白城市网站建设_网站建设公司_企业官网_seo优化

摘要
本文旨在探讨基于机器学习的音乐数据分析及歌单推荐方法。随着音乐产业的快速发展，个性化音乐推荐系统已成为满足用户多样化音乐需求的关键技术。本研究首先综述了机器学习在音乐推荐中的应用现状，以及音乐数据分析的主要方法和技术。详细描述了数据收集与处理过程，包括数据来源、预处理、特征提取等关键步骤。在模型构建与算法选择部分，介绍了推荐系统的基础理论，并探讨了基于内容、用户协同过滤及混合推荐等机器学习算法在音乐推荐中的应用。实验设计与结果分析章节详细阐述了实验数据集、评估指标、实验设计与实施，并对推荐结果的准确性、多样性和新颖性进行了深入讨论。还提出了模型性能优化策略，以进一步提升推荐系统的效果。在可视化与用户体验部分，探讨了数据可视化技术在推荐结果展示中的应用，并评估了用户反馈与体验。本文总结了研究的主要发现，指出了研究的局限性与挑战，并提出了未来研究方向与改进建议。
关键词：机器学习；音乐数据分析；歌单推荐；推荐系统；特征提取；

Abstract
This article aims to explore machine learning based music data analysis and playlist recommendation methods. With the rapid development of the music industry, personalized music recommendation systems have become a key technology to meet the diverse music needs of users. This study first reviews the current application status of machine learning in music recommendation, as well as the main methods and techniques of music data analysis. Subsequently, we provided a detailed description of the data collection and processing process, including key steps such as data sources, preprocessing, and feature extraction. In the section of model construction and algorithm selection, we introduced the basic theory of recommendation systems and explored the application of machine learning algorithms such as content-based, user collaborative filtering, and hybrid recommendation in music recommendation. The chapter on experimental design and result analysis elaborates in detail on the experimental dataset, evaluation indicators, experimental design and implementation, and provides in-depth discussions on the accuracy, diversity, and novelty of the recommended results. In addition, we have proposed a model performance optimization strategy to further enhance the effectiveness of the recommendation system. In the visualization and user experience section, we explored the application of data visualization technology in displaying recommendation results and evaluated user feedback and experience. Finally, this article summarizes the main findings of the study, points out the limitations and challenges of the research, and proposes future research directions and improvement suggestions.
Keywords: machine learning; Music data analysis; Recommended playlists; Recommendation system; Feature extraction;

目录
摘要 I
Abstract II
第一章 引言 1
1.1 研究背景 1
1.2 研究现状 1
1.3 研究问题与目标 3
1.4 研究意义 3
第二章 文献综述 4
2.1 机器学习在音乐推荐中的应用现状 4
2.2 音乐数据分析的主要方法和技术 5
2.3 歌单推荐系统的研究进展 6
2.4 研究空白与趋势 6
第三章 数据收集与处理 7
3.1 数据来源 7
3.2 数据预处理（清洗、转换、规范化） 7
3.3 特征提取（音频特征、用户行为特征） 14
3.3.1 NMI特征 14
3.3.2 不变矩特征 15
3.3.3比例特征 16
第四章 模型构建与算法选择 17
3.1 推荐系统基础理论 17
3.2 机器学习算法介绍（如协同过滤、内容过滤、深度学习等） 17
3.2.1 基于内容的音乐推荐方法 17
3.2.2 基于用户协同过滤的推荐方法 17
3.2.3 混合推荐算法 18
3.3 模型构建过程 19
3.4 算法选择与优化 19
3.4.1 冷启动问题 19
3.4.2 稀疏性问题 20
3.4.2 用户相似度公式 21
第五章 实验设计与结果分析 23
5.1 实验数据集与评估指标 23
5.2 实验设计与实施 25
5.3 结果分析与讨论（准确性、多样性、新颖性等） 25
5.4 模型性能优化策略 25
第六章 可视化与用户体验 26
6.1 数据可视化技术 26
6.2 推荐结果的可视化展示 26
6.3 用户反馈与体验评估 27
第七章 结论与展望 28
7.1 研究总结与主要发现 28
7.2 研究的局限性与挑战 28
7.3 未来研究方向与改进建议 28

