在这个信息过载的时代,与人们生活息息相关的音乐得到蓬勃发展,音乐资源得到极大丰富,但是人们却越来越难以找到自己喜爱的音乐,因而对个性化音乐推荐的需求也越来越迫切。虽然个性化音乐推荐系统目前已受到众多研究学者的关注,但是个性化音乐推荐的发展依然面临不少挑战和问题,需要不断地深入研究和优化解决。本文主要围绕如何提高个性化音乐推荐系统的推荐效果,解决音乐推荐的推荐精度、推荐实时性以及推荐结果的多样性等问题展开研究,研究的主要内容及成果总结如下:(1)本文提出一套基于SVD++模型与上下文感知技术的音乐推荐算法框架,借助SVD++模型的评分预测优势,同时利用上下文感知技术引入时间、位置、情绪等上下文信息以改进推荐过程,并综合考虑用户的历史评分行为、近期听歌行为以及即时反馈行为的影响,对多种推荐排序方法进行有效融合以生成Top-N推荐列表,实验结果表明该混合式推荐算法在降低预测误差,提高推荐精度以及缓解评分矩阵的稀疏性问题等方面均具有明显的效果,有效提高了推荐效果。(2)本文提出的混合式音乐推荐算法通过在生成中间结果集时进行多样性融合,并在生成最终的推荐列表时也采用融合三种排序结果的方式,同时利用与负反馈歌曲的差异性对推荐结果进行平衡,实验结果表明可有效提高推荐结果的多样性。(3)针对音乐推荐系统的实时性问题,本文采取将离线计算与在线处理相结合的方式来生成推荐,通过离线计算模块来完成复杂的运算,从而减少在线处理模块的计算量,以减少其响应时间;同时系统会根据用户的正负反馈行为而对推荐列表进行即时调整,以实现在线实时推荐,有效提高了系统的实时性。