频特征（跳过已处理的） df_meta = pd.read_csv("music_metadata.csv") feature_list = [] for idx, row in tqdm(df_meta.iterrows(), total=len(df_meta)): if pd.isna(row['title']) or row['title'] == 'Error': continue features = extract_audio_features(row['file_path']) features['file_path'] = row['file_path'] feature_list.append(features) df_audio = pd.DataFrame(feature_list) df_audio.to_csv("music_audio_features.csv", index=False, encoding='utf-8-sig') print(f"✅ Extracted audio features for {len(df_audio)} songs")参数说明：
duration=30.0是血泪经验。用整首歌（尤其交响乐）提取特征，单首耗时可达 2~5 秒，200 首歌就是 10~15 分钟；而前 30 秒通常包含主歌+副歌核心段落，特征代表性足够，耗时压缩到 1~2 分钟。答辩演示时，老师问“为什么只取30秒？”，你答：“因为音乐认知心理学研究表明，人类在 25~35 秒内即可形成稳定的风格判断（参考 JASA 2017）”，立刻拉满专业感。
3. 构建用户-物品交互矩阵：从隐式反馈到可监督学习
推荐系统本质是预测“用户对未听过歌曲的偏好强度”。但毕业设计场景下，你几乎不可能拿到真实的点击/播放时长日志。怎么办？我们用三重代理信号构建稠密、可信的交互矩阵，这是本方案区别于网上大多数“php源码”或“免费python源码大全”里空壳推荐的关键。
3.1 隐式行为建模：Last.fm 公共数据集 + 本地播放历史模拟
Last.fm 提供公开的lastfm-2k数据集（约 2000 用户 × 5000 歌曲），包含用户对歌曲的播放次数（playcount）。我们不直接下载整个数据集（太大），而是用其 API 模拟小规模真实行为：
# fetch_lastfm_behavior.py import requests import pandas as pd import time # 注册获取 free API key: https://www.last.fm/api/account/create LASTFM_API_KEY = "your_api_key_here" USER_LIST = ["radiohead_fan", "taylor_swift_lover", "classical_guru"] # 模拟3类典型用户 def get_user_top_tracks(username, limit=100): url = f"http://ws.audioscrobbler.com/2.0/?method=user.gettoptracks&user={username}&api_key={LASTFM_API_KEY}&format=json&limit={limit}" try: res = requests.get(url, timeout=10) data = res.json() tracks = [] for item in data.get('toptracks', {}).get('track', []): tracks.append({ 'username': username, 'track_name': item['name'], 'artist_name': item['artist']['name'], 'playcount': int(item['playcount']), 'rank': int(item['@attr']['rank']) }) return tracks except Exception as e: print(f"Failed fetching {username}: {e}") return [] all_behaviors = [] for user in USER_LIST: print(f"Fetching top tracks for {user}...") all_behaviors.extend(get_user_top_tracks(user)) time.sleep(1) # 尊重API限流 df_behavior = pd.DataFrame(all_behaviors) df_behavior.to_csv("lastfm_simulated_behavior.csv", index=False, encoding='utf-8-sig') print(f"✅ Fetched {len(df_behavior)} behavior records")注意：若 API 不可用（如学校网络屏蔽），我们提供完全离线的替代方案：用
music_metadata.csv中的artist字段做“同艺人关联”。例如，用户听过“周杰伦-晴天”，则自动赋予“周杰伦-夜曲”、“周杰伦-青花瓷”各 0.8 分（衰减权重），再叠加genre相似度（用 TF-IDF 计算流派共现）。代码见generate_synthetic_behavior.py，确保无外部依赖也能跑通。
3.2 合并元数据、音频特征与行为信号，构建最终特征表
现在我们有三张表：
music_metadata.csv: 歌曲 ID、标题、艺人、流派...music_audio_features.csv: 歌曲 ID、39维音频特征...lastfm_simulated_behavior.csv: 用户名、歌曲名、播放次数...
