为了面对当今迅猛发展的互联网环境与大数据技术并将大数据内涵的丰富深刻的价值进行挖掘与转化为现实的经济效益,推荐系统作为广大新兴应用技术中深植于人们群众日常生产生活并且已经基本无法脱离的一部分,是大数据应用无法逃避的讨论话题与组成部分。推荐系统以解决“信息过载”问题为出发点,在多种领域为客户提供他们可能感兴趣或有意浏览的内容,例如淘宝网的产品页面中的相似商品推荐列表,并且一般而言,推荐系统可以分成三大类,分别基于内容的推荐、基于协同过滤的推荐与同时基于前两种的混合推荐。同时,近年来逐渐发展成熟的客户体验理论,虽然仍无法与目前已经成熟的商业理论相比较,但目前已经被各大商业公司所重视并应用到了实际场景中。然而就在这样的时代大背景下,却鲜有研究推荐系统与客户体验相结合的研究内容。因此本文的研究意义主要集中在探究如何应用客户体验理论分析挖掘大数据背景下产生的客户实时交互数据并进一步融入到推荐系统这一重要的应用技术中去,这将推动了客户体验理论在理论与实际应用双方面的研究,并且为类似于本文中提及的网易云音乐APP类似的互联网企业与平台启发它们利用客户体验进行商业营销的道路。本文主要采取定性与定量相结合的研究方法,结合了文献研究方法与统计研究方法,不仅研究了从理论层面上客户体验如何能够应用到网易云音乐APP实时交互数据的分析中,也进一步将融入客户体验理论的数据分析的结果（产品分类）推广到推荐系统的构建与实验中去。本文的主要研究内容可以简略描述为以下几个方面或步骤:客户体验理论的整理与论述是首先且必须要完成的内容,这一步骤中主要通过文献研究等方法,确定适合应用到分析实时交互数据构建最终推荐系统的客户体验理论体系,并初步确定客户体验理论对于网易云音乐APP产生的实时交互数据的具体应用方法。经过综合分析,客户体验理论中的“四个层面”与客户旅程的三个流程结合实时交互数据中客户对于内容卡片的六种交互行为可以契合数据分析的需求;在下一个步骤中,先将数据进行预处理,清洗掉网易云音乐APP实时交互数据集中的“印象”数据中不符合应用场景与实际需求的数据并填充一部分有意义的空数据,汇总“印象”数据集中的内容卡片的六种交互行为的实施率,并继续应用K-means聚类方法与LightGBM分类方法同时引入客户体验理论作为依据进行产品的分类讨论;下一步,运用之前得到的融入客户体验理论的产品分类,构建基于类别偏好的Canopy-K-means的协同过滤推荐算法的融入客户体验理论的推荐系统,此推荐系统第一步会利用产品分类,构建客户与产品类别偏好矩阵并以此为依据运用Canopy与K-means混合聚类算法对客户进行聚类,第二步计算各个目标客户所属的簇类与在此簇类中的最临近的其他客户,第三步计算目标客户与其最临近客户的融合相似度并进行最终的评分预测。本文利用验证集,分别得出融入推荐系统所需的最优化的参数,并最终将测试集的预测结果与传统基于客户的协同过滤推荐系统的结果进行比较,最终进行综合讨论分析。论文初步的研究成果表明,融入客户体验理论的推荐系统相较于传统的基于客户的协同过滤推荐系统的预测准确度有一定的进步,表示准确度的RMSE指标整体上优化了 0.52%,然而运行时间并不占优势,更加适合定期更新数据的应用场景。从商业营销的角度来说,本文构建的推荐系统最值得借鉴的方面即是运用客户体验理论进行产品分类理解、分析与构建的过程与同推荐系统相结合的新的应用角度。从理论研究的角度来说,也为客户体验理论开辟了新的研究方向,即与互联网背景下的新兴技术应用相结合的新领域。