量的限制也被排除。
f随着移动技术的快速发展，移动宽带用户创作音乐库文件已经实现。明显的，操纵大量数据越来越成为复杂耗时的过程，一致移动用户不能有效管理音乐文件资源。这个事实促成一个能推荐给其用户合适音乐的系统。因此，期望一个给用户查询结果的推荐系统，并且能够尝试预测用户是否对推荐音乐有兴趣。具体地说，音乐推荐系统根据用户的相似之处尝试推荐给用户一些音乐文件，这样，用户的个性化也被嵌入到推荐系统之中。我们当前的工作重点是建设一个在拥有很少甚至没有用户偏好甚至没有用户偏好数据的情况下，能适应不断变化的用户偏好的推荐系统，该系统能迅速反馈给用户所希望查询的结果。众所周知，协同过滤技术患有不协作、用户偏见、冷启动等问题，我们建立的是基于内容检索和个人偏好诊断的协作过滤系统。具体来说本文的组织结构如下第二部分回顾之前的相关工作第三介绍我们已经开发出来系统。第四部分描述了后端整合到系统的推荐技术。第五部分对基于最小绝对错误和得分排序标准的评价结果的推荐技术的评估。最后在第六部分，插入描绘了系统的未来研究方向。
2相关工作
常规的推荐技术室系统过滤，具体的说，协同过滤技术就是在考虑其他人对部分音乐的排序等级而推荐给用户的一种技术。例如，有目标用户喜欢音乐A和B，现有一部分用户喜欢音乐A、B、C，音乐
fC可能将会被推荐给这个目标用户。换句话说，也就是推荐给目标用户的是消费偏好相似的其他一组用户的内容。由于其本身的特性协同过滤已经普遍用于预测各种偏好问题如网络新闻、电子商务、数字图书馆等。在文献中，协同过滤技术一再应用在移动环境中。例如，MobiTip就是利用协同过滤技术预测基于新的或用户提供更新的电影数据变化率。类似的，我们在8提到的，最早之一的音乐推荐系统就是用协同过滤技术。这个系统利用WEB过滤过的数据来支撑节目播放列表。所以被称作“基于系统过滤的推荐引擎”。他们的系统产生的是基于用户播放列表内容的推荐。另一方面基于内容的推荐系统是基于系统通过关联特征发现对象的兴趣。这些系统学习基于用户相关项目特征的兴趣文件。然后，推荐系统在没有匹配兴趣的情况下建立起来。为进一步改进推荐性能和消除每个独立推荐技术的缺点，考虑使用各种混合技术。一种混合的推荐方法是基于内容预测和系统过滤技术。基于内容的预测部分可以解决依靠相关性项目来预测不相关项目等级的稀疏矩阵和第一评估者问题。由于r