随着互联网技术的快速发展,数字多媒体技术极大方便了人们对于音乐的追求,很多音乐社交网站受到大众的喜爱与追捧,音乐数据迅猛增长使用户淹没在海量的信息中,与此同时,信息过载问题给用户和提供商都带来了挑战。传统的音乐搜索只适应于用户有明确目标并且能用关键字表达自己想要的,搜索到的信息没有考虑用户的差异性,同时,只有部分音乐被用户关注或下载,绝大部分音乐无人问津,这也是典型的音乐长尾现象。对于上述问题,个性化音乐推荐技术已成为解决这些问题的有效方法。本文从社会化标签着手,针对如何提高音乐推荐的多样性,准确性以及如何解决冷启动这几个关键问题进行深入研究。其一,为了提高音乐推荐的准确性和多样性,提出了基于关联规则的社会化标签的音乐推荐方法。通过结合用户显式和隐式反馈的信息,建立带权重标签的用户兴趣模型,结合改进后的关联规则F-Apriori算法向用户推荐标签相关联的支持度高的音乐。由于显式反馈信息需要用户额外的付出,给用户带来了负担,用户也不能实时地反映其真实兴趣,使数据带有噪声,所以本文结合隐式反馈来更准确地分析用户的喜好,并提出多维对应分析去除标签噪音。其二,为了解决用户信息稀疏以及新物品的冷启动问题,提出了基于社会化标签的物品属性的混合音乐推荐方法。由于用户越来越注重个人的隐私保护导致用户属性的信息稀疏,所以本文考虑对物品属性进行研究,利用隐含狄利克雷模型结合物品属性将新物品进行分类并用社会化标签表示,与用户兴趣模型结合进行混合音乐推荐。当推荐系统中加入新物品时,由于新物品没有任何用户记录,通过对物品属性进行分析来解决物品冷启动问题。本文基于社会化标签结合物品属性的混合音乐推荐方法更好地为用户提供个性化音乐推荐服务。