互联网技术的迅速发展,使得各种音乐网站和应用越来越多,充分满足了人们对于音乐的需求。但是随之产生的信息过载也带来了一个巨大挑战,即用户很难在海量的音乐中找到符合自己兴趣偏好的歌曲。推荐系统能够有效的解决这个问题,通过个性化推荐技术改善信息过载问题。然而系统中数据不平衡导致的数据稀疏性问题,严重影响了推荐结果的准确性。因此,本文通过计算歌曲综合相似度,建立歌曲偏好相关图,并融合场论理论构建转移概率矩阵,对随机游走推荐算法进行改进,具体工作如下:(1)融合协同过滤和内容特征,建立歌曲偏好相关图。根据用户的收听记录建立用户-歌曲二部图,基于收听次数计算歌曲评分相似度,再提取歌曲的内容特征,计算歌曲信息相似度。然后将两者融合得到综合相似度,降低歌曲相似度矩阵的稀疏性,并构建歌曲偏好相关图。(2)结合场论理论建立随机游走算法中的转移概率矩阵。在计算转移概率矩阵时,融合场论理论,由歌曲相关图建立歌曲场,结合歌曲的重要度与综合相似度得到转移概率矩阵,从而降低随机游走的时间复杂度。(3)混合推荐算法的验证。使用Million Song Dataset的子数据集,将融合场论理论的随机游走歌曲混合推荐算法和基于项目的协同过滤歌曲推荐算法、基于随机游走的歌曲推荐算法进行对比。选取推荐准确率和召回率作为评价指标,验证混合算法的有效性。实验结果表明,融合场论理论的随机游走歌曲混合推荐算法,在一定程度上改善了数据稀疏性问题,提高了推荐的准确性,表明本文对推荐算法的改进是合理且有效的。