随着信息爆炸式增长,网络资源面临信息过载问题。面对互联网中海量的音乐资源,人们难以快速找到与自身兴趣相符合的音乐。为使用户能够有效获取所需的音乐信息,音乐推荐系统应运而生,它的出现能够帮助用户快速地找到自己想要的音乐。这种个性化推荐服务能够为用户提供更加优秀的体验,并具有商业优势,因此音乐推荐领域也成为互联网行业中相当重要的研究方向。就音乐推荐系统而言,当用户在系统中进行一段时间的操作后,会产生大量的显式和隐式行为数据。对于音乐推荐而言,如果无法有效利用这些用户数据,将使得用户无法根据自身行为习惯找到听歌偏好类似的音乐,降低用户体验。基于以上问题,本文通过分析国内外主流音乐推荐系统,重点研究用户行为数据与数据集数据间的潜在关系与音乐推荐方法的设计,并在此基础上实现了基于用户偏好的个性化音乐推荐系统,其主要研究成果如下:1.分析主流音乐推荐算法,完成数据集构建。为找寻用户偏好模型构建方法,对主流的音乐推荐算法进行对比分析,着重对所需的数据集进行研究,结合偏好特征等多方面因素考虑,采用自行构建音乐数据集的方式,将具有音乐特征属性的网易云音乐的歌单数据作为系统数据集。首先分析网站前端数据,使用爬虫工具获取用户在互联网中创建的歌单详细数据,根据得到的结果进行数据预处理,获得的结果作为建立用户偏好模型的依据。2.对用户偏好模型、信息进行理论分析,对现有音乐推荐系统进行对比,提出了融合偏好特征与近邻用户模型的混合推荐算法。前者通过融合用户隐式数据与歌单中音乐的相似值建立用户偏好模型进行推荐,后者根据用户偏好相似性实时修改相似度阈值方式查找近邻用户,进行用户相似度计算产生推荐结果,最后将两种推荐产生的数据实行加权融合达到混合推荐的目的。结合音乐和歌单标签数据,通过用户预选标签与音乐标签间的关联关系实现对新用户的推荐。最终通过实验得出此种混合推荐方法的准确率和召回率优于传统推荐算法。3.通过结合音乐推荐系统的实际需求,在进行了系统流程分析并确定核心算法的基础上进行推荐系统的需求分析、架构设计、数据库设计以及功能模块设计,设计并实现了一个基于混合推荐算法的个性化音乐推荐系统。系统实现了数据的采集、处理与存储,用户交互等模块,使其在音乐推荐的基础上功能更加完善。