Web2.0的兴起伴随着大数据时代的到来,彻底颠覆了传统互联网模式成为当今信息化时代的潮流,与此同时,海量的数据信息渗透到互联网的各个角落,信息过载问题日益严重。个性化音乐推荐作为解决数字音乐领域信息过载问题的一项有效手段,成为当前音乐服务的一个研究热点。传统的推荐算法往往只关注“用户-项目”的二维评分关系,忽略了用户听音乐时所处的情景信息。考虑到用户的兴趣往往会因情景的变化而改变,本文在传统音乐推荐算法的基础上,融入用户听音乐时所处的情景信息,提出了几种基于情景感知的改进算法。本文的主要研究工作如下:(1)针对音乐推荐领域普遍存在的数据稀疏性问题,提出一种隐式评分转换方法。隐式评分转换以用户对同一首音乐的单曲循环次数为依据,将单曲循环次数映射为用户对音乐的评分值。(2)针对传统的用户关系模型无法处理用户间有向性的影响关系,基于用户收听音乐的时序差异,提出一种时序用户关系模型。时序用户关系模型通过比较用户收听音乐的时间先后顺序,将用户分为影响者与被影响者的关系,在推荐效果上具有明确的方向性。(3)针对传统推荐方法无法满足情景感知的推荐需求,提出一种情景再现推荐模型。该模型利用时序用户关系模型的有向性,结合用户听音乐时所处的情景信息,向目标用户推荐对其影响度最大的邻居用户在对应情景下的历史行为选择,从而达到情景再现的推荐效果。(4)针对情景再现推荐在处理用户情景数据时直接利用情景预过滤技术,不是真正意义上情景与模型的融合,提出一种基于概率矩阵分解的情景感知推荐模型。该模型将多维“用户-情景-项目”模型中的“情景-项目”映射到二维“用户-项目”模型的“项目”中,从而实现基于概率矩阵分解的情景感知推荐。(5)为了合理优化模型中用户间的关系,将时序用户关系模型与概率矩阵分解模型融合,结合用户情景信息,提出一种基于时序概率矩阵分解的情景感知推荐模型。(6)通过实验,验证了各种改进方法的有效性。考虑到情景信息的引入加剧了数据稀疏性问题,实验将训练集按不同稀疏区间综合比较,全面考核各算法的差异。