第一章 引言
1.1 研究背景
在当前的快速增长中，互联网已经彻底改变了生活习惯。随着互联网资源的快速增长，为上网的人提供有用的信息已经变成了当前的新挑战。用户所接触到的资讯非常受限。因此，众多学者纷纷提出了一系列旨在帮助用户迅速而准确地找到所需信息的解决策略，例如搜索引擎和推荐系统。当前，大型音乐门户网站的歌曲库通常包含数千万首歌曲，这些歌曲被分类为不同的语言、流派、年代、主题、心情、场景等，包含的信息非常丰富，存在着严重的信息过载。对于音乐系统中的每位用户，他们很难真正听懂曲库里的每一首歌曲。很多时候，用户的期望更像是“一首或几首好听的歌曲”这样的不明确的要求。因此，如何根据用户在系统中产生的行为信息，从庞大的歌曲库中筛选出他们可能感兴趣的音乐，成为了一个挑战。为此，需要一个综合性的音乐推荐系统，它需要综合考虑用户的喜好、时间、地点和环境等多种因素，从数千万的歌曲库中筛选出最适合用户的个性化音乐，为广大用户带来音乐的美感，真正实现众口可调的目标。
在大数据的背景下，如果连顺应潮流都做不到，那就更不用说成为这个时代的引领者了。今日的推介系统如此设计，明日的情况或许也会如此，必须紧密关注这个时代的发展趋势。这一系统确保了管理员和用户之间的独立性，彼此之间不会产生干扰。在这个系统里，音乐推荐被设置为一个自动化服务，它每天早上六点都会自动更新，确保用户每天都能体验到一种新的感觉。除了推荐功能，用户在这个系统里还可以紧跟流行趋势，探索当前的热门话题，并寻找他们最新发布的音乐专辑等。回顾过去，用户甚至有机会访问用户中心，以了解他们在该系统中所进行的各种活动，包括点赞、收藏和播放等。随着用户数目的逐渐增加，管理员的角色变得日益关键。管理员的存在在净化系统和保护系统内的歌曲环境方面起着极其关键的作用。得益于用户和管理员的共同付出，有理由相信，这个系统会变得更加纯净和美好，让喜爱音乐的人们在系统内找到家的感觉。
1.2 研究现状
在目前全球巨大的音乐消费市场中，平台之间竞争激烈，音乐作品迅速增长，而机器学习在音乐数据分析中发挥巨大作用，它不仅可以挖掘和识别音乐的特征，从而对音乐进行分类和情感分析，并却可以预测用户爱好，进行个性化音乐推荐，提升用户体验。
（1）国内情况
在国内通过机器学习对音乐进行数据分析形成歌单推荐研究起步较晚，但近年来发展迅速，各大机构以及高校纷纷进行研究，取得了显著成果。汪婷静等人从申请量、申请地及主要申请人几方面分析音乐推荐专利后发现，国内外和音乐相关的专利申请量在2011均开始呈井喷式增长，申请量最多的国家是中国。王然等人提出一种移动用户行为感知的音乐推荐系统，通过传感器获取用户行为数据，判断用户当前的行为，来进行音乐推荐，解决了用户不同状态下想听取不同类型歌曲的问题。牛滨登采用MGCC技术提取歌曲音乐特征，利用三角带通滤波器组对傅立叶变换能量系数滤波得到Mel频率倒谱系数，和高斯混合模型进行音乐个性化推荐。陈雅茜提出一种结合投票机制和基于内容分析的DJ推荐模式的混合型群体音乐推荐，用户利用手机等设备实时选择自己偏好的曲目，系统结合歌曲的内容分析和语境分析生成音乐推荐列表。研究主要集中在算法的改进与优化，如基于内容过滤、协同过滤和混合推荐算法等。网易云音乐和QQ音乐等也采用基于内容算法和协同过滤相结合应用于歌单推荐中，并取得不错成果，然而国内数据仍纯在数据稀疏性等问题。
（2）国外情况
在国外音乐数据分析及歌单推荐研究同样备受关注，国外学者不仅关注算法的优化与改进，而且注重多源数据融合探究新的推荐方法和技术。2013年，Bogdanov等人尝试从音频数据中提取声学特征跟用户喜好音乐进去对比，将声学特征相识的音乐作品推荐给用户。2014年Saveski等人提出loack Collective Embedding推荐算法，主要通过将用户体验历史偏好信息和产品的熟悉信息都填充到原始矩阵中，对矩阵进行分解，提高推荐的准确度。Chris sandend等人通过将标签之间的关系与音乐熟悉特征进行分析，并对多种分内器进行研究，最终校准签等级来提升推荐准确。John R等人根据实时心理情感反应的影响以及音乐的声学特征，对其不熟悉的艺术音乐喜好和熟悉程度的影响，以音乐交互的方式对用户进行推荐。国外音乐平台深入探究音乐数据的预处理和特征提取方法，为用户提供精准的个性化歌单推荐，推动音乐产业数据化创新发展。 总体而言，基于机器学习的音乐数据分析及歌单推荐研究呈现出蓬勃发展趋势，但仍有许多问题待处理和优化。

