随着数字多媒体技术的不断发展,音乐库变得越来越大,音乐资源越来越丰富,如何让用户在浩瀚如海的音乐世界里高效地获取自己感兴趣的歌曲便成了一个难题。针对这种现象,个性化音乐推荐系统应运而生。然而,虽然现有的音乐推荐系统种类繁多,但推荐效果良莠不齐,或多或少都存在一些问题。卷积神经网络是近年发展起来,并引起广泛重视的一种高效的深度学习方法,被广泛应用于图像识别、自然语言处理等多个领域,并且取得了比传统机器学习更好的效果。鉴于此,本文提出了基于卷积神经网络的音乐推荐系统。本文提出的音乐推荐系统包括用户建模模块、音频特征提取模块和推荐算法模块等。推荐算法的基本思路是:首先对音乐用户历史行为信息进行采集,利用隐语义模型矩阵分解的方法构建出用户偏好模型;接着对系统中的音频资源进行预处理,并提取出能够代表音乐特征的梅尔频谱图;然后对卷积神经网络进行训练获得音乐潜在特征预测的回归模型,将用户和音乐投影到一个共享的隐空间中;最后通过计算用户偏好特征与音乐潜在特征之间的相似性为目标用户产生TopN推荐。本文对所提出的推荐算法进行了系统性地实验,自行构建了模型训练和测试的用户-音乐数据集,并在典型的卷积神经网络模型的基础上设计了系统实验所用的网络模型结构,同时对模型训练调优参数进行了对比和选择。最后,本文对模型进行了训练和测试,并利用均方根误差、准确率、召回率以及F1值等作为推荐质量评价指标,从预测评分准确性和生成推荐列表准确性两个方面对系统进行了评估。实验结果表明,本文的推荐算法具有一定的可行性和有效性。相比其他传统的音乐推荐算法,本文充分利用了深度神经网络自动提取特征的强大优势,从音频内容中获取更高层的音乐特征表示,同时融入用户对音乐交互的历史行为信息,可有效地缓解了推荐系统中存在的冷启动等问题。