音乐推荐：基于用户偏好与算法模型的智能推送

音乐推荐系统的用户行为功能挺灵活的，能根据你平时听啥、收藏啥，慢慢摸清你的口味，推荐的歌也越来越准。离线计算那块，用的是 Python 搭配 Surprise、Spark + MLlib，再加点 Word2Vec。整个思路比较全，从协同过滤到歌曲相似度计算，都安排得明明白白。

协同过滤那部分，用 Surprise 算用户之间或歌单之间的“像不像”，找出你喜欢的歌单后，推荐相似的；有点像 B 站那种“都在看”的逻辑。日推也做得还不错，听得越多越精准，冷启动也考虑到了，新用户不怕没推荐。

Word2Vec 训练部分更有意思，它会把歌曲当成“词”来，训练后算出每首歌的“语义位置”，再按相似度推荐。比如你正在听的某首歌，它就会推荐几首“气质相近”的，效果还挺自然的，不突兀。

不过要注意，Word2Vec 的训练对数据顺序和量都比较敏感，数据清洗别省。还有，Spark 跑离线计算时资源占用不小，最好用集群，单机跑慢得要命。对冷启动问题还做了特殊，主要靠热门歌单和播放趋势来兜底。

如果你正好在做音乐类 App 或者内容推荐平台，这套架构思路可以借鉴下，改成你业务的用户行为也容易落地，代码也不复杂。推荐系统想做点个性化，这项目挺适合拿来当模板。