急速发展的互联网和信息技术使我们进入了一个信息爆炸且超负荷的大数据时代。为了解决这个问题,推荐系统随之产生,并取得了飞快的发展。中国在线音乐市场规模近几年扩张十分迅速,庞大的音乐推荐需求促进了个性化音乐推荐系统的发展,不断改进推荐算法来提升个性化推荐效果已变得越来越重要。传统推荐算法始终存在着一些局限性,比如个性化推荐问题等。由于单一推荐模型的推荐效果更容易产生局限性,因此尝试将不同的模型进行混合,以传统神经协同过滤混合（NMF）模型为基础进行改进并融合其他模型后得到一个新的推荐系统模型。根据六度分离理论提出一个用户好友关联模型,通过好友关系的考虑来改进贝叶斯个性化排序（BPR）算法—BPRS,BPRS模型通过好友关系在生成偏序对过程的数据采样环节进行了改良,然后提出与BPRS模型相结合的神经协同过滤（NCF）混合模型BS-NCF。原NMF模型经过重新设计,将NMF模型中广义矩阵分解（GMF）模型替换为BPRS模型,同时将多层感知机（MLP）层进行改进。因此BS-NCF模型具备了学习隐含排序信息的能力,BPRS模型与NCF模型巧妙的结合使得新模型在产生推荐列表时能够做到个性化推荐,符合个性化音乐推荐系统的需求。在Last.fm音乐数据集上对混合模型BS-NCF进行了验证,分别开展了两组实验,一组证明BPR模型结合NCF模型的有效性,使得推荐列表更具个性化,另一组证明好友关系与模型的结合能够提升推荐效果。实验结果表明,由BPR结合NCF的B-NCF模型的命中率（HR）相比原始的NMF模型会有一定幅度的提升,归一化折损累计增益（NDCG）则有较大幅度的提升;在B-NCF基础上结合好友关联模型改进的BS-NCF模型与B-NCF模型相比,BS-NCF模型的HR和NDCG则有更进一步的提升。本文提出的混合模型具有一定的个性化推荐能力,产生的推荐列表更加准确,推荐效果得到进一步的提升。