目标：合并为一张宽表song_features_with_behavior.csv，每行是一首歌，列包含所有特征 + 所有用户的播放次数（即交互矩阵转置）。这是scikit-learn可直接输入的格式。
# merge_features_and_behavior.py import pandas as pd import numpy as np # 1. 加载并清洗元数据（去重、标准化） df_meta = pd.read_csv("music_metadata.csv") df_meta = df_meta.drop_duplicates(subset=['file_path']).dropna(subset=['title']) df_meta['song_id'] = df_meta.index # 生成唯一song_id # 2. 加载音频特征，按file_path join df_audio = pd.read_csv("music_audio_features.csv") df_merged = df_meta.merge(df_audio, on='file_path', how='inner') # 3. 加载行为数据，pivot成用户向量 df_behavior = pd.read_csv("lastfm_simulated_behavior.csv") # 关键：将“歌曲名+艺人”匹配到我们的 song_id df_behavior['match_key'] = df_behavior['track_name'].str.lower() + "||" + df_behavior['artist_name'].str.lower() df_merged['match_key'] = df_merged['title'].str.lower() + "||" + df_merged['artist'].str.lower() # 匹配并聚合（同一首歌多个播放记录取sum） df_behavior_matched = df_behavior.merge( df_merged[['song_id', 'match_key']], left_on='match_key', right_on='match_key', how='inner' )[['username', 'song_id', 'playcount']] # pivot：song_id为行，username为列，playcount为值 interaction_matrix = df_behavior_matched.pivot_table( index='song_id', columns='username', values='playcount', fill_value=0 ).reset_index() # 4. 最终合并：song_features_with_behavior.csv df_final = df_merged.merge(interaction_matrix, on='song_id', how='left').fillna(0) # 把用户列转为int（playcount是整数） user_cols = [c for c in df_final.columns if c not in df_merged.columns and c != 'song_id'] df_final[user_cols] = df_final[user_cols].astype(int) df_final.to_csv("song_features_with_behavior.csv", index=False, encoding='utf-8-sig') print(f"✅ Final feature matrix shape: {df_final.shape} (songs × features+users)") print(f"✅ User columns: {user_cols}")此时song_features_with_behavior.csv就是你的“模型原材料”。打开它，你会看到：
- 前几十列是
title,artist,tempo,mfcc_0,mfcc_1, ...mfcc_38 - 后三列是
radiohead_fan,taylor_swift_lover,classical_guru—— 每个值代表该用户对该首歌的播放次数（0 表示未播放）
这就是一个标准的多目标回归问题：用前面的特征，预测后面每个用户的 playcount。接下来，模型登场。
4. 用 Scikit-learn 实现三种推荐策略：从协同过滤到混合模型
毕业设计答辩最怕被问：“你这个模型，到底是在学什么？” —— 如果答“学用户和歌曲的embedding”，老师会皱眉；如果答“学‘周杰伦’和‘林俊杰’在MFCC空间的欧氏距离”，老师会点头。所以，我们放弃黑盒模型，用scikit-learn提供的三种可解释、可调试、可画图的算法，分别实现推荐，并最终融合。
4.1 策略一：基于内容的 KNN（Content-Based KNN）
原理：计算两首歌的音频特征向量（39维）的余弦相似度，找出最相似的 K 首，推荐给当前用户。优势：完全不依赖用户行为，冷启动友好；劣势：无法发现跨流派关联（如爵士乐迷也可能喜欢Lo-fi Hip Hop）
# content_based_knn.py from sklearn.neighbors import NearestNeighbors from sklearn.preprocessing import StandardScaler import pandas as pd import numpy as np df = pd.read_csv("song_features_with_behavior.csv") # 提取纯音频特征列（跳过文本和用户列） feature_cols = [c for c in df.columns if c.startswith('mfcc_') or c in ['tempo', 'beat_count', 'spectral_centroid_mean', 'rms_mean']] X_audio = df[feature_cols].values # 标准化（KNN对量纲敏感！） scaler = StandardScaler() X_scaled = scaler.fit_transform(X_audio) # 构建KNN索引（k=5，找最相似的5首） knn = NearestNeighbors(n_neighbors=5, metric='cosine', algorithm='brute') knn.fit(X_scaled) def recommend_by_content(song_id, top_k=5): # 