近些年,随着互联网技术的飞速发展,不可胜言的信息量给人们获取确定信息带来了前所未有的挑战和困难,这种现象被称之为信息过载。直到推荐系统的出现,此问题才得到了有效改善。目前推荐系统发展迅速,各种推荐算法层出不穷。尤其是随着深度学习在图像处理等方面的广泛应用,人们自然而然地将其应用到了推荐系统中,从而更有效地缓解了信息过载问题,加快了信息筛选的速度。当下推荐系统成为了业界的关注热点,被应用到了包括音乐在内的多个领域。好的音乐推荐系统可以更好地为用户提供服务,减少用户筛选时间,为用户与平台创造更高的价值。因此国内外众多目光都聚焦在音乐推荐之上,并对其进行了大量的研究,也产生了大批成果,但和其他类型的推荐相比,具有独特性的音乐推荐主要通过隐式的方式来获取用户偏好,灵活性较强。过往的方法由于其局限性,效果有待提高,是以人们也将深度学习应用到了音乐推荐中。基于此,本文对现有的基于深度学习的时序推荐模型从不同角度进行了改进,并结合实际,将其应用于音乐推荐系统之中。本文的主要工作如下:（1）提出了DIAFN（Deep Interest and Attentional Factorization machines Network）模型。该模型以深度兴趣网络为基础,使用双路并行结构引入基于注意力的因子分解机模型,使用户行为序列实现低阶特征之间的有效组合,实现既能提取低阶特征、又能提取高阶特征的信息,捕捉多种层次的交互行为,使模型能够更好地学习到用户的兴趣特征,并获取更加丰富、精准的行为依赖信息;该模型还设计了一种新的注意力计算方式,通过使用任意两个向量的余弦相似度和模长差绝对值之间的关系来计算其相似性权重,可以更有效地学习到任意两个向量间的关系,提高模型的可解释性。（2）提出了DICN（Deep Interest and Compressed interaction Network）模型。该模型同样以深度兴趣网络为基础,融合了压缩交互网络,充分挖掘了高阶特征间的关系,突出特征交叉的重要性,使模型同时结合了显式向量级和隐式元素级特征组合,从而充分挖掘物品组合特征的潜在信息。在此基础上,使用新的注意力计算方式,再次验证其有效性。（3）选取多个常用公开数据集和本文私有数据集,分别与先进模型进行大量对比实验,通过实验结果来验证模型的有效性和实用性。最后结合实际场景,设计开发了个性化音乐推荐系统,并将本文提出的模型应用到其中。总而言之,本文主要结合了实际音乐推荐场景,从不同角度设计并实现了基于深度学习的时序推荐模型,有效地提升了模型效果,并在个性化系统中得以验证,具有一定的现实意义。