随着移动互联网的发展和智能设备的普及,各种网站、应用程序产生的数据量与日俱增,而数据的重要性也越来越高。为了能利用好这些数据,提取出用户的兴趣,挖掘出数据更深层次的价值,推荐系统应运而生。而传统的推荐算法模型,例如协同过滤、矩阵分解等算法在处理高维稀疏数据时的效果较差,泛化能力较弱,并且难以保证推荐的实时性,模型训练代价较高,无法直接运用于实际生产中。针对上述问题,基于流式大数据框架、近似近邻检索技术和因子分解机算法,设计并实现了一个音乐推荐系统。系统为用户提供了音乐信息浏览、收藏、评论、打分等业务功能,并推荐他们当前可能感兴趣的音乐。系统实现了两种不同场景的推荐功能,分别是相似内容的推荐和用户个性化的推荐。系统结合了B/S架构和流式大数据框架技术,通过Java服务端代码埋点收集用户行为数据,并使用消息队列Kafka存储用户行为数据,采用Flink等大数据框架对用户行为数据进行实时计算和传输。推荐算法中引入了自然语言处理中词向量化的思想,结合TF-IDF算法,对音乐的文本信息进行向量化,并使用Redis数据库存储音乐的向量;通过随机投影法实现了局部敏感哈希算法,应用于相似内容推荐和个性化推荐的召回阶段;最后,使用因子分解机算法对用户与音乐行为特征数据进行训练,计算出用户个性化推荐结果集,并将推荐结果推送给不同用户。音乐推荐系统具有良好的可扩展性和可维护性。系统基于随机投影法实现了局部敏感哈希算法,达到了快速的近似近邻搜索的目的;并结合流式大数据框架增强了推荐的实时性;实现了两种不同场景的推荐需求,提升了用户的体验。