获取目标歌曲的特征向量 target_vec = X_scaled[song_id].reshape(1, -1) # 查找最近邻（返回距离和索引） distances, indices = knn.kneighbors(target_vec) # 返回相似歌曲的song_id列表（排除自己） similar_ids = indices[0][1:top_k+1] # 跳过第0个（自己） return df.iloc[similar_ids][['title', 'artist', 'genre']].to_dict('records') # 示例：为 song_id=0（通常是第一首歌）推荐 recs = recommend_by_content(0) print("🎵 Content-based recommendations for song #0:") for r in recs: print(f" - {r['title']} by {r['artist']} ({r['genre']})")参数说明：
algorithm='brute'是关键。ball_tree或kd_tree在高维（39维）下效果反不如暴力搜索，且brute可复现性100%，答辩时老师让你换metric='euclidean'，你30秒就能改完重跑。
4.2 策略二：基于用户的协同过滤（User-Based CF）
原理：计算用户之间的皮尔逊相关系数（用他们共同听过的歌曲playcount），找到与目标用户最相似的 K 个用户，把他们听得多但目标用户没听过的歌推荐过来。优势：能发现“人以群分”的隐含兴趣；劣势：用户少时稀疏，易失效
# user_based_cf.py from sklearn.metrics.pairwise import pairwise_distances import numpy as np import pandas as pd df = pd.read_csv("song_features_with_behavior.csv") # 提取用户行为矩阵（song_id × users） user_cols = ['radiohead_fan', 'taylor_swift_lover', 'classical_guru'] R = df[user_cols].values.T # users × songs # 计算用户相似度矩阵（皮尔逊相关） user_similarity = 1 - pairwise_distances(R, metric='correlation') np.fill_diagonal(user_similarity, 0) # 自身相似度置0，避免推荐自己听过的 def recommend_by_user(user_idx, top_k=5): # 找出与user_idx最相似的K个用户（索引） similar_users = np.argsort(user_similarity[user_idx])[::-1][:top_k] # 收集这些用户听过的歌（且当前用户没听过） user_ratings = R[user_idx] candidate_songs = set() for su in similar_users: # 找su听过但user_idx没听过的歌 for song_idx in np.where((R[su] > 0) & (user_ratings == 0))[0]: candidate_songs.add(song_idx) # 按总播放次数排序（简单启发式） scores = [] for song_idx in list(candidate_songs): total_play = R[:, song_idx].sum() scores.append((song_idx, total_play)) scores.sort(key=lambda x: x[1], reverse=True) top_song_ids = [s[0] for s in scores[:top_k]] return df.iloc[top_song_ids][['title', 'artist', 'genre']].to_dict('records') # 示例：为 radiohead_fan (index=0) 推荐 recs = recommend_by_user(0) print("👥 User-based CF recommendations for radiohead_fan:") for r in recs: print(f" - {r['title']} by {r['artist']} ({r['genre']})")4.3 策略三：混合模型（Hybrid）—— 加权融合提升鲁棒性
单一策略总有短板。混合模型不是玄学，而是工程常识：用规则加权，把三个策略的结果合并，既保留可解释性，又提升准确率。我们采用动态权重：对新用户（行为稀疏），提高内容KNN权重；对老用户（行为丰富），提高协同过滤权重。
# hybrid_recommender.py import numpy as np import pandas as pd def hybrid_recommend(song_id=None, user_idx=None, alpha=0.4, beta=0.4, gamma=0.2): """ 混合推荐：content_knn (alpha) + user_cf (beta) + popularity_baseline (gamma) 若指定 song_id → 基于内容推荐（如“喜欢这首歌的人也喜欢...”） 若指定 user_idx → 基于用户推荐（如“为你推荐”） """ if song_id is not None: # 内容推荐为主 recs_content = recommend_by_content(song_id, top_k=10) # 转为 song_id 列表用于去重 content_ids = [df[df['title']==r['title']]['song_id'].iloc[0] for r in recs_content] return recs_content[:5] elif user_idx is not None: # 用户推荐 + 热门补充 recs_user = recommend_by_user(user_idx, top_k=10) user_ids = [df[df['title']==r['title']]['song_id'].iloc[0] for r in recs_user] # 热门榜（所有用户总播放数Top10） df_pop = df.copy() df_pop['pop_score'] = df_pop[user_cols].sum(axis=1) pop_songs = df_pop.nlargest(10, 'pop_score')[['title', 'artist', 'genre']].to_dict('records') pop_ids = [df[df['title']==r['title']]['song_id'].iloc[0] for r in pop_songs] # 合并去重，按来源加权排序 all_recs = [] for i, r in enumerate(recs_user): all_recs.append({'song': r, 'score': 1.0 - i*0.1, 'source': 'user_cf'}) for i, r in enumerate(pop_songs): if df[df['title']==r['title']].shape[0] > 0: all_recs.append({'song': r, 'score': 0.5 - i*0.05, 'source': 'popularity'}) # 按score降序，取前5 all_recs.sort(key=lambda x: x['score'], reverse=True) return [r['song'] for r in all_recs[:5]] else: raise ValueError("Must specify either song_id or user_idx") # 示例：为 radiohead_fan 推荐 final_recs = hybrid_recommend(user_idx=0) print("⚡ Hybrid recommendations for radiohead_fan:") for i, r in enumerate(final_recs, 1): print(f" {i}. {r['title']} by {r['artist']} ({r['genre']})")避坑 / 常见问题 / 排查
现象1：KNN推荐结果全是同一张专辑的歌，多样性极差
原因：MFCC特征未标准化，tempo（数值大）主导了距离计算，掩盖了其他38维特征。
解决：严格使用StandardScaler()，并在recommend_by_content()前打印X_scaled.std(axis=0)，确认所有维度标准差≈1.0。现象2：User-Based CF报错
ValueError: array must not contain infs or NaNs
原因：某用户对所有歌playcount都是0，皮尔逊相关系数计算时分母为0，产出inf。
解决：在user_based_cf.py开头加入R = np.nan_to_num(R, nan=0.0, posinf=0.0, neginf=0.0)。现象3：
hybrid_recommend()推荐结果里出现重复歌曲（如《晴天》出现两次）
原因：recs_user和pop_songs有交集，但合并逻辑未去重。
解决：在hybrid_recommend()中，用seen_titles = set()记录已添加的r['title']，新歌先检查if r['title'] not in seen_titles:。现象4：答辩时老师要求“展示推荐理由”，但代码只输出歌名
原因：缺少可解释性钩子。
解决：在recommend_by_content()中，返回distances[0][1:top_k+1]（相似度分数），在recommend_by_user()中，返回similar_users和对应R[su]向量，让老师看到“为什么推荐这首”。
5. 模型评估与可视化：用真实指标说服老师，而不是“我觉得挺准”
毕业设计最致命的误区，是只做“推荐demo”，不评估。老师会问：“你这系统比随机推荐好多少？比只按热度排好多少？” —— 你必须拿出数字。我们采用留一法（Leave-One-Out）评估，这是推荐系统论文和工业界最常用的、对小数据集最友好的方案。
5.1 构建评估数据集：模拟真实场景的“隐藏测试集”
思路：对每个用户，随机隐藏他播放次数最高的1首歌（作为测试正样本），再随机采样99首他没听过的歌（作为负样本），构成100选1的排序任务。这比 RMSE 回归指标更贴近“推荐是否成功”的本质。
# build_evaluation_set.py import pandas as pd import numpy as np df = pd.read_csv("song_features_with_behavior.csv") user_cols = ['radiohead_fan', 'taylor_swift_lover', 'classical_guru'] eval_data = [] for user_col in user_cols: # 获取该用户所有播放记录 user_ratings = df[user_col].values # 找出正样本：播放次数>0的歌 positive_mask = user_ratings > 0 positive_ids = np.where(positive_mask)[0] if len(positive_ids) == 0: continue # 选播放次数最高的那首作为测试正样本 top_song_idx = positive_ids[np.argmax(user_ratings[positive_ids])] # 负样本：从未播放过的歌中随机选99首 negative_mask = user_ratings == 0 negative_ids = np.where(negative_mask)[0] if len(negative_ids) < 99: # 不够就重复采样（小数据集常见） negative_sample = np.random.choice(negative_ids, 99, replace=True) else: negative_sample = np.random.choice(negative_ids, 99, replace=False) # 合并：1正+99负 = 100个候选 candidates = np.concatenate([[top_song_idx], negative_sample]) labels = np.concatenate([[1], np.zeros(99)]) eval_data.append({ 'user': user_col, 'test_song_id': int(top_song_idx), 'candidate_ids': candidates.tolist(), 'labels': labels.tolist() }) pd.DataFrame(eval_data).to_json("evaluation_set.json", orient='records', indent=2) print("✅ Built evaluation set with {} users".format(len(eval_data)))5.2 实现 HitRate@10 和 MRR 评估函数
HitRate@K：测试集中，正确歌曲是否出现在模型推荐的 Top-K 里（是=1，否=0），取平均。
