随着互联网的深化应用和移动互联网的爆发式增长,网络上积累的资源量呈现几何级增加,远远超过了用户能够及时查看、理解的能力,称为信息过载现象。个性化推荐技术是有效解决信息过载问题的重要手段,它能帮助个人或者系统能够及时高效获得信息,满足用户的个性化需求。本文主要研究了基于长短期时序网络的电影推荐算法和基于卷积神经网络的音乐推荐冷启动解决方法。在电影推荐算法中,需要对用户未观看的电影做出评分,常规的矩阵分解方法忽视了用户兴趣和电影流传度随时间变化的规律。为此,本文在模型训练阶段通过构建两个LSTM神经网络分别接受用户向量和电影向量作为输入,捕捉用户和电影在时序变化上的特征,将两个子LSTM神经网络经过压缩后的输出当作另一个LSTM神经网络的输入,将用户对电影的评分作为模型的输出。通过电影评分历史数据训练得到基于LSTM的电影评分模型,并与SVD、PMF、RRN网络作对比试验验证了模型的有效性。在音乐冷启动解决方法研究中,本文提出了一种基于卷积神经网络的音乐分类模型来解决音乐冷启动问题的算法,减少了新音乐进入系统需要的大量人工标注标签工作。首先通过离散傅立叶变化将音乐音频转换成单色光谱图,然后将光谱图切割成统一大小,最后将图像输入构建好的多层卷积音乐分类网络,根据多层卷积音乐分类模型判断出音乐类型,据此把新音乐推荐给喜欢该类型的用户。实验结果表明,本文提出的基于卷积神经网络的音乐类型分类器在虾米社区爬取的音乐音频上表现优异,和基于余弦相似度的音乐分类器相比在冷启动推荐中正确率提高了 3%。