update NSMusicS-GO The first step of recommendation system design: data collection strategy

NSMusicS-AI/音乐场景-推荐系统/1.1.数据收集-收听次数权重计算.md

@@ -0,0 +1,47 @@
+# 1.1.数据收集-收听次数权重计算
+
+## 1.1 单曲推荐（an_m_n、an_m_a_t）
+
+### 单曲已收听次数 an_m_n（annotation_mediafile_num）
+- **定义**：当前用户对单曲的收听次数。
+- **公式**：设 \( U \) 为当前用户，\( M \) 为单曲集合，\( an\_m\_n \) 表示用户 \( U \) 对单曲 \( m \) 的收听次数。
+  \[
+  an\_m\_n = \sum_{m \in M} \text{收听次数}(U, m)
+  \]
+
+### 单曲已收听总时长 an_m_a_t（annotation_mediafile_all_time）
+- **定义**：当前用户对单曲的收听总时长。
+- **公式**：设 \( U \) 为当前用户，\( M \) 为单曲集合，\( T \) 为收听时长，\( an\_m\_a\_t \) 表示用户 \( U \) 对单曲 \( m \) 的收听总时长。
+  \[
+  an\_m\_a\_t = \sum_{m \in M} \text{收听时长}(U, m) \times T
+  \]
+
+## 1.2 专辑推荐（an_am_a_m_n、an_am_a_m_a_t）
+
+### 专辑内已经收听过的所有歌曲收听总次数 an_am_a_m_n（annotation_album_all_mediafile_num）
+- **定义**：当前用户对专辑内所有歌曲的收听总次数。
+- **公式**：设 \( U \) 为当前用户，\( A \) 为专辑集合，\( M \) 为专辑内的单曲集合，\( an\_am\_a\_m\_n \) 表示用户 \( U \) 对专辑 \( a \) 内所有歌曲的收听总次数。
+  \[
+  an\_am\_a\_m\_n = \sum_{a \in A} \sum_{m \in M} \text{收听次数}(U, m)
+  \]
+
+### 专辑内已经收听过的所有歌曲收听总时长 an_am_a_m_a_t（annotation_album_all_mediafile_all_time）
+- **定义**：当前用户对专辑内所有歌曲的收听总时长。
+- **公式**：设 \( U \) 为当前用户，\( A \) 为专辑集合，\( M \) 为专辑内的单曲集合，\( T \) 为收听时长，\( an\_am\_a\_m\_a\_t \) 表示用户 \( U \) 对专辑 \( a \) 内所有歌曲的收听总时长。
+  \[
+  an\_am\_a\_m\_a\_t = \sum_{a \in A} \sum_{m \in M} \text{收听时长}(U, m) \times T
+  \]
+
+## 1.3 艺术家推荐
+
+艺术家推荐是单曲推荐和专辑推荐的混合推荐，结合了当前用户对单曲和专辑的收听行为。
+
+### 混合推荐公式
+- **定义**：综合单曲推荐和专辑推荐的结果，生成艺术家推荐。
+- **公式**：设 \( \alpha \) 和 \( \beta \) 为权重系数，分别表示单曲推荐和专辑推荐的权重，\( R \) 为推荐结果。
+  \[
+  R = \alpha \times an\_m\_n + \beta \times an\_am\_a\_m\_n + \alpha \times an\_m\_a\_t + \beta \times an\_am\_a\_m\_a\_t
+  \]
+  其中，\( \alpha + \beta = 1 \)。
+
+通过以上数学建模，可以量化当前用户对单曲、专辑和艺术家的喜好程度，为个性化推荐提供数据支持。

NSMusicS-AI/音乐场景-推荐系统/1.2.数据收集-收藏与评分相似度计算.md

@@ -0,0 +1,74 @@
+# 1.2.数据收集-收藏与评分相似度计算
+
+## 2.1 单曲推荐建模
+
+### 基于收听记录的单曲推荐
+
+- **定义**：基于当前用户对单曲的收听记录，推荐相似或相关的单曲。
+- **公式**：设 \( U \) 为当前用户，\( M \) 为单曲集合，\( an\_m\_n \) 表示用户 \( U \) 对单曲 \( m \) 的收听次数，\( an\_m\_a\_t \) 表示用户 \( U \) 对单曲 \( m \) 的收听总时长，\( rating \) 为用户对单曲的评分。单曲推荐分数 \( S \) 可表示为：
+  \[
+  S(m) = \alpha \times \frac{an\_m\_n}{\max\_play\_count} + \beta \times \frac{an\_m\_a\_t}{\max\_play\_time} + \gamma \times \frac{rating}{\max\_rating}
+  \]
+  其中，\( \alpha + \beta + \gamma = 1 \)，\( \max\_play\_count \) 为最大收听次数，\( \max\_play\_time \) 为最大收听时长，\( \max\_rating \) 为最大评分。
+
+### 基于相似性的单曲推荐
+
+- **定义**：基于单曲之间的相似性，推荐与用户收听过的单曲相似的其他单曲。
+- **公式**：设 \( sim(m_i, m_j) \) 表示单曲 \( m_i \) 和单曲 \( m_j \) 之间的相似度，基于内容属性（如艺术家、专辑、流派等）。相似度可以通过余弦相似度或其他相似性度量方法计算。单曲推荐分数 \( S \) 可表示为：
+  \[
+  S(m_j) = \sum_{m_i \in M} \text{sim}(m_i, m_j) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( an\_m\_n(i) \) 为用户对单曲 \( m_i \) 的收听次数。
+
+## 2.2 专辑推荐建模
+
+### 基于收听记录的专辑推荐
+
+- **定义**：基于当前用户对专辑内单曲的收听记录，推荐相关的专辑。
+- **公式**：设 \( U \) 为当前用户，\( A \) 为专辑集合，\( M \) 为专辑内的单曲集合，\( an\_am\_a\_m\_n \) 表示用户 \( U \) 对专辑 \( a \) 内所有单曲的收听总次数，\( an\_am\_a\_m\_a\_t \) 表示用户 \( U \) 对专辑 \( a \) 内所有单曲的收听总时长，\( rating \) 为用户对专辑的评分。专辑推荐分数 \( S \) 可表示为：
+  \[
+  S(a) = \alpha \times \frac{an\_am\_a\_m\_n}{\max\_album\_play\_count} + \beta \times \frac{an\_am\_a\_m\_a\_t}{\max\_album\_play\_time} + \gamma \times \frac{rating}{\max\_rating}
+  \]