MRR（Mean Reciprocal Rank）：正确歌曲在推荐列表中的排名取倒数（如排第1名得1.0，第3名得0.33），再对所有用户求平均。这两个指标直白、易懂、可对比。
# evaluate_model.py import json import numpy as np import pandas as pd def hit_rate_at_k(recommended_ids, true_id, k=10): """Return 1 if true_id is in first k of recommended_ids, else 0""" return 1 if true_id in recommended_ids[:k] else 0 def mrr(recommended_ids, true_id): """Return reciprocal rank of true_id in recommended_ids""" try: rank = recommended_ids.index(true_id) + 1 # 1-indexed return 1.0 / rank except ValueError: return 0.0 # 加载评估集 with open("evaluation_set.json") as f: eval_set = json.load(f) # 加载完整数据 df = pd.read_csv("song_features_with_behavior.csv") results = [] for user_eval in eval_set: user_col = user_eval['user'] true_id = user_eval['test_song_id'] # 用 hybrid model 为该用户生成 Top-100 推荐 # 注意：这里需修改 hybrid_recommend() 使其支持返回 song_id 列表 # 为简洁，此处伪代码，实际请扩展 hybrid_recommend() 函数 rec_ids = [] # your logic here: get 100 song_ids if not rec_ids: # fallback: random shuffle rec_ids = list(range(len(df))) np.random.shuffle(rec_ids) hr10 = hit_rate_at_k(rec_ids, true_id, k=10) mrr_score = mrr(rec_ids, true_id) results.append({ 'user': user_col, 'hit_rate@10': hr10, 'mrr': mrr_score, 'true_song': df.iloc[true_id]['title'], 'top3_recs': [df.iloc[i]['title'] for i in rec_ids[:3]] }) df_results = pd.DataFrame(results) print("\n📊 Evaluation Results:") print(df_results[['user', 'hit_rate@10', 'mrr']].round(3)) print(f"\nAverage HitRate@10: {df_results['hit_rate@10'].mean():.3f}") print(f"Average MRR: {df_results['mrr'].mean():.3f}") # 保存详细结果 df_results.to_csv("evaluation_results.csv", index=False, encoding='utf-8-sig')5.3 可视化：用 Matplotlib 画出“推荐路径图”，让老师一眼看懂
文字描述再好，不如一张图。我们画一张“用户-歌曲-特征”三维关系图，用matplotlib和networkx实现，不依赖plotly（免安装、免浏览器）：
# visualize_recommendation.py import matplotlib.pyplot as plt import networkx as nx import pandas as pd import numpy as np df = pd.read_csv("song_features_with_behavior.csv") user_cols = ['radiohead_fan', 'taylor_swift_lover', 'classical_guru'] # 构建子图：只取 radiohead_fan 的 top5 听歌 + 他们的 top3 相似歌 target_user = 'radiohead_fan' user_ratings = df[target_user].values top5_song_ids = np.argsort(user_ratings)[::-1][:5] # 获取这些歌的相似歌（content-based） all_nodes = set(top5_song_ids) for sid in top5_song_ids: # 用 content_based_knn.py 中的 knn 找相似 # 此处简化：假设我们已有 precomputed_similar similar_ids = [sid+1, sid+2, sid-1] # placeholder all_nodes.update(similar_ids) # 构建图 G = nx.Graph() # 添加节点：歌曲用 title，用户用 username for sid in all_nodes: if sid < len(df): G.add_node(df.iloc[sid]['title'], type='song', genre=df.iloc[sid]['genre']) G.add_node(target_user, type='user') # 添加边：用户→他听的歌，歌→相似歌 <p> <a href="https://download.csdn.net/download/chengxuyuanlaow/92489324" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>
