现如今,音乐与人们的生活密切相关,无处不在。随着数字音乐的出现,在线音乐的发展越来越快,越来越多的用户选择在线收听音乐。这种发展状况不仅使得网络音乐用户的数量迅速增长,而且也使得音乐资源库的大小不断扩大。与此同时,带来了音乐数据过载的问题,用户也因此无法迅速地从海量音乐资源中找到自己喜欢的音乐,提高用户的体验度变得十分迫切。推荐系统是解决音乐数据过载最有效的方法之一,它无需用户提供自己的需求,就能帮助用户从繁杂的信息中找到自己感兴趣的内容。因此,将推荐系统应用于在线音乐服务领域是音乐发展的必然趋势。在推荐领域中,基于协同过滤的推荐技术的研究和应用最为广泛。本文在基于BaisSVD协同过滤的基础上,通过引入用户的行为信息和音乐的流行度来提高模型的推荐准确度。文章的主要内容和创新点主要包括:(1)在BaisSVD算法的基础上,提出了基于用户行为加权的协同过滤算法(简称FBaisSVD)。在音乐系统中,用户可以通过收藏、分享、下载以及评论等方式表示对歌曲的喜爱,也可以通过删除、切换歌曲等操作来表明对歌曲的不满,甚至无需任何操作,只需等待歌曲播放结束进入下一首,以此表示中立模糊的态度。该算法针对不同类型的用户行为特征加上不同权重,建立评分预测模型。(2)本文在(1)的基础上引入音乐的流行度来优化预测模型,建立基于用户行为和流行度的协同过滤推荐模型(简称FPBaisSVD)。本文将音乐的流行度定义为对音乐产生过行为的用户数量。实验结果表明,该模型进一步提高了系统的推荐准确度。最后,本文根据以上提出的预测模型设计并实现一个小型的个性化音乐推荐系统,为用户提供音乐推送服务。