Las recomendaciones de música conscientes de las emociones han ganado cada vez más atención en los últimos años, ya que la música tiene la capacidad de regular las emociones humanas. Explotar la información emocional tiene el potencial de mejorar el rendimiento de las recomendaciones. Sin embargo, los estudios convencionales identificaron la emoción como representaciones discretas y no pudieron predecir los estados emocionales de los usuarios en momentos en los que no existen datos de actividad del usuario, y mucho menos la conciencia de las influencias ejercidas por eventos sociales. En este estudio, propusimos un método de recomendación de música consciente de las emociones utilizando redes neuronales profundas (emoMR). Modelamos una representación de la emoción musical utilizando características de audio de bajo nivel y metadatos musicales, modelamos los estados emocionales de los usuarios utilizando un modelo artificial de generación de emociones con factores endógenos y factores exógenos capaces de expresar las influencias ejercidas por eventos en las emociones. Los dos modelos fueron entrenados utilizando una arquitectura de red neuronal profunda diseñada (emoDNN) para predecir las emociones musicales para la música y las preferencias emocionales de la música para los usuarios de forma continua. Basándonos en los modelos, propusimos un enfoque híbrido que combina filtrado basado en contenido y colaborativo para generar recomendaciones de música conscientes de las emociones. Los resultados de los experimentos muestran que emoMR tiene un mejor rendimiento en las métricas de , , , y que los otros algoritmos de referencia. También probamos el rendimiento de emoMR en dos eventos importantes (la muerte de Yuan Longping y los casos de la Enfermedad por Coronavirus 2019 (COVID-19) en Zhejiang). Los resultados muestran que emoMR aprovecha la información del evento y supera a otros algoritmos de referencia.