随着线上音乐产业的快速发展,各大平台每天会产生海量的音乐数据。面对丰富的曲库,人们很难快速找到自己喜欢的歌曲。因此,人们迫切需要一种有效的音乐推荐系统,来帮助他们检索音乐。对于用户来说,音乐推荐系统可以帮助提升他们的体验,对于平台来说,增强了用户黏性,为平台的发展带来更强的动力。推荐系统领域一些传统的算法可以在一定程度上解决这种信息过载问题,但是算法的局限性和音乐的特殊性仍然给推荐带来了很大的挑战。为了解决这些问题,提高音乐的推荐效果,本文提出了融合算法框架。通过模型融合的方法克服单模型的局限性,在增强模型的多信息后,使用基于内容的建模方法预测用户的偏好。在数据集上进行特征工程和超参数优化后,通过实验验证了算法框架的效果。在算法框架的基础上设计和实现了一个原型系统。本文主要工作包括以下几点:(1)分析了音乐推荐的研究背景、现状及意义,针对目前研究现状中的一些问题,提出了本文的研究内容和解决方案。(2)分析了推荐系统领域的相关研究,包括协同过滤、上下文感知和基于内容的推荐算法,为本文的研究工作奠定了基础。(3)针对目前的数据稀疏、特征利用率低等问题,基于提升树和逻辑回归,提出了两种融合算法框架,设计了特征工程和超参数的优化,在真实的数据上进行了实验,结果表明提出的融合算法框架在一定程度上解决了单模型的局限性,提高了用户音乐偏好预测的准确率。(4)基于提出的融合算法框架,完成了音乐推荐原型系统的开发。