1.3 研究问题与目标
全面收集音乐数据，涵盖歌曲属性、用户行为记录等，确保数据的多样性和完整性。进行数据预处理，提升数据质量，利用先进的特征工程技术，从音频文件和用户行为中提取关键特征，为模型训练提供有力支撑。利用机器学习算法，构建音乐推荐模型，并通过训练不断优化模型参数。设计科学合理的实验方案，对模型性能进行全面评估。深入分析实验结果，优化模型结构，并通过可视化手段，直观展示研究成果，为音乐推荐领域的进步贡献力量。

1.4 研究意义
随着数据化音乐的普及，用户面临海量的音乐数据，如何快速准确地找到符合个人喜好的音乐成为一大挑战。本题旨在利用机器学习技术对音乐数据进行深入分析，以实现精准的歌单推荐。利用机器学习对音乐数据进行深度挖掘和分析，以更准确地理解用户喜好，成为提升用户体验和平台竞争力的关键。有助于提升音乐推荐的准确性和用户满意度，推动音乐推荐技术的创新与发展，为用户提供更加贴合其需求的音乐体验；可为音乐平台的内容推荐策略提供科学依据，促进平台效益的提升。该研究还可为音乐数据分析与推荐算法的发展提供新的思路和方法，促进音乐与人工智能技术的深度融合与发展。

第二章 文献综述
2.1 机器学习在音乐推荐中的应用现状
在人类文明的漫长历程中，音乐始终是一个不可或缺的元素。它不只是情感的承载者，更充当着文化的桥接，跨越时间和空间，连接着各种不同的群体和时代。但是，伴随着科技的迅猛进步，尤其是人工智能技术的飞速发展，音乐行业正在经历一次空前的变革。在这一技术变革的背景下，机器学习，作为人工智能的关键技术之一，凭借其独有的吸引力和巨大的潜能，正在逐渐改变音乐创作、分析、推荐以及整个产业的生态结构。机器学习的核心思想是通过算法和模型，从海量数据中筛选出有价值的信息和知识，从而实现预测、分类和决策等智能操作。在音乐学科中，机器学习有能力捕获音乐的复杂构造和情感属性，进而创作出令人震撼的音乐作品，或者对现存的音乐作品进行深入的分析和解读。除此之外，机器学习还可以根据用户的喜好和偏好，为他们提供个性化的音乐推荐，这极大地提高了音乐体验的质量和便利性随着人工智能科技的持续发展，AI作曲家逐步进入了大众的视线。这批由算法和模型推动的作曲家们有能力创作出各种不同风格的音乐作品，涵盖了从古典到现代，从流行到爵士的多种音乐风格。AI作曲家的出现不仅揭示了机器学习在音乐创作领域的巨大可能性，同时也为整个音乐产业开辟了新的发展空间。在音乐创作中，机器学习在音乐风格的转变上的运用，标志着音乐创作领域的重大创新。通过运用训练算法和模型，机器学习有能力识别并提炼出各种音乐风格的独特特征，并将这些识别出的特征应用于新的音乐创作中，从而实现音乐风格的转化和整合。在音乐分析领域，音乐情感的识别和分类是机器学习的一个核心应用。通过深入分析音乐的音频信号，机器学习有能力鉴别出音乐所传达的各种情感，例如“快乐”、“悲伤”和“愤怒。这项技术在诸如音乐推荐、情感分析和电影配乐等多个领域都有着广泛的应用场景。在音乐分析领域，音乐结构分析被视为机器学习的深入研究方向。音乐结构分析的目的是利用自动化技术来深入研究音乐中的段落、章节以及循环等关键结构元素。在音乐结构分析领域，机器学习模型能够运用信号处理、特征抽取和模型训练等多种技术手段，对音乐进行多模态分析，这一点对于自动音乐标记、推荐系统以及个性化播放列表的创建等任务具有至关重要的意义。比如说，这个模型能够处理音频和MIDI文件的输入，并整合各种不同的音乐信息。该模型通过集成多个边界检测算法，成功地识别了音乐段落的边界以及章节的结构特点。另外，机器学习模型也有能力根据具体需求来选择或开发新的算法，以满足各种音乐分析任务的需求。
2.2 音乐数据分析的主要方法和技术
（1）音乐数据分析
音乐数据分析是指通过从各大音乐平台或数据供应商收集数据进行分析，发现音乐的流行趋势，用户偏好及用户行为等信息过程，它是数学与计算机科学结合主要目的是从大量杂乱无章的数据中提取有价值的信息，形成有效的分析结论。这些数据包括音乐元数据（如歌曲名称、艺术家、专辑等信息）、用户行为数据（如播放记录、收藏、评分等）和音频数据，通过进行清洗数据中的错误或重复值，进行数据探索以理解数据特征，再进行预处理，存储到数据库，进行分析，发现音乐的流行趋势，受众群体的特征帮助音乐平台优化推荐算法，提高用户体验。
（2）歌单推荐算法
歌单推荐是音乐平台的重要功能之一，它通过用户的历史行为、偏好及歌曲特征进行数据分析，从而进行个性化推荐。
基于内容过滤推荐是将用户的行为数据以及音乐数据解析（分析音乐的元数据和音频特征），计算歌曲间的相似度，根据用户的听歌喜好，推荐与用户兴趣相匹配的音乐。
协同过滤是根据用户对音乐的行为（收藏），分析用户之间，或者项目之间的关系，利用他们之间的关系分析用户对未知音乐的评价，发现相似的用户或歌曲进行相互推荐。
混合推荐是将不同的推荐算法相结合，以更加丰富的数据弥补各自不足，充分利用已有资源提高推荐的准确性和个性化程度。通过综合考虑用户行为数据和音乐特征信息，混合推荐算法可以更好地满足用户的个性化需求。

