彭余辉，张小雷，孙 刚

（阜阳师范大学计算机与信息工程学院，安徽阜阳 236037）

近年来，互联网信息和电子音乐网站爆炸式增长，音乐资源异常非富，但各种音乐无法有效地整合，造成信息过载，使人们无法快速找到他们所喜欢的音乐。一个好的音乐推荐算法对于音乐网站尤为重要，它既给用户带来方便，也给音乐网站带来了更多的利润和流量。

传统的音乐推荐算法是单一的基于内容的推荐或者是使用协同过滤推荐。根据文献[1]，基于内容的推荐本质是对于信息的检索和过滤。协同过滤推荐算法分为基于用户（User-CF-Based）和基于物品（Item-CF-Based）的协同过滤算法。User-CF-based 算法按照用户之前对物品所作的行为来分析用户的偏好并进行衡量和评分，计算用户之间的相似度，并根据相似度将物品推荐给有相似偏好的用户。Item-CF-Based算法根据用户喜欢的物品，将与该物品相似的物品推荐给用户。

为了改进传统的推荐算法，提高协同过滤推荐算法的准确率和效率，文献[2]提出了RC-DFM模型，经过评论和内容的加权融合，缓解了数据的稀疏性，增加了推荐的准确率，但是对于大型数据集来说，这种模型的效率会随所需时间的增加而变低。文献[3]针对冷启动问题进行研究，根据用户评分和项目属性进行评分预测，并将推荐结果推荐给用户，但未考虑新用户因素。文献[4]通过提取特征词，使用特征标签来代替物品本身，将多种标签结合进行分析与融合以提高精确率。以上推荐算法远远无法满足需求宽泛的用户，在“长尾理论”的支持下，很多不受欢迎商品的销售规模足以比拟受大众欢迎的商品。……