軟件工程大做業——violet音樂社區我的工做彙報

時間 2020-06-19

標籤軟件工程大做 violet 音樂社區我的彙報简体版

原文原文鏈接

1、項目概述

1.1 項目背景

　　音樂是一門藝術，是由有組織的樂音來表達人們情感、反映人類現實生活情感的藝術。現代科技的發展使得人們能夠利用網絡隨時隨地的享受音樂，然而在當今互聯網卻不多有一個以音樂爲媒介的社交平臺。本開發團隊想以「音樂+社交」的形式，開發一款集聽歌、交友和討論爲一體的網上社區——「Violet」音樂社區。Violet多指紫羅蘭，也可形容羞怯的人，本團隊旨在經過此平臺加強人們對音樂的交流，同時拉近人與人之間的距離。html

1.2 編寫目的

　　此文檔爲本人做爲該項目成員的我的工做總結，用於記錄在開發過程當中的經驗、感悟以及對該課程的意見和建議，望從此的其餘項目能以此爲鑑。前端

1.3 相關連接

　　完成版：violet音樂社區java

　　前端源碼：violet音樂社區前端源碼git

　　後端源碼：violet音樂社區後端源碼程序員

　　需求分析：violet音樂社區需求分析github

　　設計文檔：violet音樂社區設計文檔web

　　原型手冊：violet音樂社區原型手冊算法

2、我的工做

2.1 模塊劃分

　　此項目將模塊按功能劃分爲曲庫、播放器、動態、圈子等主要模塊。小組按模塊將任務分配給各成員。其中，本人負責圈子模塊及其內部帖子模塊的後端開發。數據庫

2.2 圈子模塊

　　該平臺是創建在音樂基礎上的社交平臺。圈子是用戶交流、探討音樂的最主要場所。後端

　　圈子類的字段、方法及解釋以下所示

　　本人在此模塊編寫的功能以下：

加載圈子：

　　在界面中點擊「圈子」導航欄，頁面將會跳轉至圈子頁面，同時加載目前平臺上的全部圈子。呈現的內容有：圈子圖片、圈子名稱、成員數。圈子的排列順序按其關注人數排序。

添加圈子：

　　此功能可供用戶建立本身的圈子。用戶需輸入圈子標題以及主要內容，圈子標題不得與已有圈子重名，內容必須合法規範。若圈子建立成功，則在數據庫內爲其賦予自增惟一id以標識。

刪除圈子：

　　此功能爲管理員的特權功能。用於刪除內容有違法、不文明、不道德的圈子。

關注圈子：

　　此功能可供用戶關注本身感興趣的圈子。若用戶對某圈子內容感興趣，則可點擊「關注」按鈕關注該圈子，數據庫中用戶和圈子關聯表則會加入記錄。

邀請用戶：

　　此功能可供用戶將圈子推薦給本身的好友（相互關注的人），提高了該平臺用戶間交流的途徑。

2.3 帖子模塊

　　帖子模塊爲圈子模塊的子模塊，用於發佈相關的帖子，用戶能夠在貼子內評論。

　　貼子類的字段、方法及解釋以下所示

　　　　本人在此模塊中編寫的功能以下：

加載帖子

　　此方法用於當用戶進入圈子時，加載該圈內的全部帖子。帖子按其內部最新評論排序，最新發評的帖子將在最頂部呈現（相似貼吧頂貼）。

添加帖子

　　此功能用於用戶在圈子內發佈帖子。用戶需輸入帖子標題和主要內容。若帖子建立成功，則在數據庫內爲其賦予自增惟一id以標識。

刪除帖子

　　此功能爲管理員功能。用於刪除內容有違法、不文明、不道德的帖子。

2.4 其餘

參與類圖繪製
參與數據流圖繪製
參與需求文檔攥寫
參與設計文檔攥寫

3、工做亮點

圈子推薦系統

　　現在在市場上成功的app或互聯網平臺，都有針對用戶的推薦系統。如淘寶網，會根據用戶的瀏覽、購買記錄向用戶推薦商品；如新浪微博，會根據用戶的點贊和關注向用戶推薦相關博文；再如抖音app，會根據用戶的觀看記錄和關注對象推薦短視頻。一個好的推薦系統能幫助用戶擴大瀏覽範圍，提升用戶體驗，同時也能幫助運營商贏得更多利益。

