随着信息爆炸时代的到来,资源的类型和人们获取信息的途径有了翻天覆地的变化。网络音乐电台,作为新型音乐传播媒介,以其简单的操作和及时的音乐更新,大大的改变了人们收听音乐以及获取新音乐的方式,得到了越来越多人的青睐。本文以网络音乐电台作为研究对象,对个性化音乐推荐进行深入的研究,围绕关键技术完成了如下的工作：本文首先提出了一种基于标签和评分的个性化音乐推荐算法(P-RABOTR算法)。通过用户对音乐和标签的操作,建立起用户、标签和音乐之间的数据关联图,然后利用降维技术,得到一个能保持这三类数据间关系的低维空间,并根据用户和音乐对象在此低维空间中的映射坐标和两两之间的欧氏距离,为目标用户推荐离他最近的音乐。接着,本文对P-RABOTR算法模型做了更进一步的抽象,得出更符合实际应用的基于评分的大规模音乐推荐算法(LS-RABOR算法)。该算法仅通过用户对音乐的评分操作建立起一个共有4层的分层模型,以目标用户为起始点,对其他结点进行价值传递,最后根据音乐的价值大小为目标用户提供推荐结果。然后,本文采用九天网络音乐电台真实的日志数据对P-RABOTR和LS-RABOR算法与其他传统推荐算法进行对比实验,实验结果表明这两个算法均取得了良好的效果。同时,文章还简要的介绍了LS-RABOR算法在九天网络音乐电台推荐系统中的应用,并对系统Demo进行了演示。文章最后总结了本文工作,并对提出的算法和音乐推荐技术前景进行了展望。