2.3 歌单推荐系统的研究进展
近期，音乐推荐系统（MRS）的相关研究在学术领域和行业内都引起了广泛的关注。通过Spotify、Pandora或Apple Music等音乐流媒体的支持，现在的音乐爱好者有机会浏览到数以千万计的音乐作品。MRS通过筛选众多的音乐内容，有效地减轻了音乐选择的压力，并成功地推荐了符合其用户偏好的音乐。然而，这种系统的完善度仍有很大的提升空间，因此经常出现不太令人满意的反馈。用户的审美和音乐需求在很大程度上受到多个因素的影响，但在目前的MRS方法中，这些因素往往没有被深入地考虑。这些方法大多以用户与项目之间的交互为核心，或者有时是基于内容的项目描述。与此相对，坚信，为了满足听众在音乐娱乐上的需求，必须深入考虑听众的内心、外部和语境，并提供更为得体的交互体验。例如，了解听众的性格、情感状况（内在因素）和他们的行为（内在因素）会对音乐的审美和需求造成影响。用户所处的环境因素也同样重要，这包括气候状况、社交场合以及历史名胜。音乐播放列表或收听对话的构成和注释也揭示了哪些歌曲组合得很好或适合特定的场合。因此，MRS的研究和设计团队需要从一个全面的角度重新审视他们的用户群体，以便能够为每一位用户打造出具有独特需求的系统。
2.4 研究空白与趋势
当前研究主要集中在利用大数据分析和机器学习算法来理解用户的音乐偏好，并实现个性化推荐。然而，在如何处理和分析复杂多变的音乐数据、以及如何更精准地捕捉用户音乐喜好的动态变化方面，仍存在挑战。研究空白之一在于如何更深入地挖掘音乐数据中的隐含信息，如音乐情感、风格特征等，以进一步提升推荐的准确性。此外，如何结合用户的实时行为和情境信息，如时间、地点、活动状态等，来提供更符合用户当前需求的音乐推荐，也是一个亟待解决的问题。
跨领域融合也将成为重要方向，如结合心理学、社会学等领域的知识来优化推荐算法。
第三章 数据收集与处理
3.1 数据来源
MillionSongDataset，一个在音乐领域的机器学习数据集，是由The Echo Nest提供的。分析labels的步骤需要许多音乐学者手动进行判断，这使得音乐的判断过程变得非常精确。同时，MillionSongDataset为数据调用和分析提供了许多强大的接口。在最初的数据集选择中，选择了MillionSongDataset作为工具。