　　基於以上的市場背景，本人在圈子模塊使用了推薦系統，能夠根據用戶喜愛，向用戶推薦合適的圈子。

　　協同過濾系統（Collaborative Filtering System）這類系統經過計算用戶或/和項之間的類似度來推薦項。與某用戶類似的用戶所喜歡的項會推薦給該用戶。協同過濾算法能夠從基於用戶（userCF）和基於項（itemCF）兩方面向用戶推薦內容，將這兩個基於不一樣方面的方法結合能夠提高推薦的合理性。如下將從這兩個方面介紹該推薦系統。

　　基於用戶

　　基於用戶的協同過濾算法能夠差分爲兩個步驟：

　　1. 找到與目標用戶興趣類似的用戶集合
　　2. 找到這個集合中用戶喜歡的、且目標用戶沒有據說過的項目並推薦給用戶

　　在計算用戶和用戶之間的類似度時，本人使用了餘弦距離來計算，設 N(u) 爲用戶 u 喜歡的物品集合，N(v) 爲用戶 v 喜歡的物品集合，則用戶u和用戶v的類似度爲：

　　固然也能夠選擇Jaccard距離或其餘距離的方法，但此處使用餘弦距離更加合理且易實現。基於用戶的協同過濾原理較爲簡單，但在實際的應用中仍有缺陷，由於人做爲一個複雜的有機體，其思惟的隨機性、不肯定性較大，僅憑藉用戶的喜愛類似程度來推薦會有不許確、覆蓋面不廣等問題，由此引出基於項的協同過濾算法。

　　基於項

　　基於項的推薦能夠分爲如下三個步驟：

1. 計算物品和物品之間的類似度
2. 根據用戶的歷史行爲的偏好計算對不一樣物品的興趣度
3. 最終根據物品興趣度計算用戶對圈子的興趣度

　　在以上步驟中，計算類似度一樣選擇了餘弦距離，此處再也不贅述。至此，基於用戶和基於項的協同過濾介紹完畢，以上兩種方法在用戶、圈子數量增長的狀況下，會出現矩陣稀疏、空間浪費等問題，網上爲此也有基於模型的協同過濾算法，可供從此項目做參考。

　　協同過濾算法參考：傳送門

　　冷啓動的處理

　　協同過濾的有個明顯的缺點，即須要大量的user-item信息以作出推薦，若平臺前期信息不足，則系統不會作出充分推薦或亂推薦，該問題稱爲「冷啓動」。

　　網上解決冷啓動的策略有不少種，如：

1. 提供非個性化推薦：前期在用戶信息不足的狀況下給用戶推薦熱門排行版，即從衆推薦，等到信息收集足夠再進行個性化推薦;
2. 利用用戶註冊信息：如年齡、性別、職業、民族、學歷、居住地等，按必定規則向用戶腿甲物品;
3. 選擇合適物品啓動用戶信息：在用戶登錄時對一些物品進行反饋，收集用戶對物品的興趣信息;
……

　　本人結合該項目實際狀況，採用了第一種策略，旨在體驗與積累經驗，真實狀況還需查閱更多資料、結合更多策略。

　　解決冷啓動問題參考：傳送門

　　推薦系統測試

　　最後，融合上述的兩種方法以及對針對冷啓動的策略，默認取基於項的比例β=0.6爲權重，得出了最終的圈子推薦系統算法。如下爲該系統的效果測試：

　　在「用戶-圈子」關聯表中，記錄了用戶關注圈子的狀況，以下圖中，用戶2關注了[1，6，8]三個圈子，用戶1關注了 [1，6]兩個圈子，則人爲認爲這兩個用戶是類似的，推薦系統應該向用戶1推薦圈子8。

　　下圖爲使用Postman向推薦系統url發出GET請求的測試，能夠看到推薦系統的確向用戶1推薦了圈子8，同時也推薦了圈子1，這有多是基於項和基於用戶方法共同做用的結果。這也反映了推薦算法具備結果難解釋性，在用戶和圈子數量增多時，此現象更爲明顯。