在人们的日常生活中,收听音乐是一项重要的放松方式,在不同的情感状态和生活场景下均会在用户对音乐的喜好上产生影响,而音乐中的信号能够以多种形式传递出情感表达,通常情况下用户处在不同的情感状态将会影响对当前音乐情感类别的偏好,并且用户的情感并非一直不变的,其具有较高的实时性,同时用户的生活场景也会随着快节奏的生活而不断转换,导致对音乐主题场景的需求也会随之不同。目前在多个音乐平台以及各类自媒体的快速发展下,人们难以快速获取到想要收听的歌曲,被推荐的歌曲也不易符合当前的情感状态及生活场景。传统的音乐推荐方法多以用户间兴趣偏好的关联度研究,歌词内容的相关性,音乐标签间的语义挖掘等方法为主,而忽略了对音乐的频谱信号等本质信息的学习及训练过程,对用户当前的情感状态及生活场景关注度不够,以上均会导致音乐推荐效果的实时性较差和准确率不够理想的问题。一个好的音乐推荐方法可从音乐的本质频谱出发,准确的对音乐进行分类及推荐,既可减少用户在寻求偏好音乐时花费的时间又可提升对音乐的分类敏感度及推荐的准确率。据此本文旨在获取音乐本质信号中的情感特征,对用户曾收听的音乐进行类别分析来判断用户当前的情感状态,再进行二次分类确认当前音乐所属的主题场景,最后将以上信息数据用于对用户的推荐过程中来提高音乐分类及推荐的准确率,本文针对以上问题完成了以下工作内容:首先对于原始的长短期记忆神经网络无法彻底分析准确音乐表达的情感,本质信号的资源分析集中度不高等问题,提出了一种将三层长短期记忆神经网络与注意力机制相结合来对音乐进行分类及推荐的模型T＿LSTM＿AM,首先从用户偏好的音乐中提取出与情感表达相关的信号特征,通过构建的情感分类模型T＿LSTM＿AM进行数据的筛选、聚焦及分析得出音乐所属的情感类别,再基于用户历史播放记录得到用户情感的特征序列以获取用户当前情感状态,构建推荐模型来进行音乐推荐。数据集来源于网易云音乐,针对音乐的情感分类准确率、音乐的情感识别准确率、用户的情感分类准确率三项进行了实验。对比结果表明新提出的T＿LSTM＿AM模型在情感分类及识别上均高于简单的融合模型与一些传统的模型,推荐精准度有所提升。最后将用户的生活场景考虑进来,在情感分类的基础上进行音乐主题上的二次分类,提出一种融合门控循环单元与注意力机制的音乐分类及推荐模型Bi GRU＿SA,同时在音乐主题判别上使用了狄利克雷分布方法。将T＿LSTM改为Bi GRU模型,同时改用自注意力机制来提高模型的计算能力,解决整体架构上模型较多导致的计算过于复杂等问题,据此构造情感分类模型及主题场景分类模型,并根据用户的历史记录分析用户情感及生活场景以进行音乐推荐。由网易云音乐获取数据集进行实验的结果表明,相比简单的融合模型及一些传统的模型,新提出的Bi GRU＿SA模型在音乐分类方面的准确率及识别率均有进一步的提高,再一次提升了推荐效果。