3.2 数据预处理（清洗、转换、规范化）
（1）用户情感类型
1.用户情感分类
根据过去的观察，人们有能力将自己的情感释放并编织成音乐，而音乐同样能够传达人们的情感。从当前的情感模型来看，可以将其分类为两大类：第一类是早期的离散分类模型，第二类是基于维度分析的分类模型。这篇论文的核心内容是基于第一种方法进行编写的。
人们通常认为离散情感分类模型是建立在丰富和多样的情感基础之上的，但在这其中，也存在着一些有限的情感分类方式，比如基于悲伤或快乐的情感分类。Hevner情感环是一个众所周知的情感环，其他各种不同类型的情感都可以根据这个环进行衍生和发展，这一点可以通过图3.1来观察和理解。这种方法主要是在音乐分类中使用关键字识别技术，它的显著特点是利用大量的关键词构建的情感模型。在Hevner的情感环模型中，可以观察到由66个形容词组成，并且在其内部环中还存在8个近义词。这8个情感之间的联系是平稳而过渡的。这个情感分类模型非常成功，主要是因为它能够在有限的情感空间中加入无限的情感映射，从而大大简化了分类的难度。

图3.1 Hevner情感环
2．基于Hevner情感环的音乐平台用户情感类型划分
音乐情感被分为两大类别：首先是基于音乐固有的属性结构来传递的内部情感，其次是超越音乐的外在情感。通过深入的探究，发现有两个主要因素能够影响音乐情感的呈现：首先是音乐作品的本质，其次是音乐之外的信息。因此，在撰写这篇论文时，也充分地考虑了两个关键因素。
为了更准确地观察情感的分类，进行了一项实验，即播放超过600个音乐片段给客户。听完后，使用不同的词汇来描述和表达这些片段。经过多次实验，发现并不是所有的情绪都是按照相同的概率产生的。因此，在编写这篇论文时，为了更好地控制难度，特意将情感分为正和负两个层次。所谓的正极代表了积极乐观的情绪，而负极则代表了消极和悲伤的情感。在Hevner情感环的基础上，采纳了离散情感词的平稳过渡思想。从一级情感词的8个词开始，到二级情感词的累计，总数达到了74个词。通过选择出现频次最高的词，可以参考图3.2进行进一步的分析。

图3.2 以Hevner情感环为基础的分配原则以及情感分类
（2）用户情感的影响因素分析
1.音乐特征
要想有效地进行音乐情感的分类，首先必须识别出音乐的独特特性。经过对早期音乐实践的深入研究，发现其主要的获取方式是基于音乐的音频特性，一首歌曲在音色和音高上的表现都能呈现出独特的情感特征。在当前的社会背景下，互联网科技对许多人产生了深远的影响，这促使他们投身于音乐特性的研究，例如歌曲的歌词、评论等各个方面。在当前的音乐软件领域，每一款音乐软件都拥有为音乐情感创建标签的独特功能。可以参考图3.3作为具体参考：

图3.3 音乐情感标签系统
在音乐分类这一议题上，国内外众多学者都进行了深入的探讨和分类，但经过连续的研究，他们发现还存在许多尚待解决的问题。在众多的研究手段中，一个较为经典的方法是首先将音乐中的情感明确地分类为几个特定的种类，如悲伤和快乐等，然后根据这些文件的独特性进行筛选，并将筛选出的文件与其标签进行匹配。因此，为了更有效地捕捉音乐的特性，也就是音乐标签，选择了Foobar作为相关软件工具。
2.用户自身的属性
当谈论用户的独特性时，实际上是在讨论他们的个人属性，这其中涉及到的关键因素包括性别、年龄等。不同社会阶层的客户有各自独特的需求。例如，女性客户和男性客户在这方面存在显著的差异。这种差异在客户的收藏和个性签名中都会得到体现。例如，当客户是学生时，他们通常更倾向于选择与爱情相关的歌曲。但对于工作人员来说，他们更倾向于选择经典的歌曲。如果客户正在经历失恋，他们更可能选择失恋的歌曲；而如果客户更喜欢运动，他们则更可能选择跑步的歌曲。通过对客户提交的表单进行仔细观察，能够对该客户的各种属性有一定程度的认识。经过深入的观察，发现要建立一个既客观又高效的评估标准是相当困难的，因此，只能依赖主观的感知来评估客户的属性，具体的评估流程如下表3.1所示。
表3.1 用户属性所表征的情感值确定流程
用户属性标注 综合情感值