+  其中，\( \alpha + \beta + \gamma = 1 \)，\( \max\_album\_play\_count \) 为最大专辑收听次数，\( \max\_album\_play\_time \) 为最大专辑收听时长，\( \max\_rating \) 为最大评分。
+
+### 基于相似性的专辑推荐
+
+- **定义**：基于专辑之间的相似性，推荐与用户收听过的专辑相似的其他专辑。
+- **公式**：设 \( sim(a_i, a_j) \) 表示专辑 \( a_i \) 和专辑 \( a_j \) 之间的相似度，基于专辑的属性（如艺术家、流派、发行年份等）。相似度可以通过余弦相似度或其他相似性度量方法计算。专辑推荐分数 \( S \) 可表示为：
+  \[
+  S(a_j) = \sum_{a_i \in A} \text{sim}(a_i, a_j) \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+  其中，\( an\_am\_a\_m\_n(i) \) 为用户对专辑 \( a_i \) 内所有单曲的收听总次数。
+
+## 2.3 艺术家推荐建模
+
+### 基于收听记录的艺术家推荐
+
+- **定义**：基于当前用户对艺术家的单曲和专辑的收听记录，推荐相关的艺术家。
+- **公式**：设 \( U \) 为当前用户，\( Ar \) 为艺术家集合，\( M \) 为单曲集合，\( A \) 为专辑集合，\( an\_m\_n \) 表示用户 \( U \) 对艺术家 \( ar \) 的单曲的收听总次数，\( an\_am\_a\_m\_n \) 表示用户 \( U \) 对艺术家 \( ar \) 的专辑的收听总次数，\( rating \) 为用户对艺术家的评分。艺术家推荐分数 \( S \) 可表示为：
+  \[
+  S(ar) = \alpha \times \frac{an\_m\_n}{\max\_artist\_play\_count} + \beta \times \frac{an\_am\_a\_m\_n}{\max\_artist\_album\_play\_count} + \gamma \times \frac{rating}{\max\_rating}
+  \]
+  其中，\( \alpha + \beta + \gamma = 1 \)，\( \max\_artist\_play\_count \) 为最大艺术家单曲收听次数，\( \max\_artist\_album\_play\_count \) 为最大艺术家专辑收听次数，\( \max\_rating \) 为最大评分。
+
+### 基于相似性的艺术家推荐
+
+- **定义**：基于艺术家之间的相似性，推荐与用户收听过的艺术家相似的其他艺术家。
+- **公式**：设 \( sim(ar_i, ar_j) \) 表示艺术家 \( ar_i \) 和艺术家 \( ar_j \) 之间的相似度，基于艺术家的属性（如音乐风格、活跃年代等）。相似度可以通过余弦相似度或其他相似性度量方法计算。艺术家推荐分数 \( S \) 可表示为：
+  \[
+  S(ar_j) = \sum_{ar_i \in Ar} \text{sim}(ar_i, ar_j) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+  其中，\( an\_m\_n(i) \) 为用户对艺术家 \( ar_i \) 的单曲的收听总次数，\( an\_am\_a\_m\_n(i) \) 为用户对艺术家 \( ar_i \) 的专辑的收听总次数。
+
+## 2.4 综合推荐建模
+
+### 综合单曲、专辑和艺术家的推荐
+
+- **定义**：综合单曲、专辑和艺术家的推荐结果，生成最终的个性化推荐列表。
+- **公式**：设 \( \gamma \)、\( \delta \) 和 \( \epsilon \) 为权重系数，分别表示单曲推荐、专辑推荐和艺术家推荐的权重，\( R \) 为最终推荐结果。
+  \[
+  R = \gamma \times S\_{\text{单曲}} + \delta \times S\_{\text{专辑}} + \epsilon \times S\_{\text{艺术家}}
+  \]
+  其中，\( \gamma + \delta + \epsilon = 1 \)。
+
+通过以上数学建模，可以量化当前用户对单曲、专辑和艺术家的喜好程度，为个性化推荐提供数据支持。

NSMusicS-AI/音乐场景-推荐系统/1.3.数据收集-本地tag内容相似度计算.md

@@ -0,0 +1,146 @@
+# 1.3.数据收集-tag内容相似度计算
+
+## 3.1 单曲推荐建模
+
+### 基于相似年份的单曲推荐
+
+- **定义**：根据单曲的发行年份，推荐与用户收听过的单曲年份相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( year(m_i) \) 表示单曲 \( m_i \) 的发行年份，\( year(m_j) \) 表示单曲 \( m_j \) 的发行年份。相似年份推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{年份}}(m_j) = \sum_{m_i \in M} e^{-\alpha |year(m_i) - year(m_j)|} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( an\_m\_n(i) \) 为用户对单曲 \( m_i \) 的收听次数，\( \alpha \) 为控制年份差异影响的参数。
+
+### 基于相似国家地区的单曲推荐
+
+- **定义**：根据单曲所属艺术家的国家地区，推荐与用户收听过的单曲来自相似国家地区的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( country(ar_i) \) 表示单曲 \( m_i \) 所属艺术家的国家地区，\( country(ar_j) \) 表示单曲 \( m_j \) 所属艺术家的国家地区。相似国家地区推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{地区}}(m_j) = \sum_{m_i \in M} \text{sim}_{\text{国家}}(country(ar_i), country(ar_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{国家}} \) 为国家地区之间的相似度，可以通过地理或文化相近性预先定义。
+
+### 基于相同流派的单曲推荐
+
+- **定义**：根据单曲的音乐流派，推荐与用户收听过的单曲流派相同的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( genre(m_i) \) 表示单曲 \( m_i \) 的流派，\( genre(m_j) \) 表示单曲 \( m_j \) 的流派。相同流派推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{流派}}(m_j) = \sum_{m_i \in M} \delta_{genre(m_i), genre(m_j)} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \delta \) 为克罗内克δ函数，当 \( genre(m_i) = genre(m_j) \) 时为1，否则为0。
