大数据时代,互联网上飞速增长的信息加重了“信息过载”的现象,推荐系统可以通过分析用户过往的行为特征和兴趣偏好为用户建立个性化的兴趣模型,在此基础上帮助用户快速准确地查找到信息,近些年来正发挥越来越重要的作用。音乐是人类表达情感的一种重要方式,是寄托生活情感的一种艺术。现代社会人们更倾向于将收听音乐作为日常的一种休闲娱乐方式。在音乐领域适合引入推荐系统,精准的音乐推荐既可以提升用户体验,又可以为音乐网站带来流量从而更好地创造商业价值,因此契合用户口味的个性化音乐推荐变得越来越重要。常见的音乐推荐系统主要方法有:基于内容的推荐、基于协同过滤的推荐、基于混合方法的推荐等,虽然现有的推荐算法在实现评分预测和音乐列表预测方面取得了较为不错的成绩,但是还存在着较大的改进空间。例如在基于协同过滤类型的推荐算法中,通过生成用户-评分矩阵构建的用户兴趣模型容易存在数据稀疏的问题;另外只根据用户和歌曲自身的信息无法获取到近期内的用户兴趣偏好,导致推荐结果的实时性较差。针对以往推荐方法存在的数据稀疏和实时性的问题,本文提出一种基于双层注意力机制的音乐推荐模型,分别从特征级和项目级获取用户对音乐特征和音乐项目的兴趣偏好程度,同时也利用自然语言处理中的文本卷积神经网络和Word2Vec技术,对特征进行处理从而降低计算的复杂度。本文主要做了如下工作:(1)深度学习方法可以学习到数据的本质特征,本文将音乐推荐与深度学习结合起来,提出一种基于双层注意力机制的音乐推荐方法,以用户和音乐的多种特征信息和用户历史音乐收听列表作为输入,通过神经网络的嵌入层抽取特征,然后设计两层注意力机制分别从特征级和项目级学习用户对音乐每个特征之间的偏好以及用户对其历史音乐收听列表中每一首音乐的偏好。(2)对于音乐名称和音乐标签等文本数据,通过自然语言处理中的Word2Vec技术将其转换为分布式词向量,输入到文本卷积神经网络中进行特征处理,从而减少计算量,提升音乐推荐的精准度。(3)对于双层注意力机制学习到的用户短期兴趣偏好模型,采用向量余弦相似度方法计算用户兴趣向量与音乐向量之间的相似度,求得相似度较高的音乐,选取TOP-N首音乐为用户生成个性化的音乐推荐列表。通过在Last.fm 360K users数据集上运行本文算法,并与基于项目的协同过滤算法、基于神经网络的协同过滤算法、基于单层注意力机制的方法进行对比,本文所提方法在命中排序和归一化折扣累计增益指标上均有了明显提升,证明了本算法具有更好的推荐效果,同时也有助于解决数据稀疏和实时性的问题。