代表目标人群的个性类型的分布。因此，考虑到这样的假设，制定先验概率，在线用户
Ua对应的向量v，根据v其他用户的速率作为给定的的频率，因此，明确计算出现，并非我们简单定义。是一个随机变量，可以取
值m，Ru1Ru2Rum，每个概率为1m：（7）结合（6）和（7），并给出在线用户的评级，可以运用贝叶斯法则计算出在线用户相同性格类型占其他用户的概率。
f（8）因此，计算每个用户Uk数量，可以计算得到不可见项目IJ在线用户的评级分布。这个概率分布Ua项目IJ预期评级。，推荐系统所产生的在线用户
（9）该模型被描述为贝叶斯网络结构中一个典型的诊断模型，如下：首先，观察到评级和计算概率，每个人的个性类型使用的原因（8）。评级可以被视为“症状”，而个性类型为“病”，导致这些症状出现在诊断模型中。其次，可为不可见项目计算出等级值的概率（9），返回预测推荐系统最有可能的评级。个性诊断另外一层意思，在线用户评级被认为是通过选择其他用户之一均匀随机高斯噪声添加到他她的评级“产生”。可根据在线用户评级推断出他她实际上是其他用户之一，计算得到其他项目评级的概率。
f5推荐系统评估
设定用户组Uu1u2um，音乐数据库中相关项目Ii1i2i
，用于音乐推荐系统的实现。数据库中的每一个音乐文件对应于30维向量空间V，要求参与我们实验的每个用户为数据库中每个项目分配唯一的评级值。设Rui为用户U分配给项目I的评级值，通过以下公式定义四类：
（10）为了说明本推荐方法的性能，研究采用从4类西方音乐选出400个音乐文件。具体地，集合包含了四类西方音乐中每个30S持续时间的100个音乐文件（见表1）。
表1classesofwester
music为捕获某些方面具体的应用功能，音频信号可以以多种形式表示。特征提取的大量重要的工作更适合于描述和模拟音乐信号。本文中，采用Tza
etakis和Cook2829最初提议的特定30维客观特征。值得一提的是，这不仅提供了低级别音乐信号的统计特性表示方法，也包含高水平心理声学算法信息的提取。总之，这些功能表现出
f有节奏的内容（节奏，节拍和速度信息），音乐信号音调，旋律及和声的描述。这些文件被15个用户分配评级值，用户至少对150个音乐文件声明他们的观点。正如之前提到的评级值按照数值规模从1（低优优先级）到3（高优先级），评级为0表示相应的文件没有评级值，因此被视为非首选。分类算法，采用基于RBFSVM分类器，设γ01，所有30r