Tujuan utama MRS adalah untuk melakukan personalisasi konten dan melakukan identifikasi data yang sesuai dengan pengguna. MRS menentukan preferensi musik pengguna berdasarkan hasil analisis interaksi pengguna selama menggunakan layanan musik. Sistem pada Yahoo Music Recommendation dibuat berdasarkan penilaian atau rating pengguna terhadap album dan lagu yang di rekomendasi-kan untuk pendengar. Salah satu tantangan membuat MRS ialah membuat playlist otomatis dengan memilih lagu yang tepat dan sesuai. Secara umum MRS terdiri dari tiga komponen inti yaitu pengguna, item dan algoritme pencocokan. Algoritme yang sering digunakan antara lain popularity based model, memory based collaborative filtering, Singular Value decomposition based on latent factors and content based model using k-NN. MRS memudahkan penyedia layanan musik menemukan lagu yang sesuai dengan sesuai dengan selera pendengar sekaligus memudahkan pengguna layanan musik memperoleh lagu yang disukai.
Beberapa teknik telah dikembangkan untuk memecahkan masalah seperti klasifikasi genre, identifikasi artis dan instrumen recognition. Musik rekomender adalah sistem untuk membantu pengguna dalam memfilter dan menemukan lagu-lagu sesuai dengan selera mereka. Sistem rekomender musik yang baik harus dapat secara otomatis mendeteksi preferensi dan menghasilkan daftar putar yang sesuai. Saat ini dengan melakukan analisis terhadap perilaku pengguna dan riwayat singkat pengguna dalam mendengarkan musik dapat diperoleh daftar lagu yang memiliki kemiripan irama, pitch, genre, dan instrumen dengan lagu-lagu yang biasa di dengarkan. Beberapa situs pencari musik seperti Last.fm, Allmusic, Pandora dan Shazam telah berhasil menjadikan kedua pendekatan tersebut menjadi kenyataan. Situs tersebut menggunakan platform yang unik untuk mengambil berbagai informasi yang berguna.
Tantangan dalam MRS ialah membuat sistem rekomendasi musik dengan kemampuan yang lebih baik dari yang ada saat ini. Data-set yang digunakan dapat menggunakan data-set dari penyedia layanan streaming musik terkemuka di Asia bernama KKBOX. KKBOX memiliki daftar lagu berjumlah lebih dari 30 juta. Tantangan tersebut bertujuan untuk membuat sebuah sistem MRS dengan kualitas yang lebih baik. Hal tersebut dapat dilakukan dengan mengembangkan algoritme yang tepat agar menghasilkan daftar putar yang disukai pengguna. Cara yang sering digunakan ialah dengan mengembangkan metode untuk menganalisis selera pengguna berdasarkan kebiasaan mereka dalam mendengarkan musik. Kemudian hasil analisis tersebut digabungkan dengan metode mencari lagu yang tepat di antara jutaan lagu yang tersedia.
Banyaknya jumlah lagu dan selera lagu yang diinginkan pengguna layanan membuat proses pembuatan MRS menjadi lebih sulit. Upaya tersebut dilakukan dengan mengembangkan berbagai algoritme dan penelitian agar tercipta sebuah MRS yang ideal untuk digunakan. Dalam arena sistem rekomender ada dua pendekatan utama yang digunakan untuk membuat sistem rekomendasi komputasi, yaitu collaborative filtering dan contend-based systems. Collaboratve filtering memberikan rekomendasi kepada pengguna dengan mempertimbangkan kemiripan selera pengguna lain. Content-based systems membuat rekomendasi berdasarkan item yang banyak dipilih oleh pengguna lain. Kedua pendekatan tersebut juga dapat dikombinasikan untuk membuat sebuah sistem hibrida. Pemanfaatan informasi tentang item yang ada terbukti meningkatkan performa teknik collaborative-filtering.
Faktor yang paling penting untuk dijadikan pertimbangkan ialah mengetahui cara mengidentifikasi selera pengguna dan mencari lagu yang disukai pengguna di antara sekumpulan jutaan lagu yang ada. Memasukkan pengguna baru dan lagu baru ke dalam daftar pengguna dan daftar lagu yang sudah ada juga merupakan salah satu aspek yang banyak diperhatikan oleh para pengembang MRS. Metodologi yang tepat, akurasi data dan teknik pengolahan data sangat diperlukan ketika mengembangkan sebuah sistem modern seperti MRS. Dengan melakukan publikasi rancangan MRS menjadikan pengembang lain lebih mudah untuk mengoreksi dan meningkatkan rancangan yang sudah ada. Recommender Systems yang sudah ada umumnya berbasis Knowledge based Recommendation, Utility based Recommendation, Demographic based recommendation, Content based Filtering, Collaborative Filtering dan Hybrid Recommedation Systems. Music Recommendation Systems yang saat ini populer di lingkungan masyarakat umum antara lain spotify, last.fm, Pandora dan Genius.
Music Recommendation Systems merupakan sebuah teknologi artificial intelligent yang dapat membantu pendengar musik menemukan lagu yang sesuai dengan selera. Tantangan utama pengembang sistem MRS saat ini ialah membuat daftar putar lagu secara otomatis berdasarkan kebiasaan pengguna dalam mendengarkan musik. MRS bekerja dengan mencocokkan selera musik pengguna dengan lagu yang tersedia. MRS dapat dikatakan baik saat rekomendasi musik yang dihasilkan sesuai dan memiliki tingkat kesalahan yang sangat sedikit. Pengembangan sistem MRS akan menjadi lebih maksimal jika metodologi yang digunakan juga tepat. Beberapa metodologi yang banyak digunakan untuk mengembangkan perangkat lunak antara lain Agile, Novel, OOP dan RAD.