+
+### 基于歌词相似性的单曲推荐
+
+- **定义**：根据单曲歌词的内容相似性，推荐与用户收听过的单曲歌词相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( lyrics(m_i) \) 表示单曲 \( m_i \) 的歌词，\( lyrics(m_j) \) 表示单曲 \( m_j \) 的歌词。歌词相似性可以通过TF-IDF或词嵌入模型计算。歌词相似性推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{歌词}}(m_j) = \sum_{m_i \in M} \text{sim}_{\text{歌词}}(lyrics(m_i), lyrics(m_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{歌词}} \) 为歌词相似度。
+
+### 基于评论描述相似性的单曲推荐
+
+- **定义**：根据单曲的用户评论描述相似性，推荐与用户收听过的单曲评论描述相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( comment(m_i) \) 表示单曲 \( m_i \) 的用户评论，\( comment(m_j) \) 表示单曲 \( m_j \) 的用户评论。评论描述相似性可以通过文本相似性方法计算。评论相似性推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{评论}}(m_j) = \sum_{m_i \in M} \text{sim}_{\text{评论}}(comment(m_i), comment(m_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{评论}} \) 为评论描述相似度。
+
+## 3.2 专辑推荐建模
+
+### 基于相似年份的专辑推荐
+
+- **定义**：根据专辑的发行年份，推荐与用户收听过的专辑年份相似的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( year(a_i) \) 表示专辑 \( a_i \) 的发行年份，\( year(a_j) \) 表示专辑 \( a_j \) 的发行年份。相似年份推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{年份}}(a_j) = \sum_{a_i \in A} e^{-\alpha |year(a_i) - year(a_j)|} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+  其中，\( an\_am\_a\_m\_n(i) \) 为用户对专辑 \( a_i \) 内所有单曲的收听总次数，\( \alpha \) 为控制年份差异影响的参数。
+
+### 基于相似国家地区的专辑推荐
+
+- **定义**：根据专辑所属艺术家的国家地区，推荐与用户收听过的专辑来自相似国家地区的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( country(ar_i) \) 表示专辑 \( a_i \) 所属艺术家的国家地区，\( country(ar_j) \) 表示专辑 \( a_j \) 所属艺术家的国家地区。相似国家地区推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{地区}}(a_j) = \sum_{a_i \in A} \text{sim}_{\text{国家}}(country(ar_i), country(ar_j)) \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{国家}} \) 为国家地区之间的相似度。
+
+### 基于相同流派的专辑推荐
+
+- **定义**：根据专辑的音乐流派，推荐与用户收听过的专辑流派相同的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( genre(a_i) \) 表示专辑 \( a_i \) 的流派，\( genre(a_j) \) 表示专辑 \( a_j \) 的流派。相同流派推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{流派}}(a_j) = \sum_{a_i \in A} \delta_{genre(a_i), genre(a_j)} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+  其中，\( \delta \) 为克罗内克δ函数。
+
+### 基于专辑描述相似性的专辑推荐
+
+- **定义**：根据专辑的描述（如评论、标签等）相似性，推荐与用户收听过的专辑描述相似的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( comment(a_i) \) 表示专辑 \( a_i \) 的描述，\( comment(a_j) \) 表示专辑 \( a_j \) 的描述。描述相似性可以通过文本相似性方法计算。描述相似性推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{描述}}(a_j) = \sum_{a_i \in A} \text{sim}_{\text{描述}}(comment(a_i), comment(a_j)) \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{描述}} \) 为描述相似度。
+
+## 3.3 艺术家推荐建模
+
+### 基于相似国家地区的艺术家推荐
+
+- **定义**：根据艺术家的国家地区，推荐与用户收听过的艺术家来自相似国家地区的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( country(ar_i) \) 表示艺术家 \( ar_i \) 的国家地区，\( country(ar_j) \) 表示艺术家 \( ar_j \) 的国家地区。相似国家地区推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{地区}}(ar_j) = \sum_{ar_i \in Ar} \text{sim}_{\text{国家}}(country(ar_i), country(ar_j)) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+  其中，\( an\_m\_n(i) \) 为用户对艺术家 \( ar_i \) 的单曲的收听总次数，\( an\_am\_a\_m\_n(i) \) 为用户对艺术家 \( ar_i \) 的专辑的收听总次数，\( \text{sim}_{\text{国家}} \) 为国家地区之间的相似度。
+
+### 基于相同流派的艺术家推荐
+
