随着大数据、5G时代到来,互联网上数据量不断增长,数据过载问题越来越严重。近几年来,大数据、人工智能技术不断发展,推荐系统作为解决数据过载问题的有效方法已经被应用于新闻网站、短视频平台、在线音乐等行业。针对音乐推荐领域,工作者做了大量的研究,但是先前的方法存在实时性较差、无法实现个性化推荐以及存在“冷启动”等问题。针对传统的音乐推荐系统中的不足,本文进行一些改进和探索,参考传统的音乐推荐方法,提出了一种结合用户行为与音乐音频的个性化推荐方法,从而精确地为用户提供感兴趣的音乐。本文的主要包括以下工作:(1)首先,对数据集进行处理。将数据集划分为稀疏程度不同的两个子集。将收听次数、点赞、收藏等隐式评分转化为0-15的显式评分,然后使用相关工具对音乐音频特征进行提取。(2)其次,提出了一种基于用户社区的组推荐算法。首先构建用户-音乐二分网络,结合用户历史收听数据以及用户信息计算兴趣偏好度,对其进行社区划分,相同音乐偏好的用户被划分到同一社区。对于用户u’,确定用户所在社区,通过基于社区cu’的协同过滤模型,可以计算出用户u’偏好得分,从而推荐得分最高的Top-N音乐。本文还在Spark计算平台实现了基于用户社区的组推荐算法,提升了推荐效率。(3)然后,将Relation-Learning的思想引入音乐推荐系统,将Relation模型应用于音乐推荐。使用自编码器对用户特征与音乐音频特征进行编码,提取其高阶特征。在音乐编码过程中,将用户特征与音频特征输入到Multi-Head Attention模块,将两种特征进行结合,在编码阶段实现音乐个性化编码。将用户对于已评分歌曲的特征和目标未评分歌曲的特征进行组合,在Relation模块计算出两者之间的兴趣相似度向量y和已评分歌曲的特征与目标未评分歌曲特征之间相似度x,对两种评分求平均数后得到用户对音乐感兴趣程度。在实验中采用准确率和召回率等评价指标,验证了该模型在音乐推荐方向的有效性。(4)最后,实现了基于用户行为与音乐音频的推荐系统。系统后端使用Python语言得到推荐列表,前端采用Java Web相关技术实现了用户行为记录模块、推荐模块等,通过一个微信小程序对两种方法产生的推荐结果进行了展示。