在互联网的发展潮流中,音乐无疑扮演着一个非常重要的角色。各大音乐平台为消费者提供了无数的音乐作品,让人们可以每时每刻沉浸在音乐的海洋中。但是,随着互联网资源的日趋丰富,海量的数据常常让用户难以找到自己真正需求的音乐。一个优秀的音乐推荐系统可以很好的解决这个问题,在给用户推荐适合歌曲的同时,还能够为平台方吸引用户,增加商业利益。推荐技术日趋成熟,主流的推荐技术包括协同过滤推荐技术和基于内容的推荐技术,这些技术能够给用户在大量的数据中推荐适合用户或是用户喜欢的物品。但是随着互联网的发展,数据爆炸式增长,传统的推荐系统无法满足大数据下计算的需求,在准确度上也不容乐观。本文对音乐推荐系统进行了深入研究,开发出一个以Spark平台为计算引擎的推荐系统来解决大数据环境下的音乐推荐问题。本文在Spark平台上设计并实现两种推荐算法:基于聚类的ALS模型推荐算法和基于标签的图推荐算法。前者通过并行混合Spark MLlib的ALS推荐算法以及Kmeans聚类算法,解决推荐系统的新用户冷启动问题,通过深度调优Spark计算流程,提高计算效率,减少计算耗时;后者在Personal Rank算法基础上,基于Spark平台,利用音乐标签实现基于图模型的音乐推荐算法,并使用TF-IDF(词频-逆文档频率)算法解决音乐、标签中存在的长尾分布问题,优化推荐效果。最后本文通过搭建Spark计算集群,设计底层存储,基于Spring Boot、Vue框架设计前后端交互,将推荐引擎与底层系统、Java Web的对接,打造出一个完整的可交互个性化音乐推荐系统。经过测试评估,该系统能够满足用户需求并具有良好的推荐效果。