+- **定义**：根据艺术家的音乐流派，推荐与用户收听过的艺术家流派相同的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( genre(ar_i) \) 表示艺术家 \( ar_i \) 的流派，\( genre(ar_j) \) 表示艺术家 \( ar_j \) 的流派。相同流派推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{流派}}(ar_j) = \sum_{ar_i \in Ar} \delta_{genre(ar_i), genre(ar_j)} \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+  其中，\( \delta \) 为克罗内克δ函数。
+
+### 基于艺术家传记相似性的艺术家推荐
+
+- **定义**：根据艺术家的传记内容相似性，推荐与用户收听过的艺术家传记相似的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( bio(ar_i) \) 表示艺术家 \( ar_i \) 的传记，\( bio(ar_j) \) 表示艺术家 \( ar_j \) 的传记。传记相似性可以通过文本相似性方法计算。传记相似性推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{传记}}(ar_j) = \sum_{ar_i \in Ar} \text{sim}_{\text{传记}}(bio(ar_i), bio(ar_j)) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+  其中，\( \text{sim}_{\text{传记}} \) 为传记相似度。
+
+## 3.4 综合内容属性推荐建模
+
+### 综合内容属性的单曲推荐
+
+- **定义**：综合相似年份、相似国家地区、相同流派、歌词相似性和评论描述相似性，生成最终的单曲推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma, \delta, \epsilon \) 为权重系数，分别表示相似年份、相似国家地区、相同流派、歌词相似性和评论描述相似性的权重，\( R_{\text{单曲}} \) 为最终单曲推荐结果。
+  \[
+  R_{\text{单曲}} = \alpha \times S_{\text{年份}} + \beta \times S_{\text{地区}} + \gamma \times S_{\text{流派}} + \delta \times S_{\text{歌词}} + \epsilon \times S_{\text{评论}}
+  \]
+  其中，\( \alpha + \beta + \gamma + \delta + \epsilon = 1 \)。
+
+### 综合内容属性的专辑推荐
+
+- **定义**：综合相似年份、相似国家地区、相同流派和专辑描述相似性，生成最终的专辑推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma, \delta \) 为权重系数，分别表示相似年份、相似国家地区、相同流派和专辑描述相似性的权重，\( R_{\text{专辑}} \) 为最终专辑推荐结果。
+  \[
+  R_{\text{专辑}} = \alpha \times S_{\text{年份}} + \beta \times S_{\text{地区}} + \gamma \times S_{\text{流派}} + \delta \times S_{\text{描述}}
+  \]
+  其中，\( \alpha + \beta + \gamma + \delta = 1 \)。
+
+### 综合内容属性的艺术家推荐
+
+- **定义**：综合相似国家地区、相同流派和艺术家传记相似性，生成最终的艺术家推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma \) 为权重系数，分别表示相似国家地区、相同流派和艺术家传记相似性的权重，\( R_{\text{艺术家}} \) 为最终艺术家推荐结果。
+  \[
+  R_{\text{艺术家}} = \alpha \times S_{\text{地区}} + \beta \times S_{\text{流派}} + \gamma \times S_{\text{传记}}
+  \]
+  其中，\( \alpha + \beta + \gamma = 1 \)。
+
+通过以上基于内容属性的推荐建模，可以充分利用单曲、专辑和艺术家的未使用属性，为用户生成更加多样化和个性化的推荐列表。这不仅丰富了推荐系统的维度，还提升了推荐结果的准确性和相关性。

NSMusicS-AI/音乐场景-推荐系统/1.4.数据收集-联网tag知识图谱检索相似度计算.md

@@ -0,0 +1,177 @@
+# 4. 基于网络知识图谱的相似度计算
+
+## 4.1 单曲推荐建模
+
+### 基于运营公司的单曲推荐
+
+- **定义**：根据单曲的运营公司，推荐与用户收听过的单曲来自相同运营公司的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( company(m_i) \) 表示单曲 \( m_i \) 的运营公司，\( company(m_j) \) 表示单曲 \( m_j \) 的运营公司。相同运营公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{公司}}(m_j) = \sum_{m_i \in M} \delta_{company(m_i), company(m_j)} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \delta \) 为克罗内克δ函数，\( an\_m\_n(i) \) 为用户对单曲 \( m_i \) 的收听次数。
+
+### 基于作词者的单曲推荐
+
+- **定义**：根据单曲的作词者，推荐与用户收听过的单曲来自相同作词者的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( lyricist(m_i) \) 表示单曲 \( m_i \) 的作词者，\( lyricist(m_j) \) 表示单曲 \( m_j \) 的作词者。相同作词者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作词者}}(m_j) = \sum_{m_i \in M} \delta_{lyricist(m_i), lyricist(m_j)} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+### 基于作曲者的单曲推荐
+
+- **定义**：根据单曲的作曲者，推荐与用户收听过的单曲来自相同作曲者的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( composer(m_i) \) 表示单曲 \( m_i \) 的作曲者，\( composer(m_j) \) 表示单曲 \( m_j \) 的作曲者。相同作曲者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作曲者}}(m_j) = \sum_{m_i \in M} \delta_{composer(m_i), composer(m_j)} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+### 基于合作出品专辑的单曲推荐
