软件工程大作业——violet音乐社区个人工作汇报

一、项目概述

1.1 项目背景

　　音乐是一门艺术，是由有组织的乐音来表达人们情感、反映人类现实生活情感的艺术。现代科技的发展使得人们可以利用网络随时随地的享受音乐，然而在当今互联网却很少有一个以音乐为媒介的社交平台。本开发团队想以“音乐+社交”的形式，开发一款集听歌、交友和讨论为一体的网上社区——“Violet”音乐社区。Violet多指紫罗兰，也可形容羞怯的人，本团队旨在通过此平台增强人们对音乐的交流，同时拉近人与人之间的距离。

1.2 编写目的

　　此文档为本人作为该项目成员的个人工作总结，用于记录在开发过程中的经验、感悟以及对该课程的意见和建议，望今后的其他项目能以此为鉴。

1.3 相关链接

　　完成版：violet音乐社区

　　前端源码：violet音乐社区前端源码

　　后端源码：violet音乐社区后端源码

　　需求分析：violet音乐社区需求分析

　　设计文档：violet音乐社区设计文档

　　原型手册：violet音乐社区原型手册

二、个人工作

2.1 模块划分

　　此项目将模块按功能划分为曲库、播放器、动态、圈子等主要模块。小组按模块将任务分配给各成员。其中，本人负责圈子模块及其内部帖子模块的后端开发。

2.2 圈子模块

　　该平台是建立在音乐基础上的社交平台。圈子是用户交流、探讨音乐的最主要场所。

　　圈子类的字段、方法及解释如下所示

　　本人在此模块编写的功能如下：

加载圈子：

　　在界面中点击“圈子”导航栏，页面将会跳转至圈子页面，同时加载目前平台上的所有圈子。呈现的内容有：圈子图片、圈子名称、成员数。圈子的排列顺序按其关注人数排序。

添加圈子：

　　此功能可供用户创建自己的圈子。用户需输入圈子标题以及主要内容，圈子标题不得与已有圈子重名，内容必须合法规范。若圈子创建成功，则在数据库内为其赋予自增唯一id以标识。

删除圈子：

　　此功能为管理员的特权功能。用于删除内容有违法、不文明、不道德的圈子。

关注圈子：

　　此功能可供用户关注自己感兴趣的圈子。若用户对某圈子内容感兴趣，则可点击“关注”按钮关注该圈子，数据库中用户和圈子关联表则会加入记录。

邀请用户：

　　此功能可供用户将圈子推荐给自己的好友（相互关注的人），提升了该平台用户间交流的途径。

2.3 帖子模块

　　帖子模块为圈子模块的子模块，用于发布相关的帖子，用户可以在贴子内评论。

　　贴子类的字段、方法及解释如下所示

　　　　本人在此模块中编写的功能如下：

加载帖子

　　此方法用于当用户进入圈子时，加载该圈内的所有帖子。帖子按其内部最新评论排序，最新发评的帖子将在最顶部呈现（类似贴吧顶贴）。

添加帖子

　　此功能用于用户在圈子内发布帖子。用户需输入帖子标题和主要内容。若帖子创建成功，则在数据库内为其赋予自增唯一id以标识。

删除帖子

　　此功能为管理员功能。用于删除内容有违法、不文明、不道德的帖子。

2.4 其他

参与类图绘制
参与数据流图绘制
参与需求文档攥写
参与设计文档攥写

三、工作亮点

圈子推荐系统

　　如今在市场上成功的app或互联网平台，都有针对用户的推荐系统。如淘宝网，会根据用户的浏览、购买记录向用户推荐商品；如新浪微博，会根据用户的点赞和关注向用户推荐相关博文；再如抖音app，会根据用户的观看记录和关注对象推荐短视频。一个好的推荐系统能帮助用户扩大浏览范围，提高用户体验，同时也能帮助运营商赢得更多利益。

　　基于以上的市场背景，本人在圈子模块使用了推荐系统，可以根据用户喜好，向用户推荐合适的圈子。

　　协同过滤系统（Collaborative Filtering System）这类系统通过计算用户或/和项之间的相似度来推荐项。与某用户相似的用户所喜欢的项会推荐给该用户。协同过滤算法可以从基于用户（userCF）和基于项（itemCF）两方面向用户推荐内容，将这两个基于不同方面的方法结合可以提升推荐的合理性。以下将从这两个方面介绍该推荐系统。

　　基于用户

　　基于用户的协同过滤算法可以差分为两个步骤：

　　1. 找到与目标用户兴趣相似的用户集合
　　2. 找到这个集合中用户喜欢的、且目标用户没有听说过的项目并推荐给用户

　　在计算用户和用户之间的相似度时，本人使用了余弦距离来计算，设 N(u) 为用户 u 喜欢的物品集合，N(v) 为用户 v 喜欢的物品集合，则用户u和用户v的相似度为：

　　当然也可以选择Jaccard距离或其他距离的方法，但此处使用余弦距离更加合理且易实现。基于用户的协同过滤原理较为简单，但在实际的应用中仍有缺陷，因为人作为一个复杂的有机体，其思维的随机性、不确定性较大，仅凭借用户的喜好相似程度来推荐会有不准确、覆盖面不广等问题，由此引出基于项的协同过滤算法。

　　基于项

　　基于项的推荐可以分为以下三个步骤：

1. 计算物品和物品之间的相似度
2. 根据用户的历史行为的偏好计算对不同物品的兴趣度
3. 最终根据物品兴趣度计算用户对圈子的兴趣度

　　在以上步骤中，计算相似度同样选择了余弦距离，此处不再赘述。至此，基于用户和基于项的协同过滤介绍完毕，以上两种方法在用户、圈子数量增加的情况下，会出现矩阵稀疏、空间浪费等问题，网上为此也有基于模型的协同过滤算法，可供今后项目作参考。

　　协同过滤算法参考：传送门

　　冷启动的处理

　　协同过滤的有个明显的缺点，即需要大量的user-item信息以做出推荐，若平台前期信息不足，则系统不会做出充分推荐或乱推荐，该问题称为“冷启动”。

　　网上解决冷启动的策略有很多种，如：

1. 提供非个性化推荐：前期在用户信息不足的情况下给用户推荐热门排行版，即从众推荐，等到信息收集足够再进行个性化推荐;
2. 利用用户注册信息：如年龄、性别、职业、民族、学历、居住地等，按一定规则向用户腿甲物品;
3. 选择合适物品启动用户信息：在用户登陆时对一些物品进行反馈，收集用户对物品的兴趣信息;
……

　　本人结合该项目实际情况，采用了第一种策略，旨在体验与积累经验，真实情况还需查阅更多资料、结合更多策略。

　　解决冷启动问题参考：传送门

　　推荐系统测试

　　最后，融合上述的两种方法以及对针对冷启动的策略，默认取基于项的比例β=0.6为权重，得出了最终的圈子推荐系统算法。以下为该系统的效果测试：

　　在“用户-圈子”关联表中，记录了用户关注圈子的情况，如下图中，用户2关注了[1，6，8]三个圈子，用户1关注了 [1，6]两个圈子，则人为认为这两个用户是相似的，推荐系统应该向用户1推荐圈子8。