海量信息在提供服务的同时会产生过多选择,使得用户难以做出抉择.如何利用个性化推荐,帮助用户准确获取满足需求的音乐资源,是当前急需解决的问题.本文提出一种基于改进因子分解机的音乐推荐方法,从用户行为角度挖掘用户潜在的兴趣倾向、构建行为特征空间,并结合因子分解机理论预测用户行为类型,作为个性化音乐推荐的依据.文章的主要内容和创新之处如下:(1)定义用户行为特征,挖掘用户兴趣倾向.通过定义用户行为特征,对客观的用户日志数据采用高相关滤波、主成分分析方法进行合理的特征提取,并构建基于用户行为特征空间的理论推荐模型.传统音乐评分推荐方法利用主观性评分、评论等显式信息作推荐,而该理论模型只需用户特征、播放行为类型和音乐项目信息作为输入向量,有利于降低用户主观性偏差对推荐效果的影响.(2)改进因子分解机模型,提升推荐新颖性.依据对因子分解机原理的深入研究,本文结合矩阵分解与空间变换理论针对2维模型中的交叉项进行改进,以满足从用户行为角度进行音乐推荐的场景要求.在尽量不降低推荐准确率的前提下,添加能够体现推荐新颖性的随机因子,增加未被用户选择音乐项目的权重,实现个性化推荐的目标.(3)针对改进模型的性质作严格证明,设计与之相对应的推荐算法用于实验.根据改进模型的性质,优化随机梯度下降算法和交替最小二乘算法用于估计模型参数,并利用模型调参、交叉验证方法训练最优模型用于测试推荐效果.最终根据推荐集与测试集的相似性评价推荐的新颖性,从理论和实践的角度论证方法的可行性和有效性.