音乐是人们生活中的重要娱乐方式,但在海量的音乐中,找到喜欢的歌曲已经成为了一种挑战。因此,音乐推荐已经成为现代音乐流媒体平台服务中的重要部分,能够减少用户的选择时间,提升用户体验,增加商业利益。本文研究推荐系统中的音乐推荐问题,即分析用户的兴趣,向用户推荐个性化的音乐列表。针对这一问题,本文做出了如下的研究工作:(1)本文提出了一个数据驱动的两段式音乐推荐框架,旨在为用户推荐合适的音乐列表。在第一阶段:(1)基于用户喜欢的音乐列表,使用矩阵分解获取用户对音乐的长期偏好;(2)基于歌曲的音乐上下文,使用段落向量等方法获得歌曲的音乐特征。在第二阶段,将用户对音乐的长期偏好、用户的历史播放记录中的歌曲的特征作为循环神经网络的输入,抓取用户对音乐的短期偏好,输出用户喜欢每一首歌的概率,并由此生成一个Top-k的音乐列表推荐。在该阶段,本文提出了两种基于注意力机制的长短期记忆网络模型,能够有效的抓取并结合用户对音乐的长短期偏好,提高推荐准确度,生成合适的音乐列表。(2)本文在数据驱动的两段式音乐推荐框架的基础上,提出一种基于用户长短期偏好的音乐列表推荐框架。其中,优化了用户长期偏好的提取过程,并提出了两种基于注意力机制的双向长短期记忆网络模型,利用用户喜欢的音乐列表抓取用户对音乐的长期偏好。该方法能够有效的规避矩阵中的稀疏性问题,并提高推荐准确度。(3)本文在真实的数据集上进行了实验,通过实验分析了关键参数对实验算法的推荐性能产生的影响,并与已有的经典音乐推荐系统方案进行对比,证明了本文提出的音乐列表推荐算法的有效性。