用户一
年龄 95后

-5
性别 男
个性签名 从前从前，有个人爱你很久
收藏歌单标签 伤感 孤独
3.用户动态分析
通过对网易云音乐的深入观察，可以发现其评论中所包含的音乐种类繁多，这不仅包括了演唱者和音乐的背景信息，还涵盖了非业界人士的情感体验。例如，某些客户在听某首特定歌曲时的情感、心理反应，以及与音乐旋律相结合的内心起伏。受到这些因素的影响，用户会根据自己的生活状况和当下的心理状况，将充满个人情感的信息融入到音乐评论之中。从整体角度看，其流程图可以参考图3.4。

图3.4 上下文信息情感分类流程
大多数用户都会对特定的歌曲发表评论，要全面分析单一客户对不同音乐类型的评论是一项具有挑战性的任务，可以调整研究方向，即深入研究音乐评论。观察结果显示，许多用户倾向于通过发送动态评论来表达他们的情感，而对这些评论的研究时间明显少于对单一用户的研究，这有助于最大限度地减少手工标注的工作量。详细的步骤可以参考表3.2来查看。
表3.2 上下文信息情感值评判样例
上下文信息标注 情感值 平均值

用户一 动态一 后来的有了后来而与你无关 -5
3.6666667
动态二 你在选择人，人亦在选择你 -2
动态三 那首歌让你看到了一生 ——
动态四 遥远的她 -4
（3）基于二元离散选择模型的情感分类模型
1.二元离散选择模型简介
一般而言，众所周知的结合分析模型即是所称的离散模型，它不仅是一种极具实用价值的市场研究技术，而且在日常生活中也得到了广泛的应用。该模型主要建立在实验设计的基础之上，通过对目标服务和产品市场环境的深入分析，并在这些数据支持下，对客户购买行为进行了一系列预测分析，最终确定了客户在面对不同商品和价格时的选择偏好。因此，根据上述描述，离散选择模型也是一种专门用于复杂、高级和多元化统计分析的技术。
为了帮助大家更好地理解，这篇论文对特定的案例进行了深入探讨：当客户选择汽车时，他们通常会将注意力集中在特定的品牌上，例如奥迪或本田等。以一个实例来说明，如果客户选择了奥迪，那么将其记作Y=1；如果客户选择了本田，那么将其记作Y=2；如果客户选择了丰田，那么将其记作Y=3。在研究客户选择品牌的过程中，由于考虑到因变量并不是一个连续的变量（Y=1 2 3），这表明之前的线性回归模型存在一些问题。
如果你希望制定一个理性的决策，那么你可以遵循效用最大化的原则。例如，在选择公交i和地铁i’时，可以首先假设所考虑的策略可以被划分为三个不同的类别：K={k1, k2, k3}={花销，时间，稳定性}。
针对公交所获取的效用是：
=++
同样的，针对地铁所获取的效用是：
=++
,所表达的是所有方案自身的属性,表达的是各自的权重。通过观察可以看出如果出现>的情况，这时候选择公交车是最佳的方案；如果不是，那么选择地铁是最佳的方案。
2.用户情感分类标注
从图3.5的观察中，可以明确地将客户对音乐的情感分类为十个独特的类别，如厌恶、喜爱和开心等；在观察过程中，为了确保样本的广泛性，选择了对100名用户进行研究。在这个研究过程中，不仅要观察和记录标注的用户属性，还需要记录和观察用户在不同情境下喜欢的音乐属性和情感。该方法的核心是从用户钟爱的音乐中筛选出三首最受欢迎的，同时选用Foobar2000作为工具。利用这款工具，用户可以对特定的音乐标签进行评分，评分标准是基于表1展示的。这样，可以更精确地测量情感值的平均值，并充分考虑到每个人之间的差异。因此，那些反差值超过10的客户并不在研究范畴内。