+
+- **定义**：根据单曲所属专辑的合作出品关系，推荐与用户收听过的单曲来自相同合作出品专辑的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( album(m_i) \) 表示单曲 \( m_i \) 所属的专辑，\( album(m_j) \) 表示单曲 \( m_j \) 所属的专辑，\( collaboration\_album \) 为合作出品专辑的集合。合作出品专辑推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{合作专辑}}(m_j) = \sum_{m_i \in M} \delta_{album(m_i), album(m_j)} \times \delta_{album(m_j), collaboration\_album} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+### 基于合作出品单曲的单曲推荐
+
+- **定义**：根据单曲的合作出品关系，推荐与用户收听过的单曲来自相同合作出品单曲的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( collaboration\_singles \) 为合作出品单曲的集合。合作出品单曲推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{合作单曲}}(m_j) = \sum_{m_i \in M} \delta_{m_i, collaboration\_singles} \times \delta_{m_j, collaboration\_singles} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+### 基于单曲版本相似性的单曲推荐
+
+- **定义**：根据单曲的不同版本（如录音室版、演唱会版等），推荐与用户收听过的单曲版本相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( version(m_i) \) 表示单曲 \( m_i \) 的版本类型，\( version(m_j) \) 表示单曲 \( m_j \) 的版本类型。版本相似性推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{版本}}(m_j) = \sum_{m_i \in M} \text{sim}_{\text{版本}}(version(m_i), version(m_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{版本}} \) 为版本类型之间的相似度。
+
+### 基于发布公司的单曲推荐
+
+- **定义**：根据单曲的发布公司，推荐与用户收听过的单曲来自相同发布公司的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( publisher(m_i) \) 表示单曲 \( m_i \) 的发布公司，\( publisher(m_j) \) 表示单曲 \( m_j \) 的发布公司。相同发布公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{发布公司}}(m_j) = \sum_{m_i \in M} \delta_{publisher(m_i), publisher(m_j)} \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+## 4.2 专辑推荐建模
+
+### 基于运营公司的专辑推荐
+
+- **定义**：根据专辑的运营公司，推荐与用户收听过的专辑来自相同运营公司的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( company(a_i) \) 表示专辑 \( a_i \) 的运营公司，\( company(a_j) \) 表示专辑 \( a_j \) 的运营公司。相同运营公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{公司}}(a_j) = \sum_{a_i \in A} \delta_{company(a_i), company(a_j)} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+### 基于作词者的专辑推荐
+
+- **定义**：根据专辑的作词者，推荐与用户收听过的专辑来自相同作词者的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( lyricist(a_i) \) 表示专辑 \( a_i \) 的作词者，\( lyricist(a_j) \) 表示专辑 \( a_j \) 的作词者。相同作词者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作词者}}(a_j) = \sum_{a_i \in A} \delta_{lyricist(a_i), lyricist(a_j)} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+### 基于作曲者的专辑推荐
+
+- **定义**：根据专辑的作曲者，推荐与用户收听过的专辑来自相同作曲者的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( composer(a_i) \) 表示专辑 \( a_i \) 的作曲者，\( composer(a_j) \) 表示专辑 \( a_j \) 的作曲者。相同作曲者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作曲者}}(a_j) = \sum_{a_i \in A} \delta_{composer(a_i), composer(a_j)} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+### 基于合作出品专辑的专辑推荐
+
+- **定义**：根据专辑的合作出品关系，推荐与用户收听过的专辑来自相同合作出品专辑的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( collaboration\_albums \) 为合作出品专辑的集合。合作出品专辑推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{合作专辑}}(a_j) = \sum_{a_i \in A} \delta_{a_i, collaboration\_albums} \times \delta_{a_j, collaboration\_albums} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+### 基于发布公司的专辑推荐
+
