信息的过载使用户检索音乐资源极其不便,为解决这一问题,推荐系统在音乐信息检索领域得到了广泛应用。但传统的推荐策略并没有考虑丰富的音乐特征以及多样的用户行为。本文以音乐社区中的信任关系、音乐标签以及播放次数等隐式反馈信息为基础,对相关推荐算法进行了研究。本文主要研究内容包括以下四点:(1)提出了融合社交网络信任度和用户偏好的音乐推荐算法。信任关系是现代社交网络非常重要的属性之一,用户通常更倾向于他信任的用户所喜欢的物品。但当中有一个问题,信任的用户可能有着不同的兴趣偏好,非信任用户也可能具有相同的爱好。故本文将信任度与用户共同打分相似度进行融合,更好地挖掘用户偏好特征。(2)提出了基于用户主题模型改进的音乐推荐算法。音乐标签含有丰富的潜在语义,不同标签也可能表示相同的属性,单纯用标签共现来计算用户或物品的相似度是粗糙的。本文使用主题模型对音乐标签进行聚类分析,并根据系统用户对音乐的播放次数修正主题权重,充分挖掘用户、歌曲在主题空间上的分布,为目标用户找到更相似的邻居。(3)提出了基于分类用户行为特征改进的音乐推荐算法。把用户偏好特征划分为3种用户行为驱动的类型,不仅考虑了用户播放记录和标签喜好,还能根据流行度对缺失的用户数据进行填充。提出基于分类用户行为特征的UIP-Walk推荐算法,利用改进的随机游走策略来计算用户对歌曲的打分,发掘用户与音乐之间的潜在关系。(4)设计并实现了基于社交网络信任度与项目特征的音乐推荐系统。系统包括用户中心、音乐播放和音乐推荐3大模块。以前述三个研究成果为基础,考虑社交网络信任度与用户主题相似度,根据分类用户行为特征来有效缓解冷启动,提升推荐效果。