众所周知,随着国际互联网的快速发展,尤其是移动互联的兴起,用户行为数据所产生的价值也愈加提高,所产生的用户数据不论是种类还是数量也是越来越多,用户的这些行为数据是具有巨大价值的,推荐系统便在这个大环境下应运而生,它会结合用户的信息、物品的信息以及用户过去对物品的偏好,利用推荐算法合理地构建用户兴趣模型,为用户提供更为行之有效的个性化推荐服务。传统的音乐推荐大多数只关心音乐的显性属性,诸如作词人、作曲人、歌手、发行年份、播放时长等,它从用户和物品两个角度探寻彼此之间的内在联系,将研究重点更多地集中在对显性特征的量化方式和对向量矩阵的稀疏性处理上,最终来实现优秀的推荐效果。而本文的改进主要从两个方面进行,首先是在推荐算法方面,通过对音乐歌词进行主题挖掘和关键词挖掘,形成备选关键信息的候选列表,希望通过分析歌词的中心含义并结合显性音乐属性,来进一步确定歌曲风格走向;同时为避免对非结构化文本进行语义分析时产生的误差,本文将主题和关键词集合中的元素以用户喜好为导向进行关联关系计算,通过设定经验阈值来筛选掉垃圾关键信息以保证特征的有效性。另一方面,本文发现,在对特征矩阵进行相似度计算的时候,传统的相似度计算可能会出现数据不敏感的情况,即对向量的绝对值处理能力较弱,再有极容易被多个用户之间的共同评分项数量因素所忽略,这就为基于物品推荐算法的精准性制造了巨大的麻烦,因此本文在相似度算法方面做了优化以解决该问题。最后,本文对比了改进方案与baseline方法的F1值,从中体现出本文提出的歌词主题挖掘改进策略对推荐效果的积极影响,同时在相似性判别方面也对比了传统与改进方案在RMSE评价指标的效果也同样验证了本文思路的正确性。