+- **定义**：根据专辑的发布公司，推荐与用户收听过的专辑来自相同发布公司的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( publisher(a_i) \) 表示专辑 \( a_i \) 的发布公司，\( publisher(a_j) \) 表示专辑 \( a_j \) 的发布公司。相同发布公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{发布公司}}(a_j) = \sum_{a_i \in A} \delta_{publisher(a_i), publisher(a_j)} \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+## 4.3 艺术家推荐建模
+
+### 基于运营公司的艺术家推荐
+
+- **定义**：根据艺术家的运营公司，推荐与用户收听过的艺术家来自相同运营公司的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( company(ar_i) \) 表示艺术家 \( ar_i \) 的运营公司，\( company(ar_j) \) 表示艺术家 \( ar_j \) 的运营公司。相同运营公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{公司}}(ar_j) = \sum_{ar_i \in Ar} \delta_{company(ar_i), company(ar_j)} \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+### 基于作词者的艺术家推荐
+
+- **定义**：根据艺术家的作词者，推荐与用户收听过的艺术家来自相同作词者的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( lyricist(ar_i) \) 表示艺术家 \( ar_i \) 的作词者，\( lyricist(ar_j) \) 表示艺术家 \( ar_j \) 的作词者。相同作词者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作词者}}(ar_j) = \sum_{ar_i \in Ar} \delta_{lyricist(ar_i), lyricist(ar_j)} \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+### 基于作曲者的艺术家推荐
+
+- **定义**：根据艺术家的作曲者，推荐与用户收听过的艺术家来自相同作曲者的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( composer(ar_i) \) 表示艺术家 \( ar_i \) 的作曲者，\( composer(ar_j) \) 表示艺术家 \( ar_j \) 的作曲者。相同作曲者推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{作曲者}}(ar_j) = \sum_{ar_i \in Ar} \delta_{composer(ar_i), composer(ar_j)} \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+### 基于合作出品专辑的艺术家推荐
+
+- **定义**：根据艺术家的合作出品专辑关系，推荐与用户收听过的艺术家合作出品过专辑的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( collaboration\_albums(ar_i) \) 表示艺术家 \( ar_i \) 合作出品的专辑集合，\( collaboration\_albums(ar_j) \) 表示艺术家 \( ar_j \) 合作出品的专辑集合。合作出品专辑推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{合作专辑}}(ar_j) = \sum_{ar_i \in Ar} \text{sim}_{\text{合作}}(collaboration\_albums(ar_i), collaboration\_albums(ar_j)) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+  其中，\( \text{sim}_{\text{合作}} \) 为合作出品专辑的相似度。
+
+### 基于发布公司的艺术家推荐
+
+- **定义**：根据艺术家的发布公司，推荐与用户收听过的艺术家来自相同发布公司的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( publisher(ar_i) \) 表示艺术家 \( ar_i \) 的发布公司，\( publisher(ar_j) \) 表示艺术家 \( ar_j \) 的发布公司。相同发布公司推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{发布公司}}(ar_j) = \sum_{ar_i \in Ar} \delta_{publisher(ar_i), publisher(ar_j)} \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+## 4.4 综合网络属性推荐建模
+
+### 综合网络属性的单曲推荐
+
+- **定义**：综合运营公司、作词者、作曲者、合作出品专辑、合作出品单曲、单曲版本相似性和发布公司，生成最终的单曲推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma, \delta, \epsilon, \zeta, \eta \) 为权重系数，分别表示运营公司、作词者、作曲者、合作出品专辑、合作出品单曲、单曲版本相似性和发布公司的权重，\( R_{\text{单曲}} \) 为最终单曲推荐结果。
+  \[
+  R_{\text{单曲}} = \alpha \times S_{\text{公司}} + \beta \times S_{\text{作词者}} + \gamma \times S_{\text{作曲者}} + \delta \times S_{\text{合作专辑}} + \epsilon \times S_{\text{合作单曲}} + \zeta \times S_{\text{版本}} + \eta \times S_{\text{发布公司}}
+  \]
+  其中，\( \alpha + \beta + \gamma + \delta + \epsilon + \zeta + \eta = 1 \)。
+
+### 综合网络属性的专辑推荐
+
+- **定义**：综合运营公司、作词者、作曲者、合作出品专辑和发布公司，生成最终的专辑推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma, \delta, \epsilon \) 为权重系数，分别表示运营公司、作词者、作曲者、合作出品专辑和发布公司的权重，\( R_{\text{专辑}} \) 为最终专辑推荐结果。
+  \[
+  R_{\text{专辑}} = \alpha \times S_{\text{公司}} + \beta \times S_{\text{作词者}} + \gamma \times S_{\text{作曲者}} + \delta \times S_{\text{合作专辑}} + \epsilon \times S_{\text{发布公司}}
