音乐是人们日常工作和生活中一种重要的娱乐消费方式。随着数字音乐、音乐流媒体服务和移动互联网的快速发展,用户可以随时随地轻松享受云音乐服务,但随之而来面临的挑战是:如何在云服务海量的音乐中,快速找到自己喜欢的音乐。音乐推荐逐渐成为流媒体音乐服务平台中一个不可或缺的重要组成部分。它让用户快速定位到自己喜欢的音乐,在提升平台用户体验、增加用户黏性的同时创造巨大的商业价值。由于用户听歌记录可被视为一个序列行为,因此基于序列的音乐推荐逐渐成为了业界主流音乐推荐方法。用户的音乐喜好既有长期的稳定性,又有短期的波动性,还与音乐情感相关,如何实现对用户长短期兴趣爱好建模并且与音乐情感结合起来,已经成为业界急需解决的问题。本文对音乐推荐中的用户长短期偏好和音乐情感的建模进行了研究,并将它们结合起来,提出了基于深度学习的结合用户听歌序列分析和音乐内容分析的音乐推荐方法。主要研究内容如下:（1）现有的序列推荐方法在对用户的短期偏好建模时,要么忽略用户的长期偏好,要么忽略历史信息与当前情境的联系,导致推荐效果不理想。针对这个问题,本文提出一种基于长短期偏好建模的音乐推荐模型LSTPM。首先将用户听歌记录切分为多个历史序列和当前序列,利用多个长短期记忆网络分别进行编码。然后,针对历史序列,提出序列时段性得到序列表示,利用非局部操作对长期偏好进行建模;针对当前序列,利用平均池化操作保留音乐信息,得到用户短期偏好。最后,利用Softmax函数对长短期偏好进行融合推荐。在1K-users和MIGU两个大型数据集上的实验表明,模型NDCG@10达到了0.5449,优于现有模型,消融实验进一步验证了模型的有效性。（2）针对社交媒体平台信息多元的特点,提出了一种融合音乐情感注意力和用户长短期偏好的混合推荐模型AM＿LSTPM。首先,利用社交媒体音乐平台多元信息特点,分别从音乐声学信号、歌词和评论中学习音乐情感特征。接着,融合音乐情感的潜在表示,采用多层注意力机制捕捉音乐推荐的关键因素。最后,将音乐注意力表示融入用户短期偏好,结合基于上下文感知的用户长短期偏好,得到一个音乐推荐列表。在大型真实数据集上的实验验证了模型的准确性,其NDCG@10达到了0.5769,推荐性能有了进一步的提高。此外还进行了详细的特征贡献分析,进一步验证了模型,证明了音乐情感和用户长短期偏好共同建模在音乐推荐中的重要性。