互联网的迅速发展和流媒体音乐服务的强势崛起,使得人们能够随时随地聆听海量音乐。人们享受着信息增长带来数字红利的同时,也面临着日趋严重的信息过载问题,为此推荐技术应运而生。收听序列中蕴含着丰富的音乐上下文信息,可有效描述用户潜在的兴趣偏好。分析现有推荐技术,研究如何利用以机器学习为代表的新一代推荐技术,从特定场景和局部序列中挖掘出用户的短期动态偏好,构建满足用户需求且提升平台效益的实时推荐服务是当前推荐系统领域的一个研究热点。论文以音乐推荐为研究对象,提出了一种将分布式词向量表示（Word Em-bedding）和门控循环单元（Gate Recurrent Unit,GRU）相结合的混合式音乐推荐模型 E-GRU（Embedding-Gate Recurrent Unit,E-GRU）,在挖掘用户潜在兴趣偏好的同时最大限度地提高推荐准确率。本文主要可分为两个部分:第一部分针对局部序列内的音乐之间关联性较强的特点,对用户的历史收听序列进行分割以形成会话记录。采用基于连续词袋模型（Continuous Bag of-Words Model,CBOW）的Word2Vec框架学习会话层级上的音乐词向量表示,实现音乐特征的粗粒度提取;其次,对所构建的词嵌入模型进行理论推导,验证模型的合理性。最后,在Last.fm真实数据集上对所构建的模型进行实验训练,为后续模型的输入数据作准备。第二部分将用户的短期动态意图和长期稳定偏好相结合,提出基于词嵌入的GRU音乐推荐模型E-GRU。GRU的加入使得模型不仅增强了对于时序信息的建模能力,还能够挖掘出序列中蕴含的深层音乐抽象特征,又克服了传统循环神经网络随着模型深度不断增加而丧失长距离依赖关系的学习能力的问题。模型以音乐词向量替代独热向量来表征输入数据,并且使用音乐词向量均值作为输入数据的起始项来刻画用户长期偏好,该方案不仅填补了短期偏好模型缺乏序列历史信息的不足还减轻了模型的计算消耗;其次,通过运用Dropout技术克服模型训练过程中存在的过拟合问题,有效提高了模型的泛化能力,最后在真实数据集上对所构建的模型进行了实验训练并与多种推荐算法进行对比,实验结果表明,本文改进提出的技术研究方案和构建的实验模型能够进行较为准确的音乐推荐。