随着音乐资源库不断地丰富发展,普通的音乐搜索方式已经不能适应海量音乐库的发展需求,音乐推荐系统的出现能够帮助用户解决这一问题。尽管当前有许多音乐平台推出了音乐推荐服务,但是其使用的推荐算法不能充分挖掘用户和音乐之间的联系,不能根据用户的偏好进行个性化音乐推荐。因此,本文提出了基于潜在因子模型的音乐推荐系统,能够在一定程度上缓解上述问题。推荐算法、模型结合和用户模块三部分构成本文的音乐混合推荐系统的核心。混合推荐系统的基本思想是:首先对用户在特定时间段听歌的历史行为进行采集,通过这些历史行为结合潜在因子模型,构造用户评分矩阵,再对评分矩阵进行降维、分解,最终构建用户-音乐偏好模型;同时,在模型中加入时间变化函数,考虑用户在这一时间段内偏好的变化;最后通过计算与用户最相似的音乐,为目标用户产生歌曲推荐列表。为了验证文中音乐推荐模型的效果,选取了适合本文模型的用户-音乐数据集。利用均方根误差、准确率、召回率和综合评价指标对模型生成的音乐推荐列表进行检测;同时综合考虑预测评分准确性和推荐结果准确性对本文的推荐系统产生的影响。最终实验显示,文章中提出的的音乐推荐模型能够提高音乐推荐的准确率,和传统的协同过滤推荐算法相比,本文利用潜在因子模型对用户的评分数据进行降维,能够更加准确表示用户-音乐之间的关系,缓解数据稀疏性问题;在此基础上通过在传统的协同过滤算法中加入时间变化函数,能够动态显示用户偏好的变化,为用户推荐更加适合的音乐。