+  \]
+  其中，\( \alpha + \beta + \gamma + \delta + \epsilon = 1 \)。
+
+### 综合网络属性的艺术家推荐
+
+- **定义**：综合运营公司、作词者、作曲者、合作出品专辑和发布公司，生成最终的艺术家推荐列表。
+- **公式**：设 \( \alpha, \beta, \gamma, \delta, \epsilon \) 为权重系数，分别表示运营公司、作词者、作曲者、合作出品专辑和发布公司的权重，\( R_{\text{艺术家}} \) 为最终艺术家推荐结果。
+  \[
+  R_{\text{艺术家}} = \alpha \times S_{\text{公司}} + \beta \times S_{\text{作词者}} + \gamma \times S_{\text{作曲者}} + \delta \times S_{\text{合作专辑}} + \epsilon \times S_{\text{发布公司}}
+  \]
+  其中，\( \alpha + \beta + \gamma + \delta + \epsilon = 1 \)。
+
+通过以上基于网络知识图谱的推荐建模，可以充分利用单曲、专辑和艺术家的网络相关属性，为用户生成更加多样化和个性化的推荐列表。这不仅丰富了推荐系统的维度，还提升了推荐结果的准确性和相关性。

NSMusicS-AI/音乐场景-推荐系统/1.5.数据收集-深度学习与音频编码信息结合检索相似度计算.md

@@ -0,0 +1,87 @@
+# 5. 基于深度学习与音频编码信息的相似度计算
+
+## 5.1 单曲推荐建模
+
+### 基于音频特征的单曲推荐
+
+- **定义**：利用深度学习模型提取音频的特征，如旋律、节奏、和声等，推荐与用户收听过的单曲音频特征相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( audio\_features(m_i) \) 表示单曲 \( m_i \) 的音频特征向量，\( audio\_features(m_j) \) 表示单曲 \( m_j \) 的音频特征向量。音频特征相似度可以通过余弦相似度计算。单曲推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{音频}}(m_j) = \sum_{m_i \in M} \text{cosine\_similarity}(audio\_features(m_i), audio\_features(m_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+
+### 基于编码信息的单曲推荐
+
+- **定义**：根据音频文件的编码信息（如比特率、采样率等），推荐与用户收听过的单曲编码格式相似的其他单曲。
+- **公式**：设 \( M \) 为单曲集合，\( codec(m_i) \) 表示单曲 \( m_i \) 的编码信息，\( codec(m_j) \) 表示单曲 \( m_j \) 的编码信息。编码信息相似性可以通过比较编码参数计算。单曲推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{编码}}(m_j) = \sum_{m_i \in M} \text{sim}_{\text{编码}}(codec(m_i), codec(m_j)) \times \frac{an\_m\_n(i)}{\max\_play\_count}
+  \]
+  其中，\( \text{sim}_{\text{编码}} \) 为编码信息相似度。
+
+## 5.2 专辑推荐建模
+
+### 基于音频特征的专辑推荐
+
+- **定义**：利用深度学习模型提取专辑内单曲的音频特征，推荐与用户收听过的专辑音频特征相似的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( audio\_features(a_i) \) 表示专辑 \( a_i \) 内所有单曲的音频特征向量集合，\( audio\_features(a_j) \) 表示专辑 \( a_j \) 内所有单曲的音频特征向量集合。专辑音频特征相似度可以通过聚合单曲特征计算。专辑推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{音频}}(a_j) = \sum_{a_i \in A} \text{cosine\_similarity}(audio\_features(a_i), audio\_features(a_j)) \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+### 基于编码信息的专辑推荐
+
+- **定义**：根据专辑内单曲的编码信息，推荐与用户收听过的专辑编码格式相似的其他专辑。
+- **公式**：设 \( A \) 为专辑集合，\( codec(a_i) \) 表示专辑 \( a_i \) 内所有单曲的编码信息集合，\( codec(a_j) \) 表示专辑 \( a_j \) 内所有单曲的编码信息集合。编码信息相似性可以通过比较编码参数计算。专辑推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{编码}}(a_j) = \sum_{a_i \in A} \text{sim}_{\text{编码}}(codec(a_i), codec(a_j)) \times \frac{an\_am\_a\_m\_n(i)}{\max\_album\_play\_count}
+  \]
+
+## 5.3 艺术家推荐建模
+
+### 基于音频特征的艺术家推荐
+
+- **定义**：利用深度学习模型提取艺术家作品的音频特征，推荐与用户收听过的艺术家作品音频特征相似的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( audio\_features(ar_i) \) 表示艺术家 \( ar_i \) 的所有作品的音频特征向量集合，\( audio\_features(ar_j) \) 表示艺术家 \( ar_j \) 的所有作品的音频特征向量集合。艺术家音频特征相似度可以通过聚合作品特征计算。艺术家推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{音频}}(ar_j) = \sum_{ar_i \in Ar} \text{cosine\_similarity}(audio\_features(ar_i), audio\_features(ar_j)) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+### 基于编码信息的艺术家推荐
+
+- **定义**：根据艺术家作品的编码信息，推荐与用户收听过的艺术家作品编码格式相似的其他艺术家。
+- **公式**：设 \( Ar \) 为艺术家集合，\( codec(ar_i) \) 表示艺术家 \( ar_i \) 的所有作品的编码信息集合，\( codec(ar_j) \) 表示艺术家 \( ar_j \) 的所有作品的编码信息集合。编码信息相似性可以通过比较编码参数计算。艺术家推荐分数 \( S \) 可表示为：
+  \[
+  S_{\text{编码}}(ar_j) = \sum_{ar_i \in Ar} \text{sim}_{\text{编码}}(codec(ar_i), codec(ar_j)) \times \left( \frac{an\_m\_n(i)}{\max\_artist\_play\_count} + \frac{an\_am\_a\_m\_n(i)}{\max\_artist\_album\_play\_count} \right)
+  \]
+
+## 5.4 综合深度学习特征推荐建模
+
+### 综合深度学习特征的单曲推荐
+
+- **定义**：综合音频特征和编码信息，生成最终的单曲推荐列表。
+- **公式**：设 \( \alpha \) 和 \( \beta \) 为权重系数，分别表示音频特征和编码信息的权重，\( R_{\text{单曲}} \) 为最终单曲推荐结果。
+  \[
+  R_{\text{单曲}} = \alpha \times S_{\text{音频}} + \beta \times S_{\text{编码}}
+  \]
+  其中，\( \alpha + \beta = 1 \)。
+
+### 综合深度学习特征的专辑推荐
+
+- **定义**：综合音频特征和编码信息，生成最终的专辑推荐列表。
+- **公式**：设 \( \alpha \) 和 \( \beta \) 为权重系数，分别表示音频特征和编码信息的权重，\( R_{\text{专辑}} \) 为最终专辑推荐结果。
+  \[
+  R_{\text{专辑}} = \alpha \times S_{\text{音频}} + \beta \times S_{\text{编码}}
+  \]
+  其中，\( \alpha + \beta = 1 \)。
+
+### 综合深度学习特征的艺术家推荐
+
+- **定义**：综合音频特征和编码信息，生成最终的艺术家推荐列表。
+- **公式**：设 \( \alpha \) 和 \( \beta \) 为权重系数，分别表示音频特征和编码信息的权重，\( R_{\text{艺术家}} \) 为最终艺术家推荐结果。
+  \[
+  R_{\text{艺术家}} = \alpha \times S_{\text{音频}} + \beta \times S_{\text{编码}}
+  \]
+  其中，\( \alpha + \beta = 1 \)。
+
+通过以上基于深度学习与音频编码信息的相似度计算，可以充分利用音频的内在特征和编码属性，为用户生成更加精准和个性化的推荐列表。这不仅丰富了推荐系统的维度，还提升了推荐结果的准确性和相关性。

NSMusicS-Electron/src/App.vue

@@ -110,7 +110,7 @@
           icon: renderIcon(Home28Regular),
         },
         {
-          label: computed(() => renderRouterLink('categories', t('Categories'))),
+          label: computed(() => renderRouterLink('categories', t('entity.smartPlaylist') + t('Categories'))),
           key: 'categories',
           icon: renderIcon(Apps20Regular),
         },

NSMusicS-Electron/src/views/view_app/page_metadata/page_folder/page_music/music_page/page_home/Table_Home.vue

@@ -446,18 +446,18 @@ onBeforeUnmount(() => {
     <n-space vertical
              style="margin-top: 20px;margin-left: 8px;">
       <div
-           v-contextmenu:contextmenu
-           @contextmenu.prevent="() => {
-             store_playlist_list_info.playlist_Menu_Item = store_view_home_page_info.home_selected_top_album;
-             store_playlist_list_info.playlist_Menu_Item_Id =store_view_home_page_info.home_selected_top_album?.id
-           }">
+         v-contextmenu:contextmenu
+         @contextmenu.prevent="() => {
+           store_playlist_list_info.playlist_Menu_Item = store_view_home_page_info.home_selected_top_album;
+           store_playlist_list_info.playlist_Menu_Item_Id =store_view_home_page_info.home_selected_top_album?.id
+         }">
         <div
           :style="{
             width: 'calc(100vw - ' + (collapsed_width - 20) + 'px)',
           }"
           style="
             height: calc(41vh);
-            border-radius: 5px;
+            border-radius: 7px;
             overflow: hidden;
             background-size: cover;
             background-position: center;
@@ -488,7 +488,7 @@ onBeforeUnmount(() => {
         transformOrigin: 'left bottom',
         marginTop: `calc(-20vh - 50px)`,
         }"
-        style="margin-left: 20px;margin-top: -202px;">
+        style="margin-left: calc(3.5vh);margin-top: -202px;">
         <img
           :src="getAssetImage(store_view_home_page_info.home_selected_top_album_medium_image_url)"
           @error="handleImageError(store_view_home_page_info.home_selected_top_album)"