12、音乐推荐与非同构CNF生成技术解析

音乐推荐与非同构CNF生成技术解析

音乐推荐系统

在音乐推荐领域，对于仅考虑显式用户评分的群体推荐，采用基于用户的协同过滤（CF）进行个体推荐，并结合在特定章节中描述的最大化平均满意度的聚合方法。而对于带有情感因素的群体，同样采用该方法，但会考虑与歌曲相关的情感百分比。

从实验结果来看，当k = 15时，基于情感的群体推荐方法可使误差降低达10%，这是一个非常显著的成果。

目前已实现了一个网络应用程序，它能够自动提取歌曲的声学特征，并根据用户播放的歌曲信息以及Spotify API提供的数据对歌曲进行情感分类。同时，还实现了一个推荐模块，运用了两种基本的CF方法（基于用户和基于物品），并通过混合方法以及声学特征和情感属性对这些方法进行了增强。

通过实验结果可以得出，基于物品的方法比基于用户的方法能提供更好的结果，特别是在使用音乐特征属性（如bpm、音调、音量或不和谐度）以及较小的邻居数量时。利用情感概率为用户群体进行推荐取得了良好的效果，在一个研究案例中提升了近10%。

非同构CNF生成

在解决P与NP问题的探索中，图同构（GI）类可能扮演着重要角色。GI类包含图同构问题以及其他与图相关的问题，近年来，如CNF句法公式同构（CSFI）问题也被证明属于GI类。CSFI问题是指给定两个合取范式（CNF）公式，判断是否存在子句和文字的排列，使得这两个公式相同。

由于CSFI问题与SAT问题在形式上有相似之处，且在不同复杂度类中，问题实例存在难易之分，因此CSFI问题具有很高的研究价值。目前，还没有按复杂度划分的CSFI问题不同类型实例的数据集，也没有生成非“简单”实例的算法。

为了解