个性化音乐推荐系统能在用户只有模糊的听歌需求的情况下,根据用户的信息从上千万的海量歌曲库中精准的找到用户可能感兴趣的歌曲并加以推送。音乐推荐相关算法包含三类:基于内容的推荐算法、协同过滤推荐算法、混合推荐算法。单一的推荐算法无法充分利用系统中海量的用户信息和物品信息,不同算法或规则的混合能提升推荐的准确度。由于音乐推荐系统的用户数量远远大于歌曲数量,在计算歌曲相似度时采用基于物品的协同过滤可以明显减少计算量。本文在基于物品协同过滤的基础上进行了如下的研究工作:1、基于物品协同过滤计算物品间相似度需要充分利用用户所偏好的物品进行计算,由于音乐推荐中反映用户对歌曲偏好的行为众多,本文设计了偏好评分并据此计算出更加精准的歌曲相似度。2、由于协同过滤只利用了用户行为数据,并没有考虑歌曲间内容的相关性,故本文融入了兴趣标签进行了算法的混合,通过实验证明了混合推荐算法可以取得更高的推荐精度。3、深度神经网络可以充分学习用户特征、歌曲特征、用户对歌曲的行为特征进而准确地预测用户对歌曲的切歌率,本文引入深度神经网络来预测歌曲的切歌率并利用海量用户听歌数据训练了一个切歌率预测模型,通过对混合算法推荐的歌曲进行切歌率预测并过滤后再进行推荐可以使推荐更加精准。