智能互联网带来的信息传输革命正在重塑传统的服务行业。互联网用户每天都在生产、创造和使用数据,使得信息过载的问题不可避免。面对海量的信息,如何在用户和信息之间建立起直接有效的关联变得至关重要。推荐算法使用数据挖掘技术,高效利用具有价值的隐藏信息,为用户提供个性化推荐服务,提升用户的感知度,已然成为推动行业发展的生力军。本文研究内容主要集中在以下三个部分:第一部分,用户的个人兴趣和物品的流行度都是不断发生变化的。传统的协同过滤推荐算法根据用户产生的历史行为数据进行计算,侧重的是已成为过去的时间维度。存在没有考虑到物品的最新信息,以及用户的兴趣度等随时间可能发生变化的时效性问题。针对上述问题,引入时间因子对传统的相似性度量算法进行改进,构建出数据更为准确的最近邻居集,进而预测评分填充用户—物品评分矩阵。缓解协同过滤算法在推荐过程中的时效性问题,提升推荐质量。第二部分,针对用户对物品的历史评分数据相对于物品而言数量过于稀少的问题。结合第一部分的研究成果,引入关联规则对已考虑时间因子的协同过滤算法预测评分的方式进行改进。通过关联规则算法挖掘出物品间频繁共现的关系组合,构建强关联规则推荐度计算方式,进而预测与目标用户已评分过的物品存在关联关系的物品评分。同时,尝试并行混合关联规则推荐算法和协同过滤推荐算法,进一步优化用户—物品评分矩阵,产生混合推荐结果。缓解协同过滤算法因数据稀疏导致的推荐精度下降问题,提升用户体验。最后,根据上述两部分的理论研究和实验成果,从用户维度、物品维度以及用户和物品的交互维度着手架构,设计并实现了一个具有个性化服务功能的音乐推荐系统。