一、研究背景及意义
迈入21世纪以来，不仅我国，整个世界都处在了信息化的时代，随着经济与科技的快速发展，各种数据充斥着人类的生活，人们生活节奏加快。信息化给我们的生活带来很大的便捷，网络上的资源也越来越多，但是如何在众多数据中筛选出自己需要的内容，的确是一个较大的难题。
生活节奏加快，各种压力接踵而至，而自古以来，音乐就有洗涤人们心灵的作用。从古代的各种宴会，到近代的磁带唱片，再到如今的各种曲库（如网易云音乐，QQ音乐，酷狗音乐等），无一不见证者人们对音乐的喜爱。然而，每个人都有自己的个性，生活经历不同，爱好不同，所喜爱的音乐的风格也是各有不同。如今，在这样一个信息化大爆炸的时代，音乐数据也是呈现出指数增长的状态。音乐库中存储着大量的音乐数据，因而用户需要花费大量的时间和精力去甄选自己喜欢的音乐，而在这漫长的查询过程中，用户很可能失去对音乐的兴趣。所以，为了解决这一问题，搜索引擎应运而生，虽然大大地提高了人们查询音乐的速度，但是搜索引擎返回的内容往往范围较小，不利于用户的多元化发展，并不能满足用户个性化的需求。
个性化音乐推荐系统是帮助用户筛选音乐的另一有效途径。个性化可以通过对音乐风格标签的划分，推荐出用户可能喜爱的音乐，引导用户尝试未曾听过的内容，并在个性化界面推荐出来。和普通的搜索引擎相比，会带给用户更好的体验，让用户对音乐更加喜爱，满足感更足。
二、国内外研究概况
上一小节着重介绍了本论文课题的研究目的及意义，事实上，个性化推荐系统是由互联网和电子商务发展而来的产物，它是建立在大量数据基础上的高级商务智能平台。1995年3月，卡耐基。梅隆大学的Robert Armstrong等人在美国人工智能协会上提出了个性化导航系统Web Watcher; 斯坦福大学的Marko Balabanovic等人在同一会议上推出了个性化推荐系统LIRA[1]；自此之后，个性化推荐系统也逐渐成为学术界的研究热点之一并且在各种领域皆有了不同的应用。例如，在音乐方面，有个性化音乐推荐系统的应用；在电子商务方面，有个性化电子商务平台；在广告方面，出现了个性化横幅广告等一系列应用。个性化推荐系统的优点在于[2]主动性，它能自发的收集并分析用户操作中的行为数据，并为这种数据建模，得到用户的信息之后，匹配数据库中相应的资源，并为用户做出对应的推荐。
音乐推荐系统最早出现在1995年，名称为Ringo系统[3]，它通过歌曲的一般信息，给用户推荐他们可能喜欢的音乐，但是该系统的推荐方法约束条件较多，推荐的结果太过于单一，死板。但是随着这些年信息技术的发展以及人们需求的不断提高，在推荐系统领域的研究也是步步深入，当然也取得了不朽的成果。目前，比较成熟的推荐技术有以下几种：
基于内容的推荐：原理是[4]为用户推荐与用户画像（user profile）最匹配的物品,根据物品的各种数据，提取物品的特征，最终生成推荐列表，而推荐列表中的物品，大多都能满足用户的需求，得到用户的满意。但是受到推荐资源的限制，很多特征信息一般无法准确提取。具有代表性的是国外著名[5]的网络电台Pandora[6]，它的“音乐基因组项目”根据单个用户喜欢的音乐类型来区分，依靠节奏，作品歌词等音乐特征作为参考，将其量化为具体数值[7] 之后进行比对和计算，从而做出音乐之间相似性的判断。
协同过滤推荐：是最为经典，应用范围最广的推荐算法[8]。是通过统计，将具有相似或相同的个体，将其作为一个整体，再根据其关联内容推荐相关的内容。协同过滤推荐算法可以划分为两种不同的方向，一种是基于邻域的方向[4]，一种是基于模型的方向。基于邻域的方向，又可以分为基于用户推荐和基于物品推荐。根据不同的方向，具体的推荐方式有所差别，但是总体理论框架基本上是一致的。SecondHandsSongs 网站是其中的代表。
深度学习：随着深度学习的出现，越来越多的专家开始投入到深度学习的实践研究中去了。深度学习在很多领域，例如，图像处理，语音识别等取得了很大的成就，但是在推荐系统的领域中，才刚刚开始涉及。深度学习，在大数据中占有很强的优势。香港理工大学[9]王灏博士提出的CDL(collaborative deep learning)模型具有很大的影响，国内，文献[10]提出了基于DBN(deep belief network) 的推荐系统。但是深度学习也有其自身的一些缺点，例如，它需要大量的数据。
混合推荐算法：将不同的算法以不同的方式融合在一起，弥补单一算法中的缺陷，在融合过程中，取长补短，提高算法的有效性。在应用中比较多的是[11]基于内容推荐算法和协同推荐算法。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
