近年来,随着网络服务的迅速发展,用户可以方便的使用手机等终端在线收听音乐。由于网络上存在海量的音乐数据,用户检索自己喜欢的音乐时,面临信息过载的问题。因此,为用户提供有效的个性化推荐是一项必要的音乐服务。传统基于标签的推荐系统,需要耗费大量人工进行初始化标注及维护更新,且所形成的多维度标签容易使推荐模型复杂化;而基于邻域的推荐系统,需要收集大量用户数据且计算复杂度较高。因此,如何把新加入乐库的无标签或无用户数据的音乐有效地推荐给用户,是音乐推荐系统中的一个难点。对于海量数据,与传统协同过滤算法相比,基于word2vec技术的音乐向量模型可以更为准确地描述音乐之间的相似性。而卷积神经网络具有自动提取特征的优点,能有效地提取梅尔声谱图中的音乐特征。本文基于word2vec的音乐向量模型获取用户偏好,训练卷积神经网络根据用户偏好对音乐进行分类,并在冷启动场景下对音乐进行用户偏好自动标注及推荐。本文的主要贡献如下:1、针对人工标注工作量大、容易引起推荐模型复杂化的问题,本文提出一种基于word2vec音乐向量模型的用户偏好聚类方法。该方法对音乐向量进行降维和聚类,获取音乐所属的用户偏好类别。由于用户的收藏音乐按偏好划分会更为集中,该方法能有效地描述用户偏好,从而更好地进行推荐。同时,该方法也可为各类推荐算法的训练样本提供用户偏好标注。2、针对音乐加入乐库时,缺少用户数据及人工标签等信息的冷启动场景,本文提出一种基于卷积神经网络自动标注用户偏好的音乐推荐方法。相比现有算法,该方法在冷启动场景下,仍可对未知音乐进行用户偏好自动标注,从而有效地将音乐推荐到同类偏好的用户群中。