一般的音乐推荐是单纯的根据用户喜欢的音乐类型进行推荐，比如用户常听流行乐，就推荐一些热门的流行乐，而不管是否符合用户口味。采用协同过滤算法，能够实现灵活性较大的推荐，通过分析用户歌曲的播放、下载以及收藏等行为数据,计算用户之间的相似度,选取近邻用户,在近邻用户的喜好上预测目标用户的喜爱,克服了传统推荐方式的缺陷,实现了智能的个性化音乐推荐。当前互联网技术的不断普及发展，信息在互联网上呈爆炸式增长,那么这么庞大的信息检索就很困难。目前信息检索方法只能够从海量数据中检索出很小一部分比较热门的信息。传统技术无法适应客户需求，协同过滤算法的系统就成了当前研究的热点。协同过滤是目前各种推荐系统中应用最为广泛和成功的技术。它所用到的核心思想和原理易于理解。在计算机的应用中使用协同过滤系统就是将这一思想运用到互联网上信息推荐服务中，参照其他用户对某个物件的评论和打分来向目标用户的选择做出辅助推荐，在信息过滤和信息系统中，这个技术正迅速成为一种很受欢迎的技术。
1.用户信息管理模块：此功能为用户登录,注册信息，如果是新用户注册，需要填写用户名、密码、性别、出生日期、电话号码,验等用户资料，工作流程中，数据库操作会将系统的资料存储到指定的位置。最后用户会跳转到其它画面。
2.音乐管理信息模块:当用户选择某音乐后，系统会加载相应音乐的基本信息页面给用户，使用户可以看到音乐的音乐名、演唱者、年代、语言及更详细的音乐信息。
3.用户播放音乐记录模块:该功能是记录用户播放音乐的次数，某个音乐被播放的次数也反映出这首音乐受欢迎的程度，通过记录用户播放音乐的次数可以提高推荐效果。
4.协同过滤音乐推荐模块:
此模块的工作流程为，当用户登录后，推荐系统依据用户操作行为,比如播放,收藏,评分,下载进行基于用户的协同过滤算法给出相应的推荐列表。被推荐的歌曲的歌名、演唱者、年代、语言等简要信息显示在推荐列表的“协同过滤推荐”区中，并且在指定的参数上提供超链接功能，可跳转到其它相关页面上。
5.用户收藏,评分,下载等模块。
使用到Idea，MySQL，HBuilder等软件,html,css,jquery,bootstrap等技术。
总体安排和进度：
1.第一阶段：学生选题 2022.9.27-2022.10.10
2.第二阶段：开题、撰写开题报告 2022.10.11-2022.10.24
3.第三阶段：软件开发、撰写论文 2022.10.25-2022.4.10
4.第四阶段：指导教师评阅 2022.4.11-2022.4.17
5.第五阶段：答辩 2022.4.18-2022.5.8
6.第六阶段：学院答辩委员会评定成绩 2022.5.9-2022.5.15