大数据浪潮下,互联网在方便人们获取数据的同时,也将人们置于海量信息选择的困境中。传统的搜索引擎虽能过滤掉一部分无关信息,但从大量搜索结果中逐一挑选也是一件费时的事情。学术界和工业界就这一问题具有一致观点,即推荐系统是当前缓解大数据灾难最为有效的方式。音乐之于人类而言,已经成为生活的重要部分。随着互联网服务的发展,人们对音乐的消费模式也发生了巨变,以用户为中心的相关技术已成为目前音乐服务的主流技术。社会化标签既反映了资源的特征属性,也体现了用户的兴趣所在。同时,用户在不同时间对标签的感兴趣程度是在不断变化的。本文将结合这两个特性,提出一种基于标签和时间加权的推荐算法模型。利用用户行为日志,建立时间迁移下的用户兴趣模型,并通过社会化标签标识歌曲内容,然后依据用户兴趣模型与备选歌曲的标签特征的匹配程度来生成推荐列表。同时标签可以很好地解释推荐该项目的原因,提高用户的接受度。为了解决数据稀疏性的问题,本文还加强了对隐式数据的利用。为解决新用户冷启动问题,本文提出了一种基于用户基本信息查找相似用户的解决方案。首先利用三部图的物质扩散算法衍生的相似度计算法则,将系统中具有相似行为的用户进行聚类,再将用户的基本信息与其类别建立关系,由此便可根据新用户基本信息,找到其相似用户群,为其赋予初始标签偏好特征,从而为新用户生成个性化推荐列表。最后,本文针对个性化音乐推荐系统的需求设计了推荐系统总体架构,划分了各功能子模块,对各模块进行了详细设计与实现。在交互模块,所设计的音乐可视化界面能直观地展示项目间的关联性,提高用户体验。