协同过滤技术已经广泛应用于各项推荐任务,并在实际中达到了很好的效果。然而,随着后信息时代科学技术的迅猛发展,严重的信息过载和数据结构的多元化等问题不断涌现,协同过滤推荐方法因此而面临着巨大的挑战。近年来,深度学习凭借其强大的数据处理能力、特征学习和表达能力等优势迅速在推荐系统领域占有一席之地,几乎工业界各个行业的推荐系统模型无不应用了深度学习技术。与当前多数音乐推荐模型从音乐的元数据（音色、音调等）中提取特征略有不同,本文尝试从音乐的宏观属性（流派、艺术家等）入手提取歌曲内容特征,采用Word2vec方法由原始高维稀疏的特征向量训练得到稠密的低维隐特征向量,将经典的协同过滤,矩阵分解和内容推荐方法融合于深度学习技术框架之中,提出一种改进的神经协同过滤音乐推荐模型,为每位用户提供个性化的歌曲推荐。在模型结构上,一方面对所有特征进行分组,经过处理得到综合组特征以增强模型表达能力;另一方面在模型通过向量外积中加入交互特征以学习更多的非线性信息。在两个音乐数据集上进行实验,实验结果表明,本文模型的F1和mAP两种评价指标值都远远高于其他模型,因而推荐质量显著优于其他模型。此外,由于引入了用户信息和歌曲属性,缓解了冷启动问题,而使用Word2vec方法也有效缓解了数据稀疏性问题,使用深度学习方法大大提高了模型泛化能力和稳健性。模型通用性以及泛化能力强弱需要其他不同领域的数据集来进一步验证,这将作为未来研究工作的一部分。