维空间向量归到01区间。使用十倍交叉验证评估方法对第一级分类精度进行计算。进行评估的数据集和的90用于训练，另外10用于测试。过程中，对与不相交的分区迭代的结果取平均值。准确的说，十倍交叉验证结果见表2，其中N10，MA：平均精度，ME平均误差，SD标准差，SEM：标准差。
（11）
表2Musicalge
reclassificatio
folda
alysis
f12
1314音乐类型分类推荐系统的平均精度见表3。
表3Accuracy鉴于推荐方法的评估效率，对每个用户的评级采用十倍交叉验证程序。因此，每个用户的数据集合中90用于训练，10用于测试。每一段，系统从每个类型查询十块共收录40个音乐文件。过程中，对与不相交的分区迭代的结果取平均值。最后，对所有用户的结果取平均值，采用平均值绝对误差（MAE）和评级标准等级（RS）对预测方法准确性进行评价。MAE是推荐系统评估效率最常采用的方法。更确切的讲，MAE对用户U，段K的定义如下：
（15）其中，Puk是正模式，即查询文件所属特定类型模式。另一方面，Nuk是负模式，不属于特定类型的模式，但作为第一级分类类型的模式。Ru，k（v）是用户给定的评估值，Ru，k（v）是系统

f预测的评估值。RS假定根据用户预测项目评级将推荐系统以列表的方式呈现给用户。具体地，RS评估用户项目排名清单，被视为用户预期效用乘以用户实用项目效用。一个项目效用的计算，如观察评级差异，默认值，域中性评级，它可以是评级表的中点或数据集合的平均值。查看项目等价增加呈指数衰减的概率。从形式上看RS是段K，特定用户Ui的项目排名清单Rui，k（vj），由下式给出：，根据指标j降序排列
16）进行多次实验后，与其他三个推荐方案即两个协同过滤方案，一种混合方案相比，具体在以下三个方面：（1）CFPearso
相关系数为基准2CF个性诊断，（3）混合音乐类型分类与Pearso
相关系数相结合。实验结果证明，MAE和RS分别表示于表4，表5。显然，本文提出的混合推荐方法，即混合音乐类型分类与个性诊断相结合，两个指标（MAE和RS）可以更好的展现协同过滤方案。此外，混合推荐方案是从具体的用户感兴趣的音乐推荐项目得到的结果。该方案仅利用音乐文件内容，并克服了前面所述单纯基于内容的协同过滤方法的问题。
f表5Ra
kedscori
g（RS）总之，本文提出的混合音乐类型分类与个性诊断相结合，可高效地指出每个用户对不同音乐类型的喜好。现有的推荐系统主要尝试提供音乐对象准确的评级值，一般来说，返回属于不同的音乐类型最好音乐文件的排r