随着互联网、云计算、人工智能与大数据技术的迅猛发展,科技深刻改变着人们的情感理念、价值取向、道德标准、思维方式和行为习惯等。现在人们从互联网获取信息极其方便,但是也带来筛选有用信息的困扰,出现了“信息过载”现象。为了更好地克服并有效解决该类问题,在探究已有个性化推荐算法的基础上,针对传统推荐算法中的数据稀疏性和特征提取问题,本文提出了一种基于随机森林-极端梯度提升算法(RF-XGBoost)的混合音乐推荐算法,较好的解决了以上问题,音乐推荐准确率较高,具有较好的推广价值。本文的主要科研工作及创新点如下:第一,针对推荐算法中一直存在的数据稀疏性问题,对数据进行降维是主要的解决方法之一,本文采取经过属性子集的加权抽样方法改进的随机森林算法来实现对数据降维的目的,在随机森林算法中的决策树构建时,通过对属性子集的加权抽样可以提高该决策树的分类强度,进而提升该算法的分类准确性。第二,针对推荐算法中的特征提取问题,本文根据现有的KKBOX音乐数据集,从歌曲的属性、用户的操作行为及其歌曲偏好上进行了数据预处理和特征工程建设,刻画了用户画像,进一步完善丰富了用户和音乐信息。第三,构建以随机森林算法和极端梯度提升算法为主体的混合音乐推荐算法模型,并采用交叉验证法和网格搜索策略确定算法模型的参数。并将算法在第二步构建好的音乐数据集进行了预测,根据对预测结果的评估可知,相对于经过属性子集的加权抽样方法改进的随机森林算法和极端梯度提升算法的单一模型,混合算法的学习性能更好,并且在预测时的准确率提高了3%～4%左右。