推荐系统是为了解决信息过载问题而产生的，可大幅度提升长尾物品的用户抵达率。这里的音乐推荐系统，可根据用户历史行为信息，为用户个性化推荐音乐。
基于python语言的音乐推荐系统，采用了surprise库、深度学习、spark+mllib等推荐方法。推荐系统由offline+online组成，这里仅展示了离线计算方法。该音乐推荐系统可实现以下推荐策略：
1） 针对用户推荐
每日歌曲推荐（根据口味生成，播放和收藏越多，推荐越准）
2） 针对歌单推荐
根据你喜欢的《XXX》歌单进行推荐
3） 针对歌曲推荐
听某首歌时，找“相似歌曲”
该项目同时也给出了对推荐中的冷启动问题，搭配推荐问题的一些思考。
-
基于surprise的用户协同过滤算法
根据歌单之间的相似度，找到某歌单最相似的前10个歌单
-
歌曲序列建模
歌单类比句子，歌曲类比分好词的句子中的词。然后使用word2vce进行训练，求出歌曲之间的相似度。根据相似度，推荐某首歌的
相似歌曲 -
基于tensorflow实现的SVD模型
无法将全部数据载入模型，所以我们可以采用增量训练的方式，取部分数据进行模型的迭代。这里使用tensorflow实现SVD矩阵分解。
-
基于spark.mllib的ALS模块对用户做个性化推荐
-
冷启动问题（用户听了一首冷门歌或刚发布的歌如何进行
相似歌曲的推荐呢）1.1） 推荐热门歌曲
1.2） 将歌曲粒度上升到歌手，建立artist2list并用word2vec建模。找到当前歌手的相似歌手，然后推荐相似歌手的热门歌曲。
-
搭配推荐问题
2.1） 将商品粒度上升到分类粒度，然后建立分类序列[上衣, 裤子, 鞋子, ...]然后推荐当前分类的相似分类下的热门商品。
-
用户兴趣预测问题
-
如何对用户做序列建模的推荐？
3.1） 根据用户的收藏、喜欢过的歌，按照时间轴排好，跟定时间衰减因子和歌曲热度因子，然后每首歌可根据song2vec获得一个推荐列表，然后根据推荐列表和衰减因子、热度因子进行加权排序，将topN